| Tipo de edición | Edición única tarde (desempleados/as y ocupados/as |
|---|---|
| Metodología | Presencial |
| Tipo | CURSO |
| Matrícula | Gratuita |
| Fecha inicio | 13/04/2026 |
| Fecha fin | 24/04/2026 |
| Certificación oficial | Si |
| Examen | DP-100: Designing and Implementing a Data Science Solution on Azure |
| Nº inscritos | 0 |
En el curso DP-100 Designing and Implementing a Data Science Solution on Azure aprenderás a operar soluciones de aprendizaje automático a escala de la nube con Azure Machine Learning. Este curso te enseñará a aprovechar tu conocimiento existente de Python y el aprendizaje automático para administrar la ingesta y preparación de datos, la capacitación e implementación de modelos, y la supervisión de soluciones de aprendizaje automático con Azure Machine Learning y MLflow.
- Configurar un espacio de trabajo de Azure Machine Learning
- Ejecutar experimentos y entrenar modelos
- Optimizar y administrar modelos
- Implementar y consumir
Este curso está diseñado para científicos/as de datos con conocimiento existente de Python y marcos de aprendizaje automático como Scikit-Learn, PyTorch y Tensorflow, que deseen construir y operar soluciones de aprendizaje automático en la nube.
Microsoft Certified Trainer (MCT) con la certificación Azure Data Scientist Associate.
- Duración :
40 horas - Metodología :
Presencial - Matrícula :
Gratuita - Tecnología :
- Data Science
- Microsoft
- Azure
- Beneficios :
- Diploma de asistencia
- Opción gratuita de un examen de certificación oficial
- Módulos transversales :
- Igualdad de 5 horas
Módulo 1: Diseño de una estrategia de ingesta de datos para proyectos de aprendizaje automático
Módulo 2: Diseño de una solución de entrenamiento de modelos de Machine Learning
Módulo 3: Diseño de una solución de implementación de modelos
Módulo 4: Exploración de recursos del área de trabajo de Azure Machine Learning
Módulo 5: Exploración de las herramientas de desarrollo para la interacción de áreas de trabajo
Módulo 6: Hacer que los datos estén disponibles en Azure Machine Learning
Módulo 7: Trabajo con destinos de proceso en Azure Machine Learning
Módulo 8: Trabajo con entornos de Azure Machine Learning
Módulo 9: Búsqueda del mejor modelo de clasificación con aprendizaje automático automatizado
Módulo 10: Seguimiento del entrenamiento de modelos en cuadernos de Jupyter Notebook con MLflow
Módulo 11: Ejecución de un script de entrenamiento como un trabajo de comando en Azure Machine Learning
Módulo 12: Seguimiento del entrenamiento del modelo con MLflow en trabajos
Módulo 13: Ejecución de canalizaciones en Azure Machine Learning
Módulo 14: Realización del ajuste de hiperparámetros con Azure Machine Learning
Módulo 15: Implementación de un modelo en un punto de conexión en línea administrado
Módulo 16: Implementación de un modelo en un punto de conexión por lotes