Dieser Kurs vermittelt eine umfassende Grundlage für Azure Machine Learning und stattet die Teilnehmer mit wesentlichen Fähigkeiten für die Verwaltung von ML-Workflows innerhalb des Azure ML-Workspace aus. Die Teilnehmer lernen zunächst die Grundlagen des Workspace kennen, einschließlich der Einrichtung der Umgebung, der Ressourcenverwaltung und der wichtigsten Komponenten für ML-Experimente. Der Kurs geht über zu fortgeschrittenen Konzepten wie der Optimierung von Rechenressourcen, der effektiven Verwaltung von Datensätzen und der Konfiguration von hochleistungsfähigen ML-Pipelines. Die Kursteilnehmer erlangen Kenntnisse über die Skalierung von ML-Workloads, Fine-Tuning von Datenspeicherstrategien und die Anwendung von Best Practices für eine sichere und effiziente Bereitstellung von Modellen. Darüber hinaus deckt der Kurs fortgeschrittene Daten- und Rechenmanagementtechniken ab, um ML-Operationen (MLOps) zu verbessern und eine nahtlose Integration mit Azure-Diensten zu gewährleisten. Dieser Kurs ist in mehrere Module gegliedert, von denen jedes Lektionen und Videovorträge enthält, die theoretische Einblicke und praktische Übungen bieten. Die Teilnehmer werden ca. 3:00 bis 4:00 Stunden an Unterrichtsinhalten absolvieren, um sowohl das konzeptionelle Verständnis als auch die praktische Anwendung zu gewährleisten. Um das Lernen zu verstärken, sind in jedem Modul benotete und unbenotete Aufgaben enthalten, um die Fähigkeiten der Lernenden in realen Szenarien zu testen. Modul 1: Experimentieren mit Azure Machine Learning Modul 2: Bereitstellen, Verbrauchen, Verwalten und Auswerten von Modellen mit Azure Machine Learning Am Ende dieses Kurses wird der Lernende in der Lage sein, den Prozess der Registrierung, Protokollierung und Bereitstellung von MLflow-Modellen zu erkunden Verantwortungsvolle KI-Praktiken zu verstehen und zu implementieren die Grundlagen von AutoML in Azure zu verstehen verschiedene Algorithmen und Aufgaben des maschinellen Lernens zu beherrschen die Ergebnisse von AutoML-Jobs zu interpretieren, den Erfolg sicherzustellen und die Leistung des Modells zu optimieren.