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

Obiettivi | Certificazione | Contenuti | Tipologia | Prerequisiti | Durata e Frequenza | Docenti | Modalità di Iscrizione | Calendario

Il Corso DP-100 Designing and Implementing a Data Science Solution on Azure è progettato per partecipanti che vogliono gestire soluzioni di machine learning “at cloud scale” sfruttando Azure Machine Learning e MLflow lungo l’intero ciclo di vita: data ingestion e data preparation, experimentation, training, deployment e monitoring. Il percorso copre la progettazione dell’ambiente di lavoro in Azure Machine Learning workspace, la gestione di datastores, compute targets e asset riutilizzabili (data assets, environments) anche tramite registries, includendo integrazione Git per source control. Si entra poi nella fase di esplorazione e sperimentazione con Automated ML su scenari tabular, Computer Vision e NLP, e con notebook per modelli custom, includendo data wrangling e tracciamento degli esperimenti con MLflow; è inoltre affrontata l’ottimizzazione tramite hyperparameter tuning con sampling methods, search space, primary metric ed early termination. La parte di engineering operativa include l’esecuzione di training scripts come jobs, la costruzione di training pipelines con componenti custom, scheduling e troubleshooting, la gestione del model lifecycle con MLflow Model Registry e la valutazione con principi di Responsible AI, fino al deployment su online endpoints e batch endpoints con test e batch scoring. La sezione più recente è dedicata all’ottimizzazione di language models per AI applications usando Azure AI: model catalog, benchmark e playground, prompt engineering e prompt flow, RAG (Retrieval Augmented Generation) con embeddings e vector store, integrazione con Azure AI Search, e attività di fine-tuning e valutazione. Il corso contribuisce alla preparazione dell’esame di Certificazione Azure Data Scientist Associate.

Obiettivi del corso

Di seguito una sintesi degli obiettivi principali del Corso Designing and Implementing a Data Science Solution on Azure DP-100:

• Progettare e configurare Azure Machine Learning workspace con datastores, compute targets, asset management e Git integration.
• Eseguire experimentation con Automated ML (tabular, Computer Vision, NLP) e notebook-based development con MLflow tracking.
• Automatizzare hyperparameter tuning definendo sampling, search space, primary metric ed early termination.
• Implementare training jobs e training pipelines con componenti custom, data handoff tra step, scheduling e monitoring.
• Deployare e operare modelli con MLflow registry, online/batch endpoints, e ottimizzare language models con prompt flow, RAG, Azure AI Search e fine-tuning.

Certificazione del corso

Esame DP-100 Azure Data Scientist Associate; Questo esame verifica le competenze del candidato nel progettare e implementare una soluzione di data science e machine learning su Azure. I topics testati includono la progettazione della soluzione e la preparazione dell’ambiente in Azure Machine Learning, con gestione di workspace, datastores, compute targets, asset (data assets, environments) e condivisione tramite registries, inclusa l’integrazione Git. L’esame copre l’esplorazione dei dati e l’esecuzione di esperimenti usando Automated ML per scenari tabular, Computer Vision e NLP, lo sviluppo con notebook per modelli personalizzati, data wrangling e tracciamento degli esperimenti con MLflow, oltre all’automazione dell’hyperparameter tuning (sampling, search space, primary metric, early termination). Viene inoltre valutata la capacità di eseguire training e deployment: esecuzione di training scripts come jobs, creazione e gestione di training pipelines (componenti custom, data transfer tra step, scheduling, troubleshooting), gestione dei modelli con MLflow (firma nel file MLmodel, packaging di feature retrieval spec, registrazione nel model registry, valutazione con Responsible AI) e distribuzione su online endpoints e batch endpoints con test e batch scoring. Infine, l’esame include l’ottimizzazione di language models per AI applications con Azure AI: selezione e deployment da model catalog, benchmark e playground, scelta dell’approccio (prompt engineering/prompt flow), RAG con embeddings, vector store e integrazione con Azure AI Search, e fine-tuning con preparazione dati e valutazione del modello ottimizzato.

Contenuti del corso

Design & Prepare a Machine Learning Solution

• Dataset structure & format analysis per il workload
• Compute specification per training/experimentation
• Scelta dell’approccio di sviluppo per model training
• Azure Machine Learning workspace setup & governance
• Git integration per source control

Azure Machine Learning Workspace Resources & Assets

• Workspace creation & management
• Datastores creation & management
• Compute targets creation & management
• Data assets & environments management
• Asset sharing via registries

Explore Data & Run Experiments

• Automated ML for tabular data
• Automated ML for Computer Vision
• Automated ML for NLP
• Notebook-based data wrangling e experiment tracking con MLflow
• Hyperparameter tuning: sampling, search space, primary metric, early termination

Train & Deploy Models

• Training scripts as jobs (data, compute, environments, parameters, logs)
• Training pipelines con custom components
• Data transfer tra pipeline steps, scheduling e monitoring
• Model management con MLflow (MLmodel signature, registry, Responsible AI evaluation)
• Deployment su online endpoints e batch endpoints (test e batch scoring)

Optimize Language Models for AI Applications

• Model catalog selection, deployment e benchmarking
• Playground testing e selection of optimization approach
• Prompt engineering + prompt templates
• Prompt flow (variants tracking, chaining logic, analytics)
• RAG + embeddings + vector store + Azure AI Search indexing + fine-tuning & evaluation

Tipologia

Corso di Formazione con Docente

Docenti

I docenti sono Istruttori Autorizzati Microsoft e in altre tecnologie IT, con anni di esperienza pratica nel settore e nella Formazione.

Infrastruttura laboratoriale

Per tutte le tipologie di erogazione, il Corsista può accedere alle attrezzature e ai sistemi presenti nei Nostri laboratori o direttamente presso i data center del Vendor o dei suoi provider autorizzati in modalità remota. Ogni partecipante dispone di un accesso per implementare le varie configurazioni avendo così un riscontro pratico e immediato della teoria affrontata. Ecco di seguito alcuni scenari tratti dalle attività laboratoriali:

Dettagli del corso

Prerequisiti

I partecipanti dovranno avere basi delle teorie Machine Learning attraverso uno dei seguenti framework Scikit-Learn, PyTorch, o TensorFlow, e basi di programmazione Python.

Durata del corso

• Durata Intensiva 4gg;

Frequenza

Varie tipologie di Frequenza Estensiva ed Intensiva.

Date del corso

• Corso Designing and Implementing a Data Science Solution on Azure (Formula Intensiva) – Su richiesta – 09:00 – 17:00

Le iscrizioni sono a numero chiuso per garantire ai tutti i partecipanti un servizio eccellente.
L’iscrizione avviene richiedendo di essere contattati dal seguente Link, o contattando la sede al numero verde 800-177596 o inviando una richiesta all’email [email protected].