Feature Engineering at Scale - Portuguese BR
Neste curso, você obterá uma compreensão abrangente de como projetar, escalar e operacionalizar pipelines de Engenharia de Recursos de ponta a ponta na plataforma Databricks. O currículo está estruturado em três módulos progressivos: dominar os fundamentos da execução distribuída e da otimização do Spark, implementar ingestão de dados escalável com Auto Loader e pipelines LakeFlow declarativos, e avançar para MLOps de nível de produção com o Databricks Feature Store.
Você participará de experiências de aprendizado práticas, como depuração de desempenho do Spark com o otimizador Catalyst e o Spark UI, construção de arquiteturas medallion Bronze-Prata-Ouro robustas com verificações de qualidade automatizadas, e implementação de transformações de recursos escaláveis usando SparkML. O curso culmina na implantação de serviço de recursos em tempo real por meio de Online Feature Stores, na definição de FeatureSpecs com transformações sob demanda e na aplicação de governança e acompanhamento de linhagem com o Unity Catalog.
Ao final do curso, você estará preparado para gerenciar o ciclo de vida completo de recursos para machine learning em escala empresarial — projetando pipelines que sejam eficientes, confiáveis, governados e prontos para produção.
Observação: Para arquivos de aula SCORM, certifique-se de fechar a janela do SCORM após concluir o conteúdo. Não clique no botão ‘Próxima lição’, pois isso pode impedir que o módulo SCORM seja marcado como concluído.
O conteúdo foi desenvolvido para participantes com as seguintes habilidades, conhecimentos e competências:
1. Concluiu o curso "Introduction to Apache Spark" ou possui conhecimento equivalente sobre Spark, incluindo transformações básicas de dados e Spark SQL.
* Os alunos devem estar familiarizados com o papel do Spark no processamento distribuído de dados. Este curso se baseará nessa fundação para explicar como o Spark viabiliza workflows de machine learning escaláveis.
2. Proficiência intermediária em programação Python, especialmente para manipulação de dados utilizando bibliotecas como `pandas`, `numpy` ou `scikit-learn`.
3. Compreensão intermediária de workflows tradicionais de machine learning, incluindo treinamento de modelos, avaliação e ajuste de hiperparâmetros.
4. Familiaridade com a Databricks platform e Workflows.
* Os alunos são fortemente encorajados a concluir o curso Databricks Machine Learning Associate deste curso. Este curso pressupõe conhecimento de desenvolvimento de ML utilizando o ambiente Databricks.
Self-Paced
Custom-fit learning paths for data, analytics, and AI roles and career paths through on-demand videos
Registration options
Databricks has a delivery method for wherever you are on your learning journey
Self-Paced
Custom-fit learning paths for data, analytics, and AI roles and career paths through on-demand videos
Registre-se agora
Instructor-Led
Public and private courses taught by expert instructors across half-day to two-day courses
Registre-se agora
Blended Learning
Self-paced and weekly instructor-led sessions for every style of learner to optimize course completion and knowledge retention. Go to Subscriptions Catalog tab to purchase
Purchase now
Skills@Scale
Comprehensive training offering for large scale customers that includes learning elements for every style of learning. Inquire with your account executive for details
