Dieses Modul befasst sich mit der Infrastruktur, die erforderlich ist, um Workflows für Maschinelles Lernen in Azure Machine Learning zu erstellen, zu trainieren und in Betrieb zu nehmen. Die Teilnehmer sammeln praktische Erfahrungen beim Einrichten von Instanzen und Clustern, beim Erstellen von visuellen ML-Pipelines mit Azure ML Designer, beim Integrieren von benutzerdefiniertem Python-Code und beim Bewerten von Ausführungsergebnissen. Das Modul deckt auch die Fehlerbehebung und die Überprüfung von Modulergebnissen ab, um die Reliabilität des Workflows und die Leistung des Modells sicherzustellen.

Dieses Modul vermittelt den Lernenden die Fähigkeiten, Workflows für Maschinelles Lernen mit dem Azure Machine Learning SDK zu automatisieren und anzupassen. Es führt in die Einrichtung der SDK-Umgebung, das programmatische Erstellen und Verwalten von Workspaces, das Ausführen von Workflows zum Training und Experimentieren von Modellen und die Implementierung von AutoML und HyperDrive für fortgeschrittene Automatisierung und Abstimmung ein. Durch praktische, Code-gesteuerte Aktivitäten sammeln die Teilnehmer Erfahrungen im Umgang mit Skripten, Experimenten, Pipelines und der Optimierung von Hyperparametern.

Dieses Modul konzentriert sich auf die Operationalisierung von Modellen des Maschinellen Lernens, indem es die Lernenden durch die Modellregistrierung, Endpunktbereitstellung und Pipeline-Veröffentlichung mit Azure Machine Learning führt. Es behandelt produktionsreife Berechnungsoptionen, Echtzeit- und Batch-Inferenzbereitstellungen und schließt mit Best Practices für die Fertigstellung eines vollständigen ML Workflows. Am Ende dieses Moduls werden die Lernenden in der Lage sein, vom Experimentieren zur skalierbaren Bereitstellung überzugehen, indem sie sowohl den Designer- als auch den SDK-Ansatz verwenden.