Strojové učení pro datové vědce

Projděte si nástroje strojového učení pro odborníky na data a techniky strojového učení a naučte se vytvářet cloudová řešení strojového učení v Azure.

Seznamte se se strojovým učením v Azure

Sestavujte a nasazujte modely strojového učení pro klíčové procesy zodpovědně a podle vašich představ pomocí nástrojů a služeb Azure.

Vývoj modelů strojového učení podle vlastních představ

Vytvářejte modely strojového učení v preferovaném vývojářském jazyce, prostředí a architektuře strojového učení pomocí nástrojů podle vašeho výběru a nasazujte vaše modely do cloudu, do místního prostředí nebo na hraniční zařízení s využitím Azure AI.

Sestavování zodpovědných řešení strojového učení

Seznamte se s modely strojového učení, ochranou dat pomocí rozdílové ochrany osobních údajů a důvěrných výpočetních operací a řízením životního cyklu strojového učení s využitím datových listů a zkušebních auditů.

Nasazování modelů strojového učení pro klíčové obchodní procesy s jistotou

Nasazujte a spravujte vysoce škálovatelná a reprodukovatelná řešení strojového učení odolná proti chybám.

Seznamte se s 10 pokyny pro zodpovědný vývoj AI. Připojte se k odborníkům na AI z Microsoftu a BCG na digitální akci Odpovědná AI v Azure. Zaregistrujte se hned.

Podívejte se, jak jiní odborníci na data využívají Azure Machine Learning

Klíčové Podle vlastních představ

Podívejte se, jak organizace využívají Azure k podpoře klíčových úloh.

Humana

Podívejte se, jak společnost Humana poskytuje klíčová prostředí pro zdravotnictví s využitím umělé inteligence.

AGL

Přečtěte si, jak společnost AGL implementovala MLOps pomocí Azure Machine Learningu.

UCLA

Zjistěte, jak UCLA průkopnicky využívá umělou inteligenci pro své lékaře.

Projděte si strojové učení prostřednictvím videí

Klíčové Podle vlastních představ Podívejte na nejnovější inovace AI

Zjistěte si, jak využít řešení strojového učení k podpoře klíčových aplikací.

Trénování modelů strojového učení ve velkém

Seznamte se s tím, jak využívat správné výpočetní funkce na platformě Azure pro škálování trénovacích úloh.

Odvozování a nasazování modelů

Seznamte se s různými možnostmi nasazování a optimalizacemi pro odvozování modelů ve velkém.

Vysvětlení MLOps

Seznamte se s významem MLOps a procesy s ním spojenými.

Zabezpečení prostředí strojového učení

Podívejte se, jak využít Azure pro přístup k zabezpečení a zásadám správného řízení na podnikové úrovni.

Hybridní a multicloudové strojové učení

Podívejte se, jak zřídit hybridní a multicloudová prostředí pro strojové učení.

Otevřené a interoperabilní strojové učení

Podívejte se, jak Azure Machine Learning spolupracuje s opensourcovými technologiemi a jak se integruje s dalšími službami Azure.

MLOps se službou Azure Machine Learning

Zrychlete proces vytváření, trénování a nasazování modelů strojového učení ve velkém.

Řešení strojového učení se škálováním a zabezpečením na podnikové úrovni

Naučte se vytvářet bezpečná, škálovatelná a spravedlivá řešení strojového učení s využitím Azure Machine Learningu.

Odpovědná umělá inteligence se službou Azure Machine Learning

Projděte si nástroje a metody, které vám pomohou pochopit, chránit a řídit modely strojového učení.

Projděte si ukázkové architektury řešení

Projděte si různé scénáře použití pro Azure Machine Learning.

Strojové učení

Proces trénování modelů je možné řídit pomocí nastavitelných parametrů nazývaných hyperparametry. Projděte si doporučené postupy pro vyladění hyperparametrů modelů v Pythonu a zjistěte, jak automatizovat ladění hyperparametrů a paralelně spouštět experimenty pro efektivní optimalizaci hyperparametrů.

Hluboké učení

Podívejte se, jak provádět distribuované trénování modelů hlubokého strojového učení napříč clustery virtuálních počítačů s podporou GPU. Tento scénář se týká klasifikace obrázků, ale řešení je možné zobecnit i na jiné scénáře hlubokého učení, jako je segmentace nebo rozpoznávání objektů.

MLOps

Naučte se pro aplikace AI implementovat kanál kontinuální integrace (CI) a průběžného doručování (CD) a opětovného trénování s využitím služeb Azure DevOps a Azure Machine Learning. Toto řešení je postavené na datové sadě scikit-learn pro diabetes, ale lze jej snadno přizpůsobit pro jakýkoli scénář umělé inteligence a další populární sestavovací systémy.

Nasazení na hraničních zařízeních

Podívejte se, jak je pomocí služby Azure Stack Edge možné rozšířit rychlé odvozování strojového učení z cloudu i na scénáře v místním prostředí nebo na hraničních zařízeních. Azure Stack Edge umožňuje využívat výhody Azure, jako jsou výpočetní funkce, úložiště, sítě a strojového učení s hardwarovou akcelerací, a to pro libovolné hraniční umístění.

Dávkové vyhodnocování

Naučte se využívat Azure Machine Learning k aplikaci neurálního přenosu pro video. Tato technika hlubokého učení upravuje existující obrázek ve stylu jiného obrázku.

Bodování v reálném čase

Prozkoumejte, jak nasadit modely v Pythonu jako webové služby pro vytváření predikcí v reálném čase pomocí služby Azure Kubernetes (AKS). Modely strojového učení nasazené v systému AKS jsou vhodné pro rozsáhlá produkční nasazení.