Microsoft Azure

1. Tag

• Einführung in Machine Learning
• Was ist Machine Learning?
• Machine Learning Algorithmen und Sprachen
• Azure Machine Learning Studio
• Experiments nutzen und evaluieren
• Einführung in Azure Machine Learning
• Verwalten von Datasets
• Kategorisierung von Daten
• Daten in Azure ML importieren
• Daten untersuchen und transformieren
• Daten für Azure ML vorbereiten
• Data pre-processing
• Umgehen mit unvollständigen Datasets

2. Tag

• Verwenden von Feature Engineeing und Selection
• Vorbereiten der Datasets
• Verwenden von Join
• Aufbau von Azure ML Models
• Azure ML Workflows
• Scoring und Evaluierung von Models
• Regression Algorithmen
• Neurale Netzwerke

3. Tag

• Classification und Clustering
• Classification Algorithmen
• Clustering Techniken
• k-means Sections
• PCA for anomaly detection
• Verwenden von R und Python mit Azure ML
• Daten mit R untersuchen
• Analyse von Daten mit Python
• Jupyter notebooks

4. Tag

• Initialisierung und Optimierung von ML Models
• Hyper-Parameters
• Kombination von Algorithmen und Models
• Ensembles
• Bereitsstellen von Azure ML Models
• Deployment und Publishing
• Experimiente bereitstellen
• Verwenden von Cognitive Services
• Processing language
• Verarbeiten von Bildern und Videos

5. Tag

• Machine Learning mit HDInsight
• Einführung in HDInsight
• HDInsight Cluster Types
• Verwenden von R Services mit ML
• Überblick R and R Server
• Deployment von DSVM
• Verwenden einer Remote R Sitzung
• R Scripting in T-SQL Statements