Advanced3 dagen
Azure Machine Learning
ML-modellen bouwen, trainen en implementeren op enterprise-schaal
Overview
Azure Machine Learning is het end-to-end ML-platform van Microsoft voor het bouwen, trainen en implementeren van modellen in productie. Deze training behandelt de volledige MLOps-levenscyclus — van datasetbeheer tot geautomatiseerde hertrainingspipelines en real-time inferentie-endpoints.
What you'll learn
- Azure ML-workspaces en computeresources inrichten en navigeren
- Datasets, experimenten en modelversionering beheren in Azure ML
- Modellen trainen met Azure ML-jobs, pipelines en AutoML
- Modellen implementeren als real-time en batch-inferentie-endpoints
- MLOps-praktijken implementeren: CI/CD, monitoring en hertrain-triggers
- Azure ML integreren met Databricks, Synapse en Azure DevOps
Programme
Dag 1 — Workspace, data & training
- Azure ML-workspacearchitectuur: compute-instanties, datastores en omgevingen
- Data-assets: datasets registreren en versiebeheer toepassen
- Trainingsjobs: scripts indienen, metrieken loggen en runs bijhouden
- AutoML: geautomatiseerde modelselectie en hyperparameter-tuning
- Verantwoorde AI: eerlijkheid, verklaarbaarheid en modelkaarten
- Practicum: drie modellen trainen en vergelijken met experiment-tracking
Dag 2 — Pipelines & implementatie
- Azure ML-pipelines: herbruikbare, modulaire ML-workflows
- Componentgebaseerd pipeline-ontwerp voor onderhoudbaarheid
- Real-time inferentie-endpoints: implementeren, testen en schalen
- Batch-inferentie-endpoints: grote datasets kosteneffectief scoren
- Online endpoint-monitoring: datadrift en prestatiedegradatie
- Practicum: een meerstaps-trainingspipeline bouwen en het model implementeren
Dag 3 — MLOps & productiepraktijken
- MLOps-volwassenheidsmodel: van ad-hocscripts naar productiesystemen
- CI/CD voor ML met Azure DevOps en GitHub Actions
- Modelregister: versionering, stagingomgevingen en promotie-workflows
- Geautomatiseerde hertrainingspipelines getriggerd door datadrift
- Kostenbeheer en compute-rightsizing voor ML-workloads
- Practicum: een volledige MLOps-pipeline bouwen van training tot implementatie
Who is this for?
- Data scientists die van notebooks naar productie-ML overstappen
- ML-engineers die ML-platforms bouwen en onderhouden
- Teams die MLOps en verantwoorde AI-praktijken implementeren
Prerequisites
- Solide Python- en machine learning-grondslagen
- Ervaring met scikit-learn, PyTorch of TensorFlow
- Basiskennis van Azure is nuttig
Tools & technologies covered
Azure Machine LearningAutoMLMLflowAzure PipelinesAzure DevOpsPython SDK v2Azure Monitor
Not sure which course fits your team?
Talk to us — we'll match you to the right training path.