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.
Projděte si strojové učení prostřednictvím videí
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.
Podívejte se, jak používat produkty a služby strojového učení Azure k sestavování modelů strojového učení podle vlastních představ.
Základy strojového učení v cloudu
Zajistěte si úvod do strojového učení a projděte si hlavní fáze životního cyklu strojového učení.
Nástroje pro strojové učení v Azure
Projděte si nástroje pro strojové učení určené pro odborníky přes data a podívejte se, jak fungují v Azure.
Základy hlubokého učení s využitím PyTorchu
Podívejte se, jak využít PyTorch k řešení jednoduchého problému klasifikace obrázků.
Spouštění modelů strojového učení kdekoli
Využijte možnost spouštět strojové učení v místním nebo multicloudovém prostředí pomocí stávající infrastruktury Kubernetes.
Seznamte se se základy PyTorchu
Podívejte se na výukové video se Surajem Subramanianem, poradcem pro vývoj v PyTorchu.
Vytváření odpovědné umělé inteligence pomocí sady nástrojů pro analýzu chyb
Podívejte se, jak identifikovat chyby modelů a diagnostikovat jejich příčiny.
Označování zvuku pomocí hlubokého učení
Naučte se používat zvuky, převádět je na obrázky a sestavit klasifikační model pro označování skladeb podle nálady.
Reprodukovatelné datové vědy s využitím strojového učení
Zjistěte, jak zorganizovat reprodukovatelný pracovní postup.
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.
Aktuální informace, blogy a oznámení týkající se AI
10. BŘEZNA 2021