Suite

Supprimer le projet ArcGIS créé à l'aide d'ArcGIS Pro ?

Supprimer le projet ArcGIS créé à l'aide d'ArcGIS Pro ?


J'ai supprimé quelques projets ArcGIS, créés à l'aide d'ArcGIS Pro, en utilisant l'Explorateur Windows pour supprimer le dossier qui les contient.

Cependant, je pensais que, tant que le projet (pas le projet en cours) n'était pas déjà ouvert ailleurs, il aurait peut-être été possible d'utiliser le volet Projet pour le supprimer.

J'ai ajouté une connexion de dossier dans le volet Projet à un dossier au-dessus du projet que je voulais supprimer, mais lorsque j'ai cliqué avec le bouton droit sur le projet, aucune option de suppression n'est proposée (et appuyer sur la touche Suppr alors qu'elle est en surbrillance ne fait rien non plus).

La méthode recommandée pour supprimer un projet ArcGIS (créé à l'aide d'ArcGIS Pro) consiste-t-elle simplement à utiliser l'Explorateur Windows pour supprimer son dossier ?

Certaines recherches et résultats après avoir posé cette question apparaissent ci-dessous.

Lorsque j'ai essayé d'utiliser l'outil Supprimer du volet Géotraitement pour supprimer un projet (pas celui ouvert, ni celui qui avait été utilisé dans la session, mais celui qui pouvait être facilement supprimé de l'Explorateur Windows après la fermeture d'ArcGIS Pro), il en a résulté une erreur:

ERREUR 000464 : impossible d'obtenir le verrouillage de schéma exclusif. Soit en cours d'édition, soit en cours d'utilisation par une autre application. Échec de l'exécution (Supprimer).

L'autre complication est que l'utilisation de l'Explorateur Windows fonctionne très bien pour supprimer un projet pour lequel un dossier a été créé mais, lorsque cette case n'est pas cochée au moment de la création du projet, les parties du projet peuvent être placées dans un dossier existant parmi de nombreux autres fichiers et sous-dossiers. J'ai pensé qu'il pourrait y avoir quelque chose qui utiliserait le *.aprx pour identifier et supprimer ses parties de projet.

Je ne comprends pas encore le cas d'utilisation pour lequel vous voudriez laisser cette case décochée et potentiellement avoir plusieurs projets "flottants" dans un seul dossier. Jusqu'à ce que je le fasse, je recommanderai de toujours laisser la case cochée et de supprimer les dossiers de projet à l'aide de l'Explorateur Windows.


Si vous devez le faire dans le code, utilisez Shutil.rmtree. La gestion des fichiers est le travail du gestionnaire de fichiers/bibliothèque standard.


Erreurs de publication 00216 et 00230

Lorsque j'essaie de publier une carte, je reçois deux erreurs. Le premier est une carte 00216 qui ne contient pas de fond de carte . C'est facile à corriger et j'en ajoute un, mais il en résulte qu'une couche de service 00230 a une projection différente de celle des cartes. Je peux supprimer la couche de carte de base car c'est celle qui utilise une projection différente, mais je reviens à la première erreur. Pourquoi nos couches doivent-elles correspondre au système de coordonnées de projection WGS 1984 du fond de carte. Y a-t-il un moyen de contourner ceci?

par MarkBockenhauer

Vous pouvez créer un service de tuiles vectorielles dans le système de coordonnées de votre choix à utiliser comme fond de carte.

Choisissez les données dans le système de coordonnées dont vous avez besoin et définissez le système de coordonnées du fond de carte pour qu'il corresponde.

puis partagez cette couche en tant que couche Web au format de tuile vectorielle.

Ajoutez ensuite ce service à votre fond de carte et supprimez les données source d'origine.

Cela vous donnera un fond de carte à utiliser dans le système de coordonnées souhaité.

Ajoutez une couche opérationnelle à votre MapView et sélectionnez le fond de carte qui utilise la couche de tuiles vectorielles que vous avez créée. Définissez le système de coordonnées de votre carte pour qu'il corresponde au fond de carte.

Lorsque vous partagez cela en tant que carte Web, aucune erreur sur le système de coordonnées ou le fond de carte.


Vignette d'un point - ArcGIS Pro

J'ai un fichier .csv que j'ai affiché en tant que données XY sur la carte, à l'aide de l'outil Table à point XY d'Arc Pro. Il y a 40 points.

J'ai 40 .png de graphiques qui correspondent à chaque point. J'aimerais pouvoir sélectionner un point et afficher une vignette du graphique dans la fenêtre contextuelle. Est-ce possible?

et j'ai essayé d'aller dans l'onglet Affichage -> en important la vignette, mais cela n'a abouti à aucun succès.

Une réponse

Dans ArcGIS Pro, un Miniature fait référence à la petite image qui apparaît dans les métadonnées de l'élément dans le catalogue et, si elle est publiée, dans la page de contenu de l'élément d'un portail.

A partir de votre description, vous souhaitez inclure vos images dans la pop-up du point. Il y a plusieurs façons de le faire.

1. Chemin du fichier dans l'image contextuelle

Condition : la couche de points doit avoir un attribut qui correspond aux noms de vos fichiers image.

Cliquez avec le bouton droit sur le calque dans le Contenu panneau, puis sélectionnez Configurer les fenêtres contextuelles. À partir de là, vous pouvez choisir d'inclure une image dans la fenêtre contextuelle. Modifiez l'élément d'image et vous verrez un URL champ de texte. Ce champ peut prendre un attribut par fonctionnalité ainsi que du texte statique. Vous entreriez quelque chose comme ceci :

Cela fonctionne aussi bien pour les images hébergées en ligne et peut également suivre des chemins de fichiers relatifs. Cela a l'avantage d'être rapide et facile, mais vous gérez ensuite un dossier de fichiers séparé et vous devrez conserver l'attribut de nom de fichier et les noms de fichiers réels synchronisés manuellement.

2. Pièces jointes

Condition : la couche de points doit se trouver dans une géodatabase quelconque.

Exécutez le Activer les pièces jointes Outil GP, trouvé dans le Gestion de données boîte à outils. Cela ajoute une table de pièce jointe et une relation à la géodatabase afin que vos fichiers puissent être liés à des entités individuelles dans votre couche.

Une fois que vous avez activé les pièces jointes, un Pièces jointes onglet sera disponible dans le Les attributs panneau, où vous pouvez ajouter/supprimer des fichiers pour chaque point.

Par défaut, toutes les pièces jointes de type=image sont incluses dans la fenêtre contextuelle.

L'inconvénient évident ici est que les images doivent être ajoutées à vos fonctionnalités une par une, mais l'avantage est que vos données se trouvent toutes au même endroit et que vous n'avez pas besoin de conserver un dossier ou un attribut de nom de fichier séparé.


Éditeur de numéros spéciaux

Depuis les années 1970, les progrès de la télédétection des surfaces terrestres ont révélé l'omniprésence et la portée mondiale du brûlage de la végétation. L'observation de la Terre par satellite fournit des données essentielles pour la pyrogéographie, l'étude des modèles spatiaux et spatio-temporels de l'activité des incendies et leur relation avec le climat, la végétation, la topographie et les sources d'inflammation. Pour ce numéro spécial, nous invitons les soumissions qui abordent des sujets tels que : 1) la contribution des récents satellites d'observation de la Terre à la pyrogéographie 2) l'utilisation d'ensembles de données à long terme pour une caractérisation robuste des modèles d'activité des incendies à l'échelle du paysage et à l'échelle mondiale 3) l'utilisation des données de télédétection sur les incendies dans les modèles de végétation dynamique activés par le feu 4) modélisation empirique des relations entre les données de télédétection sur les incendies et les principaux facteurs environnementaux et socioculturels 5) développements dans le traitement des données de télédétection pour la pyrogéographie mondiale 6) nouveaux développements à distance ensembles de données détectés 7) tendances spatio-temporelles du brûlage de la végétation.

Prof. Dr. José Miguel Cardoso Pereira
Éditeur invité

Informations sur la soumission du manuscrit

Les manuscrits doivent être soumis en ligne sur www.mdpi.com en s'inscrivant et en se connectant à ce site Web. Une fois inscrit, cliquez ici pour accéder au formulaire de soumission. Les manuscrits peuvent être soumis jusqu'à la date limite. Tous les articles seront évalués par des pairs. Les articles acceptés seront publiés en continu dans la revue (dès leur acceptation) et seront répertoriés ensemble sur le site Web du numéro spécial. Des articles de recherche, des articles de synthèse ainsi que de courtes communications sont invités. Pour les articles prévus, un titre et un court résumé (environ 100 mots) peuvent être envoyés au bureau éditorial pour annonce sur ce site.

Les manuscrits soumis ne doivent pas avoir été publiés auparavant, ni être à l'étude pour publication ailleurs (à l'exception des actes de conférence). Tous les manuscrits sont soumis à une évaluation approfondie par le biais d'un processus d'examen par les pairs en simple aveugle. Un guide pour les auteurs et d'autres informations pertinentes pour la soumission de manuscrits sont disponibles sur la page Instructions pour les auteurs. Télédétection est une revue bimensuelle internationale à comité de lecture en libre accès publiée par MDPI.

Veuillez visiter la page Instructions pour les auteurs avant de soumettre un manuscrit. Les frais de traitement des articles (APC) pour la publication dans cette revue en libre accès sont de 2400 CHF (francs suisses). Les articles soumis doivent être bien formatés et utiliser un bon anglais. Les auteurs peuvent utiliser le service d'édition en anglais de MDPI avant la publication ou pendant les révisions d'auteur.


Supprimer le projet ArcGIS créé à l'aide d'ArcGIS Pro ? - Systèmes d'information géographique

1 donateur

Utilisateurs ayant contribué à ce fichier

Introduction à la machine virtuelle Azure Data Science

Les data scientists utilisent souvent de nombreux outils pour faire leur travail. Microsoft Azure fournit des images de machine virtuelle (VM) préconfigurées spécialement conçues pour le travail de science des données. Ces machines sont préinstallées avec les outils et frameworks de science des données les plus populaires. Bien que la plupart des logiciels populaires de science des données soient préinstallés, vous pouvez facilement installer tout logiciel supplémentaire dont vous avez besoin.

Il existe actuellement deux types différents de DSVM Azure : les DSVM Windows et les DSVM Linux. Azure propose une version Windows Server 2016 et Windows Server 2012. Les DSVM Linux proposent les versions Ubuntu 16.04 LTS et CentOS 7.4.

Vous avez des machines créées spécifiquement pour certaines tâches, comme par exemple le deep learning. Le Deep Learning DSVM est préconfiguré et préinstallé avec bon nombre de ces outils. La formation de modèles d'apprentissage en profondeur est intensive en termes de calcul. Pour de meilleures performances d'entraînement de modèle, sélectionnez une machine basée sur un GPU haute vitesse, ce qui accélérera considérablement l'entraînement de modèle de machine.

De plus, le DSVM possède des capacités d'analyse optimisées pour les données géospatiales et de localisation. Il intègre le système d'information géographique ArcGIS Pro à la machine virtuelle pour prendre en charge les questions avancées d'IA basées sur la géographie.

Expérimenter et évaluer sur un DSVM

Vous pouvez utiliser la DSVM pour en savoir plus sur des outils et des sujets tels que :

  • Serveur d'apprentissage automatique Microsoft
  • serveur SQL
  • Outils Microsoft Visual Studio
  • Carnets Jupyter
  • Outils d'apprentissage en profondeur
  • Boîtes à outils d'apprentissage automatique populaires
  • Autres nouveaux outils populaires dans la communauté

Étant donné que la DSVM peut être configurée rapidement, vous pouvez l'appliquer dans des scénarios d'utilisation à court terme tels que la réplication d'expériences publiées, l'exécution de démonstrations, le suivi de procédures pas à pas dans des sessions en ligne et la réalisation de didacticiels. De nombreux exemples de scripts et de données sont fournis pour montrer comment utiliser divers produits Microsoft prenant en charge la science des données et l'apprentissage automatique, tels que SQL Server, Machine Learning Server, le service Azure Machine Learning et Microsoft Cognitive Services.

Voici un aperçu de ce qui peut être fait dans un DSVM.

Vous pouvez toujours accéder à votre machine virtuelle à partir du portail Azure. Puisque nous avons créé une machine virtuelle Windows, nous utiliserons l'approche RDP (Remote Desktop Protocol). Si nous avions créé une DSVM Linux, nous utiliserions un outil Secure Shell (SSH).


Questions réelles de l'examen Microsoft DP-100

Vous développez un atelier pratique pour présenter Docker pour Windows aux participants.
Vous devez vous assurer que les participants à l'atelier peuvent installer Docker sur leurs appareils.
Quels sont les deux composants prérequis que les participants doivent installer sur les appareils ? Chaque bonne réponse présente une partie de la solution.
REMARQUE : chaque bonne sélection vaut un point.

  • A. Outil de détection de virtualisation assistée par matériel Microsoft
  • B. Kitématique
  • C. Virtualisation compatible BIOS
  • D. VirtualBox
  • E. Windows 10 64 bits Professionnel

Bonne réponse: CE
C : Assurez-vous que votre système Windows prend en charge la technologie de virtualisation matérielle et que la virtualisation est activée.
Assurez-vous que la prise en charge de la virtualisation matérielle est activée dans les paramètres du BIOS. Par exemple:

E : Pour exécuter Docker, votre machine doit disposer d'un système d'exploitation 64 bits exécutant Windows 7 ou supérieur.
Référence:
https://docs.docker.com/toolbox/toolbox_install_windows/
https://blogs.technet.microsoft.com/canitpro/2015/09/08/step-by-step-enabling-hyper-v-for-use-on-windows-10/

Votre équipe construit un environnement de développement d'ingénierie et de science des données.
L'environnement doit prendre en charge les exigences suivantes :
prend en charge Python et Scala
composez les services de stockage, de déplacement et de traitement des données dans des pipelines de données automatisés
✑ le même outil doit être utilisé pour l'orchestration à la fois de l'ingénierie des données et de la science des données
✑ prend en charge l'isolation des charges de travail et les charges de travail interactives
✑ permettre la mise à l'échelle sur un cluster de machines
Vous devez créer l'environnement.
Que devrais tu faire?

  • A. Créez l'environnement dans Apache Hive pour HDInsight et utilisez Azure Data Factory pour l'orchestration.
  • B. Créez l'environnement dans Azure Databricks et utilisez Azure Data Factory pour l'orchestration.
  • C. Créez l'environnement dans Apache Spark pour HDInsight et utilisez Azure Container Instances pour l'orchestration.
  • D. Créez l'environnement dans Azure Databricks et utilisez Azure Container Instances pour l'orchestration.

Bonne réponse: B
Dans Azure Databricks, nous pouvons créer deux types de clusters différents.
Standard, ce sont les clusters par défaut et peuvent être utilisés avec Python, R, Scala et SQL
✑ Haute simultanéité
Azure Databricks est entièrement intégré à Azure Data Factory.
Réponses incorrectes :
D : Azure Container Instances est idéal pour le développement ou les tests. Ne convient pas aux charges de travail de production.
Référence:
https://docs.microsoft.com/en-us/azure/architecture/data-guide/technology-choices/data-science-and-machine-learning

GLISSER DÉPOSER -
Vous construisez une solution intelligente à l'aide de modèles d'apprentissage automatique.
L'environnement doit prendre en charge les exigences suivantes :
✑ Les data scientists doivent créer des notebooks dans un environnement cloud
✑ Les scientifiques des données doivent utiliser l'ingénierie automatique des fonctionnalités et la construction de modèles dans les pipelines d'apprentissage automatique.
✑ Les notebooks doivent être déployés pour se recycler à l'aide d'instances Spark avec allocation dynamique de nœuds de calcul.
✑ Les notebooks doivent être exportables pour être contrôlés en version localement.
Vous devez créer l'environnement.
Quelles quatre actions devez-vous effectuer dans l'ordre ? Pour répondre, déplacez les actions appropriées de la liste des actions vers la zone de réponse et organisez-les dans le bon ordre.
Sélectionnez et placez :

Bonne réponse:
Étape 1 : créer un cluster Azure HDInsight pour inclure la bibliothèque Apache Spark Mlib
Étape 2 : Installer Microsot Machine Learning pour Apache Spark
Vous installez AzureML sur votre cluster Azure HDInsight.
Microsoft Machine Learning pour Apache Spark (MMLSpark) fournit un certain nombre d'outils d'apprentissage en profondeur et de science des données pour Apache Spark, y compris l'intégration transparente des pipelines Spark Machine Learning avec Microsoft Cognitive Toolkit (CNTK) et OpenCV, vous permettant de créer rapidement des modèles prédictifs et analytiques évolutifs pour les grands ensembles de données d'images et de texte.
Étape 3 : Créer et exécuter les notebooks Zeppelin sur le cluster
Étape 4 : Lorsque le cluster est prêt, exportez les blocs-notes Zeppelin vers un environnement local.
Les blocs-notes doivent être exportables pour être contrôlés en version localement.
Référence:
https://docs.microsoft.com/en-us/azure/hdinsight/spark/apache-spark-zeppelin-notebook https://azuremlbuild.blob.core.windows.net/pysparkapi/intro.html

Vous envisagez de créer un environnement de science des données d'équipe. Les données pour les modèles d'entraînement dans les pipelines d'apprentissage automatique auront une taille supérieure à 20 Go.
Vous avez les exigences suivantes :
✑ Les modèles doivent être construits à l'aide des frameworks Caffe2 ou Chainer.
✑ Les scientifiques des données doivent pouvoir utiliser un environnement de science des données pour créer des pipelines d'apprentissage automatique et entraîner des modèles sur leurs appareils personnels dans des environnements réseau connectés et déconnectés.
Les appareils personnels doivent prendre en charge la mise à jour des pipelines de machine learning lorsqu'ils sont connectés à un réseau.
Vous devez sélectionner un environnement de science des données.
Quel environnement utiliser ?

  • A. Service d'apprentissage automatique Azure
  • B. Azure Machine Learning Studio
  • C. Azure Databricks
  • D. Azure Kubernetes Service (AKS)

Bonne réponse: UNE
La machine virtuelle de science des données (DSVM) est une image de machine virtuelle personnalisée sur le cloud Azure de Microsoft spécialement conçue pour la science des données. Caffe2 et Chainer sont pris en charge par DSVM.
DSVM s'intègre à Azure Machine Learning.
Réponses incorrectes :
B : Utilisez Machine Learning Studio lorsque vous souhaitez expérimenter rapidement et facilement des modèles d'apprentissage automatique, et que les algorithmes d'apprentissage automatique intégrés sont suffisants pour vos solutions.
Référence:
https://docs.microsoft.com/en-us/azure/machine-learning/data-science-virtual-machine/overview

Vous mettez en œuvre un modèle d'apprentissage automatique pour prédire les cours des actions.
Le modèle utilise une base de données PostgreSQL et nécessite un traitement GPU.
Vous devez créer une machine virtuelle préconfigurée avec les outils requis.
Que devrais tu faire?


Carte OpenDRIVE

les outils prennent en charge OpenDRIVE et plusieurs outils prennent en charge la création de cartes au format OpenDRIVE, tels que Trian3D Builder1. L'un des principaux avantages d'OpenDRIVE est l'assurance d'un échange transparent de modèles entre différents simulateurs. , et explorez les objets de la scène. Réseau OpenDRIVE. La visionneuse dispose d'une fonctionnalité de recherche et d'un outil intégré qui exécute une suite de validations sur les données OpenDRIVE créant des liens qui identifient l'emplacement des problèmes potentiels. Pour générer base_map.xml, vous devez d'abord disposer d'une donnée HDMap, puis convertir le format au format Apollo OpenDrive. De plus, la spécification Apollo OpenDrive a modifié et étendu la spécification OpenDrive standard, donc si nécessaire, vous pouvez nous envoyer un e-mail pour obtenir la spécification Apollo OpenDrive. selwart12 a commenté le 8 mars 201 Importer des routes OpenDRIVE dans un scénario de conduite OpenDRIVE ® est un format de fichier ouvert qui vous permet de spécifier des réseaux routiers vastes et complexes. À l'aide de l'application Driving Scenario Designer, vous pouvez importer des routes et des voies à partir d'un fichier OpenDRIVE dans un scénario de conduite. Pour exporter une carte sous forme d'images (PNG, SVG, PDF), veuillez vous référer à la page Rendu. Pour un aperçu beaucoup plus général, consultez le Guide d'exportation. Pour la conversion entre différents formats de fichiers OSM (y compris la modification ou le filtrage), voir formats de fichiers OSM#Conversion entre différents formats de données de carte osm

OpenStreetMap est une carte du monde, créée par des gens comme vous et libre d'utilisation sous licence ouverte. L'hébergement est pris en charge par l'UCL, Bytemark Hosting et d'autres partenaires OpenDRIVE est une spécification de format ouvert pour décrire la logique d'un réseau routier, son objectif est de standardiser la description logique de la route pour faciliter l'échange de données entre les différents simulateurs de conduite OpenStreetMap au format de carte Opendrive. Poser une question Posée il y a 2 ans et 4 mois. Actif il y a 5 jours. Vu 2k fois 2. J'essaie de générer des fichiers opendrive (xodr) à partir des données OpenStreetMap. OpenStreetMap fournit des nœuds et des chemins. Dans opendrive, je dois calculer la longueur des routes, l'angle de cap, les coordonnées inertielles x et y et les enregistrements de géométrie pour les routes. En ce moment, j'utilise osmnx.

Un outil pour générer des cartes OpenDRIVE à partir de - GitHu

  1. Affichez les attributs des fonctionnalités OpenDRIVE. Depuis l'outil OpenDRIVE Viewer, sélectionnez les voies et autres objets dans la fenêtre d'édition 3D pour afficher leurs attributs dans le panneau Attributs. Basculez l'affichage de la géométrie de la scène 3D. Depuis l'outil OpenDRIVE Viewer (ou n'importe quel outil), sélectionnez l'option View > Scene dans la barre de menus ou appuyez sur la touche F8.
  2. OpenDRIVE.xodr- Informations sur le réseau routier dont les voitures ont besoin pour circuler sur la carte. Il est possible de modifier une carte CARLA existante, consultez le tutoriel de personnalisation de carte. Les étapes suivantes présenteront le logiciel RoadRunner pour la création de cartes. créé par d'autres logiciels, allez dans cette section
  3. Comment ouvrir et modifier une carte OpenDRIVE dans ArcGIS Pro ? édition arcgis-desktop arcgis-pro. partager | améliorer cette question | suivre | édité le 13 décembre 20 à 10h20. PolyGeo ♦ 61.1k 18 18 badges or 94 94 badges argent 288 288 badges bronze. a demandé le 12 décembre 20 à 21h42. r1d1 r1d1. 101 1 1 insigne en bronze. Qu'entendez-vous par une carte OpenDRIVE ? Essayez-vous peut-être de créer une carte dans un projet s
  4. Carte OpenDRIVE. Cet exemple utilise le format de carte open source populaire OpenDRIVE : il est particulièrement adapté à une utilisation en simulation et pris en charge par un nombre croissant d'outils de simulation
  5. OpenDrive est une application qui vous permet de stocker des fichiers dans le cloud pour faciliter le partage et la synchronisation entre les ordinateurs. Vous pourrez ouvrir, modifier et enregistrer des fichiers à partir de n'importe quel ordinateur en toute confiance et sécurité. Une fois que vous avez installé l'application sur votre ordinateur, un disque dur virtuel apparaîtra dans « Mon ordinateur »

OpenRoadEd est une application simple conçue pour créer à la fois logique (standard OpenDRIVE) et géométrique (OpenSceneGraph) Un éditeur de carte est inclus, afin de créer une feuille de route personnalisée 1 Revue. Téléchargements : 5 cette semaine Dernière mise à jour : 2013-04-02 Voir le projet. 4. Chaîne. Éditeur de piste pour le jeu de course d'arcade Turbo Sliders. L'éditeur de piste permet à l'utilisateur de dessiner des segments de route à l'aide de Bézier. Melden Sie sich bei OneDrive mit Ihrem Microsoft- oder Office 365-Konto an


Dernières pensées

Les informations sur l'empreinte des bâtiments générées de cette manière pourraient être utilisées pour documenter la distribution spatiale des établissements, permettant aux chercheurs de quantifier les tendances de l'urbanisation et peut-être l'impact du changement climatique sur le développement, comme la migration climatique. Les techniques ici peuvent être appliquées dans de nombreuses situations différentes et nous espérons que cet exemple concret servira de guide pour résoudre votre problème spécifique.

Une autre bonne nouvelle pour ceux qui traitent des données géospatiales est qu'Azure propose déjà une machine virtuelle de science des données d'intelligence artificielle géo (Geo-DSVM), équipée du système d'information géographique ESRI ArcGIS Pro. Nous avons également créé un didacticiel sur l'utilisation de Geo-DSVM pour former des modèles d'apprentissage en profondeur et les intégrer à ArcGIS Pro pour vous aider à démarrer.

Enfin, si votre organisation travaille sur des solutions pour relever les défis environnementaux en utilisant les données et l'apprentissage automatique, nous vous encourageons à postuler pour une subvention AI for Earth afin que vous puissiez être mieux soutenu dans l'exploitation des ressources Azure et faire partie de cette communauté déterminée.

Reconnaissance

Je tiens à remercier Victor Liang, ingénieur logiciel chez Microsoft, qui a travaillé avec moi sur la version originale de ce projet dans le cadre du cours pour Stanford&rsquos CS231n au printemps 2018, et Wee Hyong Tok, principal Data Scientist Manager chez Microsoft pour son aide dans rédaction de cet article de blog.


Formation et application du modèle

L'exemple de code contient une procédure pas à pas pour exécuter le pipeline de formation et d'évaluation sur un DLVM. Les résultats de segmentation suivants sont produits par le modèle à différentes époques pendant l'apprentissage pour la paire image d'entrée et étiquette illustrée ci-dessus. Cette image présente des bâtiments avec des toits de différentes couleurs, des routes, des trottoirs, des arbres et des cours. Nous observons qu'initialement le réseau apprend à identifier les bords des blocs de construction et les bâtiments avec des toits rouges (différents de la couleur des routes), suivis des bâtiments de toutes les couleurs de toit après l'époque 5. Après l'époque 7, le réseau a appris que les pixels des bâtiments sont entourés de pixels de bordure, les séparant des pixels de route. Après l'époque 10, des amas plus petits et bruyants de pixels de bâtiment commencent à disparaître à mesure que la forme des bâtiments devient plus définie.

Une dernière étape consiste à produire les polygones en attribuant tous les pixels prévus pour être limite du bâtiment comme Contexte pour isoler des gouttes de pixels de construction. Les gouttes de pixels de bâtiments connectés sont ensuite décrites au format polygone, sous réserve d'un seuil minimal de surface de polygone, un paramètre que vous pouvez régler pour réduire les propositions faussement positives.


DP-100 Concevoir et mettre en œuvre une solution de science des données sur Azure

QUESTION 1
Vous développez un atelier pratique pour présenter Docker pour Windows aux participants. Vous devez vous assurer que les participants à l'atelier peuvent installer Docker sur leurs appareils. Quels sont les deux composants prérequis que les participants doivent installer sur les appareils ? Chaque bonne réponse présente une partie de la solution. REMARQUE : chaque bonne sélection vaut un point.

A. Outil de détection de virtualisation assistée par matériel Microsoft
B. Kitématique
C. Virtualisation compatible BIOS.
D. VirtualBox
E. Windows 10 64 bits Professionnel

Bonne réponse : CE

Explication:
C : Assurez-vous que votre système Windows prend en charge la technologie de virtualisation matérielle et que la virtualisation est activée. Assurez-vous que la prise en charge de la virtualisation matérielle est activée dans les paramètres du BIOS. Par exemple:

E : Pour exécuter Docker, votre machine doit disposer d'un système d'exploitation 64 bits exécutant Windows 7 ou supérieur.

QUESTION 2
Votre équipe construit un environnement de développement d'ingénierie et de science des données. L'environnement doit prendre en charge les exigences suivantes :

  • prend en charge Python et Scala
  • composer des services de stockage, de déplacement et de traitement de données dans des pipelines de données automatisés
  • le même outil doit être utilisé pour l'orchestration à la fois de l'ingénierie des données et de la science des données
  • prendre en charge l'isolation des charges de travail et les charges de travail interactives
  • permettre l'évolutivité sur un cluster de machines

Vous devez créer l'environnement.

A. Créez l'environnement dans Apache Hive pour HDInsight et utilisez Azure Data Factory pour l'orchestration.
B. Créez l'environnement dans Azure Databricks et utilisez Azure Data Factory pour l'orchestration.
C. Créez l'environnement dans Apache Spark pour HDInsight et utilisez Azure Container Instances pour l'orchestration.
D. Créez l'environnement dans Azure Databricks et utilisez Azure Container Instances pour l'orchestration.

Bonne réponse : B

Explication : Dans Azure Databricks, nous pouvons créer deux types de clusters différents. Standard, ce sont les clusters par défaut et peuvent être utilisés avec Python, R, Scala et SQLHigh-concurrencyAzure Databricks est entièrement intégré à Azure Data Factory.

Réponses incorrectes : D : Les instances de conteneur Azure sont bonnes pour le développement ou les tests. Ne convient pas aux charges de travail de production.

QUESTION 3
GLISSER DÉPOSER
Vous construisez une solution intelligente à l'aide de modèles d'apprentissage automatique. L'environnement doit prendre en charge les exigences suivantes :

  • Les data scientists doivent créer des notebooks dans un environnement cloud
  • Les scientifiques des données doivent utiliser l'ingénierie automatique des fonctionnalités et la construction de modèles dans les pipelines d'apprentissage automatique.
  • Les blocs-notes doivent être déployés pour se recycler à l'aide d'instances Spark avec allocation dynamique de nœuds de calcul.
  • Les blocs-notes doivent être exportables pour être contrôlés en version localement.

Vous devez créer l'environnement. Quelles quatre actions devez-vous effectuer dans l'ordre ? Pour répondre, déplacez les actions appropriées de la liste des actions vers la zone de réponse et organisez-les dans le bon ordre.

Explication:
Étape 1 : créer un cluster Azure HDInsight pour inclure la bibliothèque Apache Spark Mlib
Étape 2 : installer Microsoft Machine Learning pour Apache SparkVous installez AzureML sur votre cluster Azure HDInsight. Microsoft Machine Learning pour Apache Spark (MMLSpark) fournit un certain nombre d'outils d'apprentissage en profondeur et de science des données pour Apache Spark, y compris l'intégration transparente des pipelines Spark Machine Learning avec Microsoft Cognitive Toolkit (CNTK) et OpenCV, vous permettant de créer rapidement des modèles prédictifs et analytiques évolutifs pour les grands ensembles de données d'images et de texte.
Étape 3 : Créer et exécuter les notebooks Zeppelin sur le cluster
Étape 4 : Lorsque le cluster est prêt, exportez les blocs-notes Zeppelin vers un environnement local. Les blocs-notes doivent être exportables pour être contrôlés en version localement.

QUESTION 4
Vous envisagez de créer un environnement de science des données d'équipe. Les données pour les modèles d'entraînement dans les pipelines d'apprentissage automatique auront une taille supérieure à 20 Go. Vous avez les exigences suivantes : Les modèles doivent être construits à l'aide des frameworks Caffe2 ou Chainer. Les scientifiques des données doivent pouvoir utiliser un environnement de science des données pour créer les pipelines d'apprentissage automatique et entraîner des modèles sur leurs appareils personnels dans des environnements réseau connectés et déconnectés. Les appareils personnels doivent prendre en charge la mise à jour des pipelines de machine learning lorsqu'ils sont connectés à un réseau. Vous devez sélectionner un environnement de science des données. Quel environnement utiliser ?

A. Service d'apprentissage automatique Azure
B. Azure Machine Learning Studio
C. Azure Databricks
D. Azure Kubernetes Service (AKS)

Bonne réponse : A

Explication : La machine virtuelle de science des données (DSVM) est une image de machine virtuelle personnalisée sur le cloud Azure de Microsoft, conçue spécifiquement pour la science des données. Caffe2 et Chainer sont pris en charge par DSVM. DSVM s'intègre à Azure Machine Learning.

Réponses incorrectes : B : utilisez Machine Learning Studio lorsque vous souhaitez expérimenter rapidement et facilement des modèles d'apprentissage automatique, et que les algorithmes d'apprentissage automatique intégrés sont suffisants pour vos solutions.

QUESTION 5
Vous mettez en œuvre un modèle d'apprentissage automatique pour prédire les cours des actions.

Le modèle utilise une base de données PostgreSQL et nécessite un traitement GPU. Vous devez créer une machine virtuelle préconfigurée avec les outils requis. Que devrais tu faire?

A. Créez une édition Windows d'une machine virtuelle de science des données (DSVM).
B. Créez une édition Windows de la machine virtuelle Geo Al Data Science (Geo-DSVM).
C. Créer une édition Linux Deep Learning Virtual Machine (DLVM).
D. Créez une édition Windows de la machine virtuelle d'apprentissage en profondeur (DLVM).

Bonne réponse : A

Explication : Dans le DSVM, vos modèles de formation peuvent utiliser des algorithmes d'apprentissage en profondeur sur du matériel basé sur des unités de traitement graphique (GPU). PostgreSQL est disponible pour les systèmes d'exploitation suivants : Linux (toutes les distributions récentes), installateurs 64 bits disponibles pour macOS (OS X) version 10.6 et plus récent – ​​Windows (avec des programmes d'installation disponibles pour la version 64 bits testée sur les dernières versions et retour à Windows 2012 R2.

Réponses incorrectes :
B : La machine virtuelle Azure Geo AI Data Science (Geo-DSVM) offre des capacités d'analyse géospatiale à partir de la machine virtuelle Data Science de Microsoft. Plus précisément, cette machine virtuelle étend les boîtes à outils d'IA et de science des données dans la machine virtuelle de science des données en ajoutant le système d'information géographique ArcGIS Pro leader sur le marché d'ESRI.
C, D : DLVM est un modèle au-dessus de l'image DSVM. En ce qui concerne les packages, les pilotes GPU, etc. sont tous présents dans l'image DSVM. C'est principalement pour des raisons de commodité lors de la création où nous autorisons uniquement la création de DLVM sur des instances de VM GPU sur Azure.