概述
升級至 Microsoft 認證:Azure 資料科學家助理。
學習如何利用 Azure 機器學習在雲端規模操作機器學習解決方案。這門 DP-100T01:設計與實施 Azure 上資料科學解決方案課程,教你如何運用現有的 Python 與機器學習知識,管理資料擷取與準備、模型訓練與部署,以及使用 Azure 機器學習與機器學習流程監控機器學習解決方案。
提升你的技能,並以 Yayasan Peneraju 融資計畫的全球認可認證脫穎而出——該計畫符合馬來西亞土著資格。
為什麼選擇 KORNERSTONE
- 經認證、由實務人員主導的專家證書培訓師,提供高品質的培訓
- 官方訓練資料包含
- 實務、情境導向學習——著重應用,而非僅理論
- 優秀的通過率
涵蓋技能
- 管理 Azure 機器學習
- 進行實驗並訓練模型
- 部署並執行機器學習解決方案
- 實施負責任的機器學習
資源
先決條件
成功的 Azure 資料科學家從此角色開始時,具備雲端運算概念的基礎知識,以及一般資料科學與機器學習工具與技術的經驗。
具體來說:
- 在 Microsoft Azure 中建立雲端資源。
- 使用 Python 探索與視覺化資料。
- 使用常見框架如 Scikit-Learn、PyTorch 和 TensorFlow 訓練與驗證機器學習模型。
如果你對資料科學與機器學習完全陌生,請先完成 Azure 人工智慧導論 。
目標受眾
此 Azure 認證課程 專為具備 Python 及機器學習框架知識(如 Scikit-Learn、PyTorch 與 Tensorflow)的資料科學家設計,協助他們在雲端建構與操作機器學習解決方案。
此 Microsoft 官方課程為學生準備 Microsoft 認證:Azure 資料科學家助理 認證。
相關的 DP-100 考試評估你完成以下技術任務的能力:管理 Azure 機器學習資源;執行實驗與訓練模型;部署並執行機器學習解決方案;以及實施負責任的機器學習。
培訓大綱

模組一:為機器學習專案設計資料擷取策略
學習如何設計用於機器學習專案訓練資料的資料擷取解決方案。
學習目標
在本單元中,您將學習如何:
- 識別您的資料來源與格式
- 選擇如何將資料提供給機器學習工作流程 設計
- 資料擷取解決方案
先決條件
- 無
模組二:設計機器學習模型訓練解決方案
學習如何設計機器學習專案的模型訓練解決方案。
學習目標
在本單元中,你將學習如何:
- 識別機器學習任務
- 選擇服務來訓練模型
- 選擇計算選項
模組三:設計模型部署解決方案
學習如何設計模型部署解決方案,以及部署模型的需求如何影響你訓練模型的方式。
學習目標
在本單元中,你將學習如何:
- 了解模型將如何被消費。
- 決定是部署你的模型到即時端點還是批次端點。
模組 4:探索 Azure 機器學習工作空間的資源與資產
作為資料科學家,你可以使用 Azure Machine Learning 來訓練和管理你的機器學習模型。了解 Azure Machine Learning 是什麼,並熟悉其所有資源與資產。
學習目標
在本單元中,您將學習如何:
- 建立 Azure 機器學習工作空間。
- 識別資源與資產。
- 在工作空間中訓練模型。
模組 5:探索開發者工具以進行工作空間互動
了解如何與 Azure 機器學習工作區互動。你可以使用 Azure Machine Learning Studio、Python SDK (v2) 或 Azure CLI(v2)。
學習目標
在本模組中,您將學習如何使用及何時使用:
- Azure Machine Learning Studio。
- Python 軟體開發套件(SDK)。
- Azure 命令列介面(CLI)。
模組 6:讓資料在 Azure 機器學習中可用
了解如何連接 Azure 機器學習工作區的資料。你將介紹資料儲存庫與資料資產。
學習目標
在本單元中,您將學習如何:
- 使用統一資源識別碼(URI)。
- 建立並使用資料儲存庫。
- 建立並使用資料資產。
模組 7:在 Azure 機器學習中操作計算目標
學習如何在 Azure 機器學習中操作運算目標。計算目標讓你能執行機器學習工作負載。探索何時以及如何使用運算實例或運算叢集。
學習目標
在本單元中,你將學習如何:
- 選擇合適的計算目標。
- 建立並使用計算實例。
- 建立並使用計算叢集。
先決條件
無
模組 8:在 Azure 機器學習中與環境合作
學習如何在 Azure Machine Learning 中使用環境,在任何計算目標上執行腳本。
學習目標
在本單元中,你將學習如何:
- 理解 Azure 機器學習中的環境。
- 探索並使用精心策劃的環境。
- 建立並使用自訂環境
模組 9:利用自動化機器學習尋找最佳分類模型
學習如何利用自動化機器學習(AutoML)找到最佳分類模型。你會使用 Python SDK (v2) 來配置並執行 AutoML 工作。
學習目標
在本單元中,你將學習如何:
- 準備你的資料以使用 AutoML 進行分類。
- 配置並執行 AutoML 實驗。
- 評估與比較模型。
先決條件
無
模組 10:使用 MLflow 在 Jupyter 筆記本中追蹤模型訓練
學習如何在筆記本中進行模型追蹤。
學習目標
在本模組中,你將學習如何:
- 設定在筆記本
- MLflow 在筆記本中使用 MLflow 進行模型追蹤
中使用
模組 11:在 Azure 機器學習中執行訓練腳本作為指令工作
學習如何將程式碼轉換成腳本,並在 Azure Machine Learning 中執行指令工作。
學習目標
在本單元中,你將學習如何:
- 將筆記本轉換成腳本。
- 終端機中測試腳本。
- 將腳本作為指令工作執行。
- 在指令工作
在
中使用參數
模組 12:工作中使用 MLflow 追蹤模型訓練
學習如何在執行腳本時用 MLflow 追蹤工作中的模型訓練。
學習目標
在這個模組中,你將學習如何:
- 當你執行腳本作為工作時,如何使用 MLflow。
- 回顧執行時的指標、參數、工件和模型。
先決條件
無
模組 13:在 Azure 機器學習中運行管線
學習如何在 Azure 機器學習中建立並使用元件來建立管線。執行並排程 Azure 機器學習管線,自動化機器學習工作流程。
學習目標
在本模組中,你將學習如何:
- 建立元件。
- 建立 Azure 機器學習管線。
- 運行 Azure 機器學習管線。
模組 14:使用 Azure 機器學習執行超參數調校
學習如何在 Azure Machine Learning 中使用 sweep 工作進行超參數調整。
學習目標
在本模組中,您將學習如何:
- 定義超參數搜尋空間。
- 設定超參數取樣。
- 選擇提前終止政策。
- 執行掃描工作。
模組 15:將模型部署到受管理的線上端點
學習如何將模型部署到受管理的線上端點進行即時推論。
學習目標
在本單元中,您將學習如何:
- 使用受管線上端點。
- 將您的 MLflow 模型部署到受管線上端點。
- 將自訂模型部署到受管線上端點。
- 測試線上端點。
模組 16:將模型部署到批次端點
學習如何將模型部署到批次端點。當你呼叫批次端點時,會觸發批次評分工作。
學習目標
在本單元中,你將學習如何:
- 建立批次端點。
- 將你的 MLflow 模型部署到批次端點。
- 將自訂模型部署到批次端點。
- 呼叫批次端點。
日期與地點

考試與認證
Microsoft 認證:Azure 資料科學家助理。
Azure 資料科學家助理認證證明你具備在 Microsoft Azure 上實作及執行機器學習工作負載的專業知識。你通過 DP-100 考試:設計與實作 Azure 上的資料科學解決方案即可獲得此認證。
你的職責包括規劃並打造適合 Azure 上資料科學工作負載的工作環境,並執行資料實驗及訓練預測模型。此外,你還負責管理、優化並部署機器學習模型到生產環境。




