Ruta de aprendizaje: Explora y configura el espacio de trabajo de Azure Machine Learning.
A lo largo de esta ruta de aprendizaje exploras y configuras el espacio de trabajo de Azure Machine Learning. Aprende cómo puedes crear un espacio de trabajo y qué puedes hacer con él. Explora las distintas herramientas para desarrolladores que puedes usar para interactuar con el espacio de trabajo. Configura el espacio de trabajo para cargas de aprendizaje automático creando activos de datos y recursos de cómputo.
Módulo 1: Explora los recursos y recursos del espacio de trabajo de Azure Machine Learning.
Como científico de datos, puedes usar Azure Machine Learning para entrenar y gestionar tus modelos de aprendizaje automático. Aprende qué es Azure Machine Learning y familiarízate con todos sus recursos y recursos.
• Crear un espacio de trabajo de Azure Machine Learning.
• Identificar recursos de aprendizaje automático de Azure.
• Identificar los recursos de aprendizaje automático de Azure.
• Modelos de tren en el espacio de trabajo.
• Ejercicio: Explora el espacio de trabajo.
Módulo 2: Explora herramientas de desarrolladores para la interacción en el espacio de trabajo.
Aprende cómo puedes interactuar con el espacio de trabajo de Azure Machine Learning. Puedes usar Azure Machine Learning studio, el SDK de Python (v2) o la CLI de Azure (v2).
• Explora el estudio.
• Explora el SDK de Python.
• Explora la CLI.
• Ejercicio: Explora las herramientas para desarrolladores.
Módulo 3: Haz que los datos estén disponibles en Azure Machine Learning.
Aprende cómo conectarte a datos desde el espacio de trabajo de Azure Machine Learning. Te introducen a los almacenes de datos y los activos de datos.
• Entender los URIs.
• Crear un almacén de datos.
• Crear un activo de datos.
• Ejercicio: Poner los datos a disposición en Azure Machine Learning.
Módulo 4: Trabajar con objetivos de cómputo en Azure Machine Learning.
Aprende a trabajar con objetivos de cómputo en Azure Machine Learning. Los objetivos de cómputo te permiten ejecutar tus cargas de trabajo de aprendizaje automático. Explora cómo y cuándo puedes usar una instancia de cómputo o un clúster de cómputo.
• Elige el objetivo de cómputo adecuado.
• Crear y usar una instancia de cómputo.
• Crear y utilizar un clúster de cómputo.
• Ejercicio: Trabajar con recursos de cómputo.
Módulo 5: Trabajo con entornos en Azure Machine Learning.
Aprende a usar entornos en Azure Machine Learning para ejecutar scripts en cualquier objetivo de cómputo.
• Entender los entornos.
• Explora y utiliza entornos seleccionados.
• Crear y usar entornos personalizados.
• Ejercicio: Trabajar con entornos.
Ruta de aprendizaje: Experimenta con Azure Machine Learning.
Aprende a encontrar el mejor modelo con aprendizaje automático automatizado (AutoML) y experimentando con portátiles.
Módulo 6: Encuentra el mejor modelo de clasificación con Aprendizaje Automático Automatizado.
Aprende cómo encontrar el mejor modelo de clasificación con aprendizaje automático automatizado (AutoML). Usarás el SDK de Python (v2) para configurar y ejecutar un trabajo de AutoML.
• Preprocesar datos y configurar características.
• Ejecutar un experimento de Aprendizaje Automático Automatizado.
• Ejercicio: Encuentra el mejor modelo de clasificación con Aprendizaje Automático Automatizado.
Módulo 7: Seguimiento del entrenamiento de modelos en cuadernos Jupyter con MLflow.
Aprende a usar MLflow para el seguimiento de modelos cuando experimentes en cuadernos.
• Configurar MLflow para el seguimiento de modelos en cuadernos.
• Modelos de trenes y vías en cuadernos.
• Ejercicio: Seguir el entrenamiento de modelos.
Ruta de aprendizaje: Optimizar el entrenamiento de modelos con Azure Machine Learning.
Optimiza el entrenamiento de modelos en Azure Machine Learning utilizando scripts, trabajos, componentes y pipelines.
Módulo 8: Ejecutar un script de entrenamiento como un trabajo de comandos en Azure Machine Learning.
Aprende a convertir tu código a un script y ejecutarlo como un trabajo de comandos en Azure Machine Learning.
• Convertir un cuaderno en un script.
• Ejecuta un script como trabajo de comando.
• Usar parámetros en un trabajo de comando.
• Ejercicio: Ejecutar un script de entrenamiento como tarea de comando.
Módulo 9: Seguir el entrenamiento de modelos con MLflow en trabajos.
Aprende a seguir el entrenamiento de modelos con MLflow en trabajos al ejecutar scripts.
• Rastrea métricas con MLflow.
• Consulta métricas y evalúa modelos.
• Ejercicio: Usa MLflow para seguir trabajos de formación.
Módulo 10: Realizar ajuste de hiperparámetros con Azure Machine Learning.
Aprende a realizar ajuste de hiperparámetros con un sweep job en Azure Machine Learning.
• Definamos un espacio de búsqueda.
• Configurar un método de muestreo.
• Configurar terminación anticipada.
• Trabajo de barrido para la afinación de hiperparámetros.
• Ejercicio: Haz un trabajo de barrido.
Módulo 11: Ejecutar pipelines en Azure Machine Learning.
Aprende a crear y usar componentes para construir pipelines en Azure Machine Learning. Ejecuta y programa pipelines de aprendizaje automático de Azure para automatizar flujos de trabajo de aprendizaje automático.
• Crear componentes.
• Crear una tubería.
• Ejecutar un trabajo de pipeline.
• Ejercicio: Ejecutar un trabajo de pipeline.
Ruta de aprendizaje: Gestionar y revisar modelos en Azure Machine Learning.
Aprende a gestionar y revisar modelos en Azure Machine Learning usando MLflow para almacenar tus archivos de modelos y usando características de IA responsables para evaluar tus modelos.
Módulo 12: Registrar un modelo MLflow en Azure Machine Learning.
Aprende a registrar y registrar un modelo MLflow en Azure Machine Learning.
• Modelos de logarítmica con MLflow.
• Comprender el formato del modelo MLflow.
• Registrar un modelo MLflow.
• Ejercicio: Modelos de registro y registro con MLflow.
Módulo 13: Crea y explora el panel de control de IA responsable para un modelo en Azure Machine Learning.
Explora explicaciones de modelos, análisis de errores, contrafactuales y análisis causal creando un panel de control de IA responsable. Crearás y ejecutarás la pipeline en Azure Machine Learning usando el SDK de Python v2 para generar el panel de control.
• Entiende la IA responsable.
• Crea el panel de control de IA responsable.
• Evalúa el panel de control de Responsible AI.
• Ejercicio: Explora el panel de control de IA responsable.
Ruta de aprendizaje: Desplega y consume modelos con Azure Machine Learning.
Aprende a desplegar un modelo en un punto final. Cuando despliegas un modelo, puedes obtener predicciones en tiempo real o por lotes llamando al endpoint.
Módulo 14: Despliega un modelo en un punto final online gestionado.
Aprende a desplegar modelos en un endpoint online gestionado para inferir en tiempo real.
• Explora endpoints online gestionados.
• Despliega tu modelo MLflow en un endpoint online gestionado.
• Despliega un modelo en un punto final online gestionado.
• Endpoints online gestionados por pruebas.
• Ejercicio: Desplegar un modelo MLflow en un punto final online.
Módulo 15: Despliega un modelo en un punto final por lotes.
Aprende a desplegar modelos en un endpoint por lotes. Cuando invocas un endpoint por lotes, activas una tarea de puntuación por lotes.
• Entender y crear endpoints por lotes.
• Despliega tu modelo MLflow en un endpoint por lotes.
• Despliega un modelo personalizado en un endpoint batch.
• Invocar y solucionar problemas en los endpoints por lotes.
• Ejercicio: Desplegar un modelo MLflow en un endpoint batch.
Ruta de aprendizaje: Desarrollar aplicaciones de IA generativa en Azure.
La Inteligencia Artificial Generativa (IA) se está volviendo más accesible gracias a plataformas de desarrollo integrales como Microsoft Foundry. Aprende a construir aplicaciones de IA generativa que utilicen modelos de lenguaje para chatear con tus usuarios.
Módulo 16: Planifica y prepárate para desarrollar soluciones de IA en Azure.
Microsoft Azure ofrece múltiples servicios que permiten a los desarrolladores crear soluciones increíbles impulsadas por IA. Una planificación y preparación adecuadas implica identificar los servicios que vas a utilizar y crear un entorno de trabajo óptimo para tu equipo de desarrollo.
• ¿Qué es la IA?
• Herramientas de fundición.
• Microsoft Foundry.
• Herramientas y SDKs para desarrolladores.
• IA responsable.
• Ejercicio: Prepárate para un proyecto de desarrollo de IA.
Módulo 17: Elige y despliega modelos desde el catálogo de modelos en el portal Microsoft Foundry.
Elige los distintos modelos de lenguaje disponibles a través del catálogo de modelos de Microsoft Foundry. Entiende cómo seleccionar, desplegar y probar un modelo, y mejorar su rendimiento.
• Explora el catálogo de modelos.
• Despliega un modelo en un punto final.
• Optimizar el rendimiento del modelo.
• Ejercicio: Explorar, desplegar y chatear con modelos de lenguaje.
Módulo 18: Desarrolla una aplicación de IA con el SDK de Microsoft Foundry.
Utiliza el SDK de Microsoft Foundry para desarrollar aplicaciones de IA con proyectos de Microsoft Foundry.
• ¿Qué es el SDK de Microsoft Foundry?
• Trabajo con conexiones de proyectos.
• Crea un cliente de chat.
• Ejercicio: Crea una aplicación de chat generativa con IA.
Módulo 19: Empieza con el flujo de prompts para desarrollar aplicaciones de modelos de lenguaje en Microsoft Foundry.
Aprende cómo usar el flujo de prompts para desarrollar aplicaciones que aprovechen modelos de lenguaje en Microsoft Foundry.
• Comprender el ciclo de vida de desarrollo de una aplicación de modelos de lenguaje grandes (LLM).
• Comprende los componentes centrales y explora los tipos de flujo.
• Explora conexiones y duraciones de ejecución.
• Explora variantes y opciones de monitorización.
• Ejercicio: Empieza con un flujo rápido.
Módulo 20: Desarrolla una solución basada en RAG con tus propios datos usando Microsoft Foundry.
La Generación Aumentada por Recuperación (RAG) es un patrón común utilizado en soluciones de IA generativa para conectar prompts con tus datos. Microsoft Foundry ofrece soporte para añadir datos, crear índices e integrarlos con modelos de IA generativa para ayudarte a construir soluciones basadas en RAG.
• Entiende cómo conectar con la base de tu modelo de lenguaje.
• Haz que tus datos sean buscables.
• Crear una aplicación cliente basada en RAG.
• Implementa RAG en un flujo de prompts.
• Ejercicio: Crea una aplicación de IA generativa que utilice tus propios datos.
Módulo 21: Afinar un modelo de lenguaje con Microsoft Foundry.
Entrena un modelo de lenguaje base en una tarea de completar chats. El catálogo de modelos en Microsoft Foundry ofrece muchos modelos de código abierto que pueden ajustarse a tus necesidades específicas de comportamiento de modelo.
• Entender cuándo afinar un modelo de lenguaje.
• Prepara tus datos para afinar un modelo de completación de chat.
• Explora el ajuste fino de modelos de lenguaje en el portal Microsoft Foundry.
• Ejercicio: Afinar un modelo de lenguaje.
Módulo 22: Implementa una solución responsable de IA generativa en Microsoft Foundry.
La IA generativa permite soluciones creativas increíbles, pero debe implementarse de forma responsable para minimizar el riesgo de generación de contenido dañino.
• Planifica una solución responsable de IA generativa.
• Cartografía de posibles daños.
• Medir los posibles daños.
• Mitigar posibles daños.
• Gestionar una solución responsable de IA generativa.
• Ejercicio: Aplicar filtros de contenido para evitar la salida de contenido dañino.
Módulo 23: Evaluar el rendimiento de la IA generativa en el portal Microsoft Foundry.
Evaluar los copilots es esencial para asegurar que tus aplicaciones de IA generativa satisfagan las necesidades de los usuarios, proporcionen respuestas precisas y mejoren continuamente con el tiempo. Descubre cómo evaluar y optimizar el rendimiento de tus aplicaciones de IA generativa utilizando las herramientas y características disponibles en Azure AI Studio.
• Evaluar el rendimiento del modelo.
• Evalúa manualmente el rendimiento de un modelo.
• Evaluaciones automáticas.
• Ejercicio: Evaluar el rendimiento de modelos de IA generativa.
|
