Train and deploy a machine learning model with Azure Machine Learning

Um ein Machine Learning-Modell mit Azure Machine Learning zu trainieren, müssen Sie Daten verfügbar machen und das entsprechende Compute konfigurieren. Nachdem Sie Ihre Modell- und Nachverfolgungsmodellmetriken mit MLflow trainiert haben, können Sie ihr Modell für Echtzeitvorhersagen auf einem Onlineendpunkt bereitstellen. In diesem Training erfahren Sie, wie Sie Ihren Azure Machine Learning-Arbeitsbereich einrichten, nach dem Sie ein Machine Learning-Modell trainieren und bereitstellen.

Make data available in Azure Machine Learning

• Understand URIs
• Create a datastore
• Create a data asset

Work with compute targets in Azure Machine Learning

• Choose the appropriate compute target
• Create and use a compute instance
• Create and use a compute cluster

Work with environments in Azure Machine Learning

• Understand environments
• Explore and use curated environments
• Create and use custom environments

Run a training script as a command job in Azure Machine Learning

• Convert a notebook to a script
• Run a script as a command job
• Use parameters in a command job

Track model training with MLflow in jobs

• Track metrics with MLflow
• View metrics and evaluate models

Register an MLflow model in Azure Machine Learning

• Log models with MLflow
• Understand the MLflow model format
• Register an MLflow model

Deploy a model to a managed online endpoint

• Explore managed online endpoints
• Deploy your MLflow model to a managed online endpoint
• Deploy a model to a managed online endpoint
• Test managed online endpoints

• Data Scientist

keine