Practice Exams | MS Azure DP-100 Design & Implement DS Sol

为了准备Azure机器学习概能考试，您需要熟悉以下几个关键领域和任务：

1. 创建计算目标：

   • 实验和训练的Compute目标。
   • 选择适合机器学习用例的环境。
   • 配置与Apache Spark池连接的附加计算资源。
   • 监控计算使用情况。

2. 探索数据和训练模型：

   • 使用数据集和数据存储访问和处理数据以进行交互式开发。
   • 在设计器中创建模型，包括：
     • 构建训练管道。
     • 消耗设计器中的数据资产。
     • 使用自定义代码组件。
     • 评估模型，包括遵循负责任的AI指南。
   • 使用自动化机器学习来探索最佳模型：
     • 对于不同类型的数据（如表格、计算机视觉或自然语言处理）。
     • 选择训练选项，包括预处理和算法。
     • 评估自动化机器学习运行，包括遵循负责任的AI指南。
   • 在笔记本中使用自定义模型训练：
     • 开发使用计算实例的代码。
     • 使用MLflow跟踪模型训练。
     • 评估模型。
     • 使用Python SDKv2训练模型。
     • 在终端配置计算实例。

3. 调整超参数：

   • 选择抽样方法。
   • 定义搜索空间。
   • 定义主要指标。
   • 定义早期停止选项。

4. 准备模型部署：

   • 运行训练脚本。
   • 创建和调度管道。
   • 监控管道运行。
   • 实现数据之间的传递步骤。
   • 管理在Azure机器学习中的模型。

5. 部署和重新训练模型：

   • 在线和批量部署模型。
   • 测试在线部署的服务。
   • 触发Azure机器学习作业，包括从Azure DevOps或GitHub。
   • 自动化模型重新训练，以适应新数据的添加或变化。

6. 实施MLOps最佳实践：

   • 定义基于事件的重新培训触发器。

7. 学习资源：

   • Azure机器学习文档。
   • Microsoft Learn平台上的课程和模块。
   • 实际操作体验，通过在Azure环境中训练和部署模型来获得经验。
   • 阅读相关书籍、博客和教程以深入理解各个组件。

确保您对以下概念有深入的了解：

• Azure机器学习设计器的使用，包括如何创建管道和使用自定义代码。
• 如何使用MLflow来跟踪实验。
• 如何在Azure Kubernetes服务（AKS）上部署模型。
• 了解如何使用Azure机器学习SDK来进行模型训练和管理。
• 熟悉Azure机器学习的计算目标，如虚拟机、GPU或CPU实例、Apache Spark池等。
• 理解如何使用自动化机器学习工具来进行超参数调优和模型搜索。
• 了解Azure机器学习的安全性和隐私功能，包括数据的加密和存储。

通过这些步骤，您将为Azure机器学习概要考试做好充分的准备。记得实践是关键，因此确保在准备过程中有足够的实际操作体验。