| Tipo de edición | Edición única tarde (desempregados/as e ocupados/as) |
|---|---|
| Metodoloxía | Presencial |
| Tipo | CURSO |
| Matrícula | Gratuíta |
| Data inicio | 13/04/2026 |
| Data fin | 24/04/2026 |
| Certificación oficial | Si |
| Exame | DP-100: Designing and Implementing a Data Science Solution on Azure |
| Nº inscritos | 0 |
No curso DP-100 Designing and Implementing a Data Science Solution on Azure aprenderás a operar solucións de aprendizaxe automática a escala da nube con Azure Machine Learning. Este curso ensinarache a aproveitar o teu coñecemento existente de Python e a aprendizaxe automática para administrar a inxesta e preparación de datos, a capacitación e implementación de modelos, e a supervisión de solucións de aprendizaxe automática con Azure Machine Learning e MLflow.
- Configurar un espazo de traballo de Azure Machine Learning
- Executar experimentos e adestrar modelos
- Optimizar e administrar modelos
- Implementar e consumir
Este curso está deseñado para científicos/as de datos con coñecemento existente de Python e marcos de aprendizaxe automática como Scikit-Learn, PyTorch e Tensorflow, que desexen construír e operar solucións de aprendizaxe automática na nube.
Microsoft Certified Trainer (MCT) coa certificación Azure Data Scientist Associate.
- Duración :
40 horas - Metodoloxía :
Presencial - Matrícula :
Gratuíta - Tecnoloxía :
- Data Science
- Azure
- Microsoft
- Beneficios :
- Opción gratuita dun exame de certificación oficial
- Diploma de asistencia
- Módulos transversais :
- Igualdade de 5 horas
Módulo 1: Deseño dunha estratexia de inxesta de datos para proxectos de aprendizaxe automática
Módulo 2: Deseño dunha solución de adestramento de modelos de Machine Learning
Módulo 3: Deseño dunha solución de implementación de modelos
Módulo 4: Exploración de recursos da área de traballo de Azure Machine Learning
Módulo 5: Exploración das ferramentas de desenvolvemento para a interacción de áreas de traballo
Módulo 6: Facer que os datos estean dispoñibles en Azure Machine Learning
Módulo 7: Traballo con destinos de proceso en Azure Machine Learning
Módulo 8: Traballo con contornas de Azure Machine Learning
Módulo 9: Procura do mellor modelo de clasificación con aprendizaxe automática automatizada
Módulo 10: Seguimento do adestramento de modelos en cadernos de Jupyter Notebook con MLflow
Módulo 11: Execución dun script de adestramento como un traballo de comando en Azure Machine Learning
Módulo 12: Seguimento do adestramento do modelo con MLflow en traballos
Módulo 13: Execución de canalizacións en Azure Machine Learning
Módulo 14: Realización do axuste de hiperparámetros con Azure Machine Learning
Módulo 15: Implementación dun modelo nun punto de conexión en liña administrado
Módulo 16: Implementación dun modelo nun punto de conexión por lotes