+358 40 7070202
myynti@corellia.fi
Search
Facebook Linkedin Instagram

Kesäkampanja 2025 on käynnissä, katso kurssit tästä linkistä! ☀️
Varaa paikkasi syksyn koulutuksiin ja hyödynnä edullisemmat hinnat 27.5.–15.8.2025.

DP-100: Designing and Implementing a Data Science Solution on Azure

Tässä koulutuksessa käydään läpi tavat tehdä koneoppimista Azuressa sekä kuinka tehdään generative AI appeja Azure AI Foundryllä.
Päivämäärät
Palautteita
2023-azure-ikoni

kesto 4 pv

1890 € + ALV
  • Kurssimuoto: Etä
Ilmoittaudu kurssille

Huom! Kurssi on modulaarinen ja jakautuu seuraavasti kahdeksaan osaan:

• 28.10.2025 klo 9-12
• 30.10.2025 klo 9-12
• 4.11.2025 klo 9-12
• 6.11.2025 klo 9-12
• 11.11.2025 klo 9-12
• 13.11.2025 klo 9-12
• 18.11.2025 klo 9-12
• 20.11.2025 klo 9-12

Koulutuksessa käydään läpi koko ML Pipeline: Datan käsittely, laskentaympäristön pystyttäminen, algoritimien automatisoitu valinta, hyperparametrien virittäminen, tuotantoon siirto, monitorointi jne.

Lisäksi koulutuksessa perehdytään generative AI appien tekoon Azure Ai Foundryllä ja toteutetaan kielimalleja käyttäviä keskustelusovelluksia sekä kuinka oma data tuodaan mukaan prosessiin.

Koulutus valmistaa Microsoftin viralliseen sertifiointitestiin DP-100: Designing and Implementing a Data Science Solution on Azure . Suoritettava sertifointi on Microsoft Certified: Azure Data Scientist Associate.

Kurssin kohderyhmä

Tämä koulutus on suunnattu data- ja IT -asiantuntijarooleille mm. Data Scientist, Data Engineer, Data Analyst, IT-Architect.

Kurssin esitietovaatimukset

Kurssin käyminen edellyttää Pythonin perusteiden osaamista sekä tuntemusta koneoppimisen eri kirjastoista, kuten Scikit-Learn, PyTorch ja Tensorflow.

Tietoa koulutuksista

Luokkakoulutukset
Corellian koulutustiloissa:
Kalevankatu 9 A, Helsinki

Kiinnostaako asiakaskohtainen toteutus? Meillä onnistuu.

Lähetä tarjouspyyntö

Kurssin olennainen sisältö

Explore the Azure Machine Learning Workspace

  • Explore Azure Machine Learning workspace resources and assets
  • Explore developer tools for workspace interaction

Make data available in Azure Machine Learning

  • Create Datastores
  • Create Data Assets

Work with compute in Azure Machine Learning

  • Work with compute targets in Azure Machine Learning
  • Work with environments in Azure Machine Learning

Use no-code machine learning with the Azure Machine Learning Designer

  • Explore Automate Machine Learning
  • Find the best classification model with Automated Machine Learning

Use notebooks for experimentation in Azure Machine Learning

  • Track model training in notebooks with MLflow

Train models with scripts in Azure Machine Learning

  • Run a training script as a command job in Azure Machine Learning
  • Track model training with MLflow in jobs
  • Perform hyperparameter tuning with Azure Machine Learning

  • Optimize model training in Azure Machine Learning

    • Run pipelines in Azure Machine Learning

    Manage and review models in Azure Machine Learning

    • Register an MLflow model in Azure Machine Learning
    • Manage and compare models in Azure Machine Learning

Deploy and consume models with Azure Machine Learning

  • Register an MLflow model in Azure Machine Learning
  • Manage and compare models in Azure Machine Learning

Plan and prepare to develop AI solutions on Azure

  • Describe Azure AI Services and considerations for using them
  • Describe Azure AI Foundry and considerations for using it

Choose and deploy models from the model catalog in Azure AI Foundry portal

  • Select a language model from the model catalog
  • Deploy a model to an endpoint
  • Test a model and improve the performance of the model

Get started with prompt flow to develop language model apps in the Azure AI Foundry

  • Understand the development lifecycle when creating language model applications
  • Understand what a flow is in prompt flow
  • Explore the core components when working with prompt flow

Build a RAG-based agent with your own data using Azure AI Foundry

  • Identify the need to ground your language model with Retrieval Augmented Generation (RAG)
  • Index your data with Azure AI Search to make it searchable for language models
  • Build an agent using RAG on your own data in the Azure AI Foundry portal

Fine-tune a language model with Azure AI Foundry

  • Prepare your data to fine-tune a chat completion model
  • Fine-tune a base model in the Azure AI Foundry portal

Evaluate the performance of generative AI apps with Azure AI Foundry

  • Understand model benchmarks
  • Perform manual evaluations
  • Assess your generative AI apps with AI-assisted metrics
  • Configure evaluation flows in the Azure AI Foundry portal

Responsible generative AI

  • Identify and prioritize potential harms relevant to a generative AI solution
  • Measure the presence of harms in a generative AI solution
  • Mitigate harms in a generative AI solution
  • Prepare to deploy and operate a generative AI solution responsibly

Kurssin kesto

Kesto 4 pv.

Kurssityyppi

Etä

Kouluttajat

Pekka Korhonen

Ilmoittaudu kurssille

Osallistujan tiedot

Käyttöjärjestelmätoive *

Osallistumistapa *

Alkuun
Sisältö
close menu icon

Oletko kiinnostunut asiakaskohtaisesta toteutuksesta?

Kerro tarpeesi, niin suunnittelemme koulutuksen tarpeisiinne räätälöitynä.