Курс "20774 Облачная аналитика больших данных (Big Data) при помощи машинного обучения в Azure (20774 Perform Cloud Data Science with Azure Machine Learning)"
Код: 20774 Специализация: Microsoft SQL Server 2016
Продолжительность - 5 дней
Производится набор группы
Стоимость:
45 000 руб.
Курс «20774 Облачная аналитика больших данных (Big Data) при помощи машинного обучения в Azure» ориентирован на специалистов, желающих обрабатывать большие объёмы данных с помощью таких современных средств автоматизации, как машинное обучение. Также курс будет интересен специалистам, изучающим HDInsight и R.
На курсе слушатели научатся анализировать большие данные и визуализировать результаты при помощи машинного обучения в Azure. Также в курсе рассмотрены такие инструменты анализа больших данных как HDInsight и R.
объяснять принципы работы механизмов машинного обучения, используемые алгоритмы и языки;
описывать возможности машинного обучения в Azure и перечислять основные функции Azure Machine Learning Studio;
загружать и исследовать различные типы данных для машинного обучения Azure;
использовать методы подготовки наборов данных для использования с машинным обучением Azure;
использовать регрессионные алгоритмы и алгоритмы работы нейронных сетей в рамках машинного обучения Azure;
использовать алгоритмы классификации и кластеризации в рамках машинного обучения Azure;
использовать преимущества R и Python при работе с машинным обучением Azure;
использовать гипер-параметры, множество алгоритмов и моделей для решения аналитических задач;
предоставлять пользователям доступ к результатам отработки моделей машинного обучения Azure;
использовать подключения к когнитивным службам (Cognitive Services API) для обработки текста и изображений, создания рекомендаций и описание использования нейронных сетей в рамках машинного обучения Azure;
использовать HDInsight в рамках машинного обучения Azure;
использовать язык R и сервер R в рамках машинного обучения Azure;
объяснять, как развернуть и настроить SQL Server для поддержки служб R.
После изучения данного курса рекомендуем прослушать курс:
Разработка и размещение приложений машинного обучения Azure
Лабораторная работа: Введение в машинное обучение Azure
Модуль 3. Работа с наборами данных
Классификация данных
Импорт данных для машинного обучения Azure
Исследование и преобразование данных в машинном обучении Azure
Лабораторная работа: Визуализация данных
Модуль 4. Подготовка данных для использования машинного обучения Azure
Предварительная обработка данных
Обработки неполных данных
Лабораторная работа: Подготовка данных для использования машинного обучения Azure
Модуль 5. Использование средств конструирования и выборки
Использование компонент конструирования
Использование компонент выбора
Лабораторная работа: Использование rxExec и revoPemaR для распараллеливания операций
Модуль 6. Построение моделей машинного обучения Azure
Процессы машинного обучения Azure
Оценка и применение моделей
Применение регрессионных алгоритмов
Использование нейронных сетей
Лабораторная работа: Построение моделей машинного обучения Azure
Модуль 7. Классификация и кластеризация в моделях машинного обучения Azure
Алгоритмы классификации
Методы кластеризации
Выбор алгоритмов
Лабораторная работа: Классификация и кластеризация в моделях машинного обучения Azure
Модуль 8. Использование R и Python в машинном обучении Azure
Использование R
Использование Python
Использование блокнотов Jupyter
Поддержка R и Python
Лабораторная работа: Использование R и Python в машинном обучении Azure
Модуль 9. Инициализация и оптимизация моделей машинного обучения
Использование гипер-параметров
Использование нескольких алгоритмов и моделей
Сравнение и оценка ансамбля
Лабораторная работа: Инициализация и оптимизация моделей машинного обучения
Модуль 10. Использование моделей машинного обучения Azure
Развертывание и публикации моделей
Экспорт данных
Лабораторная работа: Использование моделей машинного обучения Azure
Модуль 11. Использование когнитивных служб
Обзор когнитивных служб
Обработка текста
Обработка изображений
Создание рекомендаций
Лабораторная работа: Использование когнитивных служб
Модуль 12. Использование машинного обучения с HDInsight
Введение в HDInsight
Типы кластеров HDInsight
HDInsight и модели машинного обучения
Лабораторная работа: Использование машинного обучения с HDInsight
Модуль 13. Использование R-сервисов машинного обучения
Обзор R и сервера R
Использование сервера R в моделях машинного обучения
Использование R с SQL Server
Лабораторная работа: Использование R-сервисов машинного обучения
В конце обучения на курсе проводится итоговая аттестация в виде теста или на основании оценок за практические работы, выполненных в процессе обучения
Microsoft SQL Server 2016 — мощная и безопасная система управления базами данных, готовая к работе в самых важных и бизнес-приложениях, высокого уровня, позволяющая сокращать финансовые затраты на сервис систем и производство новых приложений.
SQL Server 2016 обеспечивает рекордную производительность благодаря новым технологиям работы с памятью, что поможет заказчикам ускорить свой бизнес и реализовать новые сценарии работы.
Кроме того, SQL Server 2016 позволяет использовать новые гибридные облачные решения. Это позволит воспользоваться новыми преимуществами облачных вычислений. Например в таких сценариях как резервное копирование в облако и аварийное восстановление локально установленного SQL Server.
SQL Server 2016 предлагает лучшие возможности в отрасли бизнес-аналитики благодаря интеграции с такими привычными инструментами, как Excel и Power BI для Office 365.
Основные нововведения включают:
Поддержка in-memory OLTP (Hekaton). SQL Server 2016 обладает возможностью размещения таблиц и хранимых процедур в оперативной памяти, что позволит добиться существенного выигрыша в производительности транзакционных приложений.
Обновляемые колоночные индексы. Колоночные индексы используются, в основном, в аналитических приложениях. Они позволяют значительно ускорить выполнение запросов по схемам данных, характерных для OLAP (звезда, снежинка). В версии 2016 это ограничение снято, и колоночные индексы получат возможность обновляться при внесении изменений в данные, как традиционные индексы.
Новый тип управляемого ресурса в Resource Governor. Регулятор ресурсов используется для разделения вычислительных мощностей компьютера между различными приложениями, обращающимися к SQL Server, что дает возможность приоритезировать нагрузку, а также гарантирует, что приложение не выйдет за пределы назначенных ему ресурсов, забирая на себя все, что выделено серверу баз данных. Это позволяет обеспечить предсказуемую работоспособность. В предыдущих версиях к ресурсам относились память и процессорное время, ввод-вывод.
Улучшенная отказоустойчивость. Группа высокой доступности AlwaysOn теперь включает 8 вторичных реплик (против 4-х в предыдущей версии).
Интеграция с Облаком. Возможность размещать в Windows Azure файлы БД большого размера для on-premise SQL Server, а также выполнять в Windows Azure резервное копирование, в том числе с новыми возможностями шифрования.
