Agent Evaluation on Databricks - Spanish

Este curso está diseñado para presentar tres estrategias principales de despliegue de machine learning e ilustrar la implementación de cada estrategia en Databricks. Tras explorar los fundamentos del despliegue de modelos, el curso profundiza en la inferencia Batch, ofreciendo demostraciones prácticas y laboratorios para utilizar un modelo en escenarios de inferencia Batch, junto con consideraciones para la optimización del rendimiento. La segunda parte del curso cubre de manera exhaustiva el despliegue de Pipeline, mientras que el segmento final se centra en el despliegue en tiempo real. Los participantes realizarán demostraciones prácticas y laboratorios, desplegando modelos con Model Serving y utilizando el endpoint de servicio para inferencia en tiempo real.

Nota: para los archivos de lección SCORM, asegúrese de cerrar la ventana de SCORM después de completar el contenido. No haga clic en el botón "Next Lesson", ya que hacerlo podría impedir que el módulo SCORM se marque como completado.

Databricks Performance Optimization enseña a los ingenieros y analistas de datos cómo diagnosticar, medir y corregir cuellos de botella de rendimiento en la Plataforma de Inteligencia de Datos de Databricks, y cómo vincular las mejoras de rendimiento con los costos. El curso sigue un Flujo de trabajo que prioriza la medición y la plataforma: se permite que las optimizaciones automáticas de la plataforma realicen el trabajo pesado, se verifica lo que se aplicó mediante Query Profile y las tablas del sistema, y luego se ajusta manualmente donde sea necesario.

Los participantes construyen una base para medir el rendimiento con Query Profile, Performance Insights y las tablas del sistema del historial de consultas. A partir de ahí, exploran técnicas clave de optimización, entre ellas el diseño de datos y las tablas administradas con autoajuste, liquid clustering, el almacenamiento en caché y los resultados intermedios, el shuffle, el skew, el spill, las explosiones de filas, el rendimiento del driver, los Python UDFs, el serverless compute, Photon y la atribución de costos.

A lo largo del curso, los participantes analizan consultas deliberadamente lentas sobre datos sintéticos de comercio minorista y observan cómo las distintas técnicas de optimización afectan el rendimiento. Utilizan evidencia como la poda de archivos, el tiempo de ejecución de tareas, la cobertura de Photon y los costos para evaluar las mejoras. Dos laboratorios basados en escenarios refuerzan el Flujo de trabajo de optimización desde el diagnóstico hasta la validación.

Nota: En el caso de los archivos de clase SCORM, asegúrese de cerrar la ventana de SCORM después de completar el contenido. No haga clic en el botón «Siguiente lección», ya que esto podría impedir que el módulo SCORM se marque como completado.

Este curso se centra en los fundamentos de la preparación de datos para machine learning utilizando Databricks. Los participantes aprenderán habilidades esenciales para explorar, limpiar y organizar datos adaptados para aplicaciones tradicionales de machine learning. Los temas clave incluyen visualización de datos, ingeniería de características y estrategias óptimas de almacenamiento de características. A través de ejercicios prácticos, los participantes adquirirán experiencia práctica en la preparación eficiente de conjuntos de datos para machine learning dentro de Databricks. Este curso está diseñado para Científicos de datos de nivel asociado y profesionales de machine learning, así como para personas que buscan mejorar su competencia en la preparación de datos, garantizando una base sólida para el despliegue exitosamente de Modelos de machine learning.

Nota:

1. Este es el primer curso de la serie «Machine Learning con Databricks».

2. En el caso de los archivos de clase SCORM, asegúrese de cerrar la ventana de SCORM después de completar el contenido. No haga clic en el botón «Siguiente lección», ya que esto podría impedir que el módulo SCORM se marque como completado.