Analiza danych i śledzenie modeli w Fabric

Nowoczesna nauka o danych wymaga ujednoliconego obszaru roboczego, w którym przygotowywanie danych, szkolenie modeli i śledzenie eksperymentów odbywa się bezproblemowo. Ten kurs tekstowy przeprowadzi Cię przez podstawowe pojęcia nauki o danych w ekosystemie Fabric, przygotowując Cię do obsługi rzeczywistych zadań analitycznych. Przejdziesz od zrozumienia podstawowych konfiguracji obszaru roboczego do pewnego trenowania modeli uczenia maszynowego w interaktywnych notatnikach. Korzystając z wbudowanych narzędzi, nauczysz się organizować zestawy danych, uruchamiać eksperymenty i systematycznie śledzić wskaźniki wydajności modelu. Co się nauczysz: Zrozumienie podstawowej architektury przestrzeni roboczych Fabric dla nauki danych; Przygotuj i eksploruj zbiory danych za pomocą notebooków i zintegrowanych struktur danych; Trenuj modele uczenia maszynowego za pomoca popularnych bibliotek Python w zarządzanym środowisku notebooków; Śledź parametry modelu, metryki i artefakty za pomocę integracji MLflow; Zarządzaj i porównuj różne eksperymenty z uczeniem maszynowym, aby zidentyfikować najlepiej działające modele; Zastosuj nowoczesne najlepsze praktyki MLOps do organizowania i wersjonowania zasobów analitycznych. Kurs zaczyna się od podstawowej terminologii i konfiguracji obszaru roboczego, zanim przejdzie do praktycznej eksploracji danych i szkolenia modelu. Będziesz postępować poprzez uporządkowane wyjaśnienia tekstowe i praktyczne przykłady kodu, które pokazują, jak zarządzać całym cyklem życia uczenia maszynowego. Ten kurs jest przeznaczony dla początkujących naukowców, analityków i programistów, którzy chcą uczyć się Fabric bez wcześniejszego doświadczenia na platformie. Zacznij czytać już dziś, aby zbudować podstawy nowoczesnej chmurowej nauki o danych.