Azure Machine Learning Studio Eğitimi

Eğitim Hakkında

Bu eğitim, Azure Machine Learning studio üzerinde makine öğrenmesi projelerini görsel araçlardan kod tabanlı iş akışlarına ve üretim dağıtımına kadar yönetmek isteyen ekipler için tasarlanmış orta düzey bir programdır. Katılımcılar çalışma alanı kurulumu, otomatik ML, Designer, Python SDK v2, yönetilen uç noktalar, MLOps ve Sorumlu YZ panosunu laboratuvarlarda uygular.

Neden Bu Eğitim?

Görselden Koda. Otomatik ML ve Designer ile hızlı başlayıp aynı çalışma alanında SDK v2 ile tam kontrollü akışlara geçin.

Microsoft Entegrasyonu. Entra ID, Key Vault, Azure DevOps, GitHub ve Power BI ile kurumsal ekosisteme uyumlu çözümler kurun.

Sorumlu YZ Araçları. Hata analizi, adillik ve açıklanabilirlik bileşenleriyle modellerinizi yayından önce kapsamlı sınayın.

“Makine öğrenmesinde kalıcı başarı, modeli tekrarlanabilir üreten, şeffafça açıklayan ve üretimde sürekli izleyen ekiplerin eseridir.”

Ön Koşullar

Temel Python — Python ve pandas ile veri okuma, dönüştürme ve basit analiz yapabilmek.
Makine Öğrenmesi — Sınıflandırma, regresyon, eğitim-test ayrımı ve temel metrik kavramlarını bilmek.
Azure Aboneliği — Azure ML çalışma alanı oluşturma yetkisi ve işlem kotası tanımlı bir abonelik veya eğitim ortamı.
Azure Temelleri — Kaynak grubu, depolama hesabı ve rol tabanlı erişim (RBAC) kavramlarına temel aşinalık.

Eğitim İçeriği

Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.

Günün hedefiAzure Machine Learning çalışma alanını ve bileşenlerini kavramak, veri ve işlem kaynaklarını yapılandırmak, otomatik ML ve Designer ile ilk modelleri geliştirmek.

Modül 1

Azure Machine Learning Mimarisi

Azure ML çalışma alanı ve bağlı Azure kaynakları
Studio arayüzü: işler, varlıklar, uç noktalar, bileşenler
Azure ML ile Azure AI Foundry arasındaki konumlanma
Rol tabanlı erişim ve yönetilen kimlik (managed identity)
Maliyet yapısı: işlem saatleri, depolama ve kotalar
Demo: Çalışma alanı oluşturma ve studio turu

Modül 2

İşlem Kaynakları ve Veri Varlıkları

İşlem örneği, işlem kümesi ve sunucusuz işlem seçenekleri
Otomatik kapatma ve düşük öncelikli VM ile tasarruf
Veri depoları (datastores) ve Blob, ADLS Gen2 bağlantısı
Veri varlıkları: uri_file, uri_folder ve mltable türleri
Veri sürümleme ve veri profili inceleme
Laboratuvar: Satış verisini veri varlığı olarak kaydetme

Modül 3

Otomatik ML ile Hızlı Model Geliştirme

Otomatik ML görev türleri: sınıflandırma, regresyon, tahmin
Özellik ayarları, doğrulama türü ve birincil metrik seçimi
Sonuç modellerinde açıklama ve metrik grafikleri
Zaman serisi tahmini: ufuk, gecikme ve pencere ayarları
En iyi modeli kaydetme ve kodunu dışa aktarma
Laboratuvar: Otomatik ML ile talep tahmini modeli

Modül 4

Designer ile Görsel Akış Tasarımı

Designer tuvali, hazır bileşenler ve özel bileşenler
Veri temizleme, özellik seçimi ve eğitim adımları
Modeli puanlama ve değerlendirme bileşenleriyle karşılaştırma
Görsel akışı yeniden kullanılabilir pipeline işine dönüştürme
Laboratuvar: Designer ile müşteri kaybı sınıflandırması
Günün değerlendirmesi ve kod tabanlı akış gününe köprü

Günün hedefiPython SDK v2 ve CLI v2 ile eğitim işleri ve bileşenler oluşturmak, MLflow ile deneyleri izlemek, modeli kaydedip yönetilen uç noktalara güvenle dağıtmak.

Modül 1

SDK v2 ve CLI v2 ile Eğitim İşleri

MLClient ile çalışma alanına kimlik doğrulamalı bağlantı
Komut işi (command job): kod, girdi, işlem ve ortam
Hazır ve özel ortamlar: conda dosyası ve Docker imajı
az ml CLI v2 ve YAML iş tanımlarıyla tekrarlanabilirlik
İş günlükleri, çıktılar ve hata ayıklama
Laboratuvar: scikit-learn eğitim betiğini iş olarak çalıştırma

Modül 2

MLflow ile Deney Takibi ve Model Kaydı

Azure ML'in MLflow izleme sunucusu olarak kullanımı
mlflow.autolog ile parametre ve metrik kaydı
Çalıştırmaları karşılaştırma ve en iyi modeli seçme
Model kaydı: sürüm, etiket ve MLflow model formatı
Registries ile modeli çalışma alanları arasında paylaşma
Laboratuvar: Deneyleri izleyip modeli kayda alma

Modül 3

Hiperparametre Ayarı ve Pipeline Bileşenleri

Süpürme işi (sweep job): örnekleme yöntemleri
Erken sonlandırma politikaları: Bandit ve Median Stopping
Yeniden kullanılabilir bileşenler ve YAML tanımları
Pipeline işleriyle hazırlama, eğitim ve değerlendirme
Pipeline zamanlama ve veri değişiminde tetikleme
Laboratuvar: Üç adımlı eğitim pipeline'ı oluşturma

Modül 4

Yönetilen Uç Noktalar ile Dağıtım

Yönetilen çevrimiçi uç noktalar ve dağıtım kavramı
Puanlama betiği (score.py) ve kodsuz MLflow dağıtımı
Mavi-yeşil dağıtım ve trafik bölüştürme
Toplu uç noktalar (batch endpoints) ile büyük veri puanlama
Anahtar ve Entra ID tabanlı uç nokta kimlik doğrulaması
Laboratuvar: Modeli çevrimiçi uç noktaya alıp test etme

Günün hedefiGitHub Actions veya Azure DevOps ile MLOps akışı kurmak, üretimdeki modeli izlemek, Sorumlu YZ panosuyla modeli sınamak ve uçtan uca proje ile öğrenilenleri birleştirmek.

Modül 1

CI/CD ile Makine Öğrenmesi Operasyonları

MLOps olgunluk modeli ve ortam ayrımı stratejisi
GitHub Actions ile eğitim ve dağıtım iş akışları
Azure DevOps Pipelines ile alternatif akış tasarımı
Bicep veya Terraform ile çalışma alanını kodla kurma
Model onay kapıları ve üretime terfi süreçleri
Demo: Git değişikliğiyle tetiklenen yeniden eğitim

Modül 2

Güvenlik ve Üretim İzleme

Yönetilen sanal ağ, özel uç noktalar ve ağ yalıtımı
Azure Key Vault ile gizli bilgi ve bağlantı yönetimi
Model izleme: veri kayması ve tahmin kayması sinyalleri
Application Insights ve Azure Monitor ile uç nokta izleme
Uyarı eşikleri ve yeniden eğitim tetikleme tasarımı
Laboratuvar: Çevrimiçi uç nokta için izleme yapılandırma

Modül 3

Sorumlu YZ Panosu ve Prompt Flow

Sorumlu YZ panosu: hata analizi ve model genel bakışı
Fairlearn tabanlı adillik değerlendirmesi
InterpretML ile açıklanabilirlik ve karşı olgusal analiz
Sorumlu YZ karnesi (scorecard) ile paydaş raporlama
Prompt flow ile LLM akışı tasarımı ve değerlendirmesi
Laboratuvar: Kredi modeli için Sorumlu YZ analizi

Modül 4

Uçtan Uca Proje ve Kapanış

Grup projesi: veri varlığı, pipeline, dağıtım ve izleme
Proje sunumları, mimari ve kod incelemesi
Kurumsal Azure ML yönetişim ve maliyet kontrol listesi
Eğitim değerlendirmesi ve interaktif Soru-Cevap
Sertifika takdimi ve laboratuvar not defterlerinin teslimi
Microsoft sertifika yolları ve ileri öğrenme kaynakları

Eğitim Kazanımları

Çalışma Alanı Yönetimi — Azure ML çalışma alanını, işlem kaynaklarını ve veri varlıklarını güvenli ve maliyet bilinçli yapılandırabileceksiniz.
Otomatik ML — Otomatik ML ile sınıflandırma, regresyon ve zaman serisi modellerini hızla geliştirip karşılaştırabileceksiniz.
Görsel Tasarım — Designer ile kod yazmadan veri hazırlama ve model eğitimi akışları tasarlayıp pipeline'a dönüştürebileceksiniz.
SDK v2 Yetkinliği — Python SDK v2 ve CLI v2 ile tekrarlanabilir eğitim işleri, süpürme işleri ve pipeline'lar oluşturabileceksiniz.
Deney Takibi — MLflow ile deneyleri izleyecek, modelleri sürümleyerek kayda alacak ve ekipler arasında paylaşabileceksiniz.
Güvenli Dağıtım — Yönetilen çevrimiçi ve toplu uç noktalarla modelleri mavi-yeşil stratejiyle üretime alabileceksiniz.
MLOps ve İzleme — GitHub Actions veya Azure DevOps ile CI/CD akışı kurup üretimdeki model kaymasını izleyebileceksiniz.
Sorumlu YZ — Sorumlu YZ panosuyla hata, adillik ve açıklanabilirlik analizleri yapıp paydaşlara raporlayacaksınız.

Kimler İçin Uygundur?

Microsoft Azure kullanan kurumların veri bilimcileri
veri analistleri
makine öğrenmesi mühendisleri
Power BI ve veri platformu ekipleri ile MLOps sorumluları.

Sıkça Sorulan Sorular

Azure Machine Learning Studio Eğitimi kimler için uygundur?

Program; Microsoft Azure kullanan kurumların veri bilimcileri, veri analistleri, makine öğrenmesi mühendisleri, veri platformu ekipleri ve MLOps sorumluları için tasarlanmıştır.

Eğitim ne kadar sürer ve nasıl yapılandırılmıştır?

Eğitim 3 tam gün ve 12 modülden oluşur. İlk gün çalışma alanı, otomatik ML ve Designer; ikinci gün SDK v2 ile eğitim, MLflow ve dağıtım; üçüncü gün MLOps, izleme, Sorumlu YZ ve proje işlenir.

Kodlama bilmeyen analistler eğitimden yararlanabilir mi?

İlk gün otomatik ML ve Designer ile büyük ölçüde görsel araçlarla ilerler. İkinci ve üçüncü günlerdeki SDK v2 ve MLOps bölümleri için temel Python bilgisi gereklidir.

Eğitimde Azure AI Foundry ve prompt flow konuları da işleniyor mu?

Evet. Azure ML ile Azure AI Foundry arasındaki konumlanma açıklanır ve prompt flow ile LLM akışı tasarımı ile değerlendirmesine giriş yapılır. Programın ana odağı ise klasik makine öğrenmesi yaşam döngüsüdür.

Eğitim sonunda sertifika veriliyor mu?

Evet. Programı tamamlayan katılımcılar Digital Vizyon Akademi sertifikası alır ve laboratuvar not defterlerini kurum içinde kullanmak üzere teslim alır. İçerik Microsoft Azure veri bilimi sertifika konularıyla da örtüşür.

Sertifikalandırma

Bu eğitim Katılım Sertifikası ile tamamlanır.

Eğitim başında “Ön Test”, bitiminde “Son Test” uygulanarak gelişim ölçümlenir. Değerlendirme formunu dolduran katılımcılar sertifikalarını alır. Sertifikanızın geçerliliğini Sertifika Sorgulama sayfasından doğrulayabilirsiniz.

Örnek Sertifika

AZURE MACHINE LEARNING STUDIO EĞİTİMİ

Eğitim Hakkında

Neden Bu Eğitim?

Ön Koşullar

Eğitim İçeriği

Azure Machine Learning Mimarisi

İşlem Kaynakları ve Veri Varlıkları

Otomatik ML ile Hızlı Model Geliştirme

Designer ile Görsel Akış Tasarımı

SDK v2 ve CLI v2 ile Eğitim İşleri

MLflow ile Deney Takibi ve Model Kaydı

Hiperparametre Ayarı ve Pipeline Bileşenleri

Yönetilen Uç Noktalar ile Dağıtım

CI/CD ile Makine Öğrenmesi Operasyonları

Güvenlik ve Üretim İzleme

Sorumlu YZ Panosu ve Prompt Flow

Uçtan Uca Proje ve Kapanış

Eğitim Kazanımları

Kimler İçin Uygundur?

Sıkça Sorulan Sorular

Sertifikalandırma

Eğitim Bilgileri

Benzer Programlar

Yapay Zeka Güvenliğine Giriş Eğitimi

Yapay Zeka Kurumsal Strateji Yönetimi Eğitimi

Yapay Zeka Küresel Yönetişim Çerçeveleri Eğitimi