Advanced Machine Learning Operations - French

Dans ce cours, vous bénéficierez d'une compréhension complète du cycle de vie du machine learning et du MLOps, en mettant l'accent sur les meilleures pratiques en matière de gestion des données et des modèles, de tests et d'architectures évolutives. Il couvre les composants clés du MLOps, notamment le CI/CD, la gestion des pipelines et la séparation des environnements, tout en présentant les outils Databricks pour l'automatisation et la gestion de l'infrastructure, tels que les Declarative Automation Bundles (DABs), les Lakeflow jobs et le Model Serving. Vous apprendrez les concepts de monitoring, de métriques personnalisées, de détection de dérive, de stratégies de déploiement de modèles, de tests A/B et les principes des systèmes MLOps fiables, offrant une vue globale de la mise en œuvre et de la gestion de projets ML dans Databricks.

Remarque: Databricks Academy passe à un format basé sur des cahiers de travail pour les sessions en présentiel au sein de l'environnement Databricks, et abandonne ainsi l'utilisation de présentations PowerPoint pour les cours magistraux. Vous pouvez accéder aux cahiers de travail des cours dans l'environnement de laboratoire Vocareum.

Skill Level

Professional

Duration

Prerequisites

Dans ce cours, le contenu a été conçu pour des participants disposant des compétences, connaissances et aptitudes suivantes:

• Accès à un Databricks workspace avec des autorisations d'administrateur et une familiarité avec les opérations Databricks de base (créer des clusters, exécuter des notebooks, opérations de base sur les notebooks)

• Expérience intermédiaire avec le contrôle de version Git, notamment la gestion de dépôt et la configuration des Personal Access Token (PAT) pour l'intégration GitHub

• Connaissance de base des workflows CI/CD, des configurations de pipeline et des concepts DevOps pour les processus de déploiement automatisés

• Expérience intermédiaire en programmation avec Python, MLflow pour le suivi et la gestion des modèles, et Unity Catalog pour la Gouvernance des données

• Familiarité avec le cycle de vie du développement de Modèle de machine learning, notamment l'Ingénierie des caractéristiques, l'entraînement des modèles, la validation et les concepts de déploiement

• Expérience avec les interfaces en ligne de commande, notamment l'installation, la configuration et l'authentification du CLI Databricks à l'aide de access tokens personnels

• Compréhension des stratégies de déploiement de modèles, notamment les tests A/B, la distribution du trafic et les concepts d'inférence en temps réel

• Connaissance de base des Lakeflow jobs pour la création de tâches, les dépendances entre tâches et l'orchestration des workflows

Outline

Présentation des opérations de machine learning

• Revue de MLOps

• Rationalisation du développement jusqu'au déploiement

Rationaliser le MLOps avec Databricks

• Rationalisation des MLOps

• Rationaliser le MLOps avec Databricks

• Démo: Création d'un Pipeline CI/CD avec Databricks CLI

• Atelier: Construction d'un pipeline CI/CD avec Databricks CLI

Stratégies de déploiement de modèles avec Databricks

• Automatiser les tests complets

• Démo: Stratégies de test courantes

• Démo: Tests d'intégration avec Lakeflow Jobs

• Stratégies de déploiement de modèles avec Databricks

• Démo: Stratégies de déploiement de modèles avec Databricks AI Model Serving

• Atelier: Stratégies de déploiement avec Lakeflow Jobs

Profilage des données

• Profilage des données

• Démo: Profilage des données Qualité du modèle

• Atelier: Surveillance de la dérive avec le Profilage des données

Créer des ressources ML en tant que code

• Créer des ressources ML en tant que code

• Démo: Utilisation des bundles d'automatisation déclarative

Public Class Registration

If your company has purchased success credits or has a learning subscription, please fill out the Training Request form. Otherwise, you can register below.

Customer registration Partner registration

Private Class Request

If your company is interested in private training, please submit a request.

Request Private Training

See all our registration options

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

Inscrivez-vous maintenant

Instructor-Led

Public and private courses taught by expert instructors across half-day to two-day courses

Inscrivez-vous maintenant

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

Upcoming Public Classes

Databricks Performance Optimization - French

Databricks Performance Optimization enseigne aux ingénieurs et analystes de données comment diagnostiquer, mesurer et corriger les goulots d'étranglement de performance sur la Databricks Data Intelligence Platform, et comment relier les améliorations de performance aux coûts. Le cours suit un workflow axé sur la mesure en priorité et la plateforme en priorité : laisser les optimisations automatiques de la plateforme effectuer le gros du travail, vérifier ce qui a été appliqué à l'aide du Query Profile et des tables système, puis effectuer un réglage manuel si nécessaire.

Les apprenants construisent une base pour mesurer la performance avec Query Profile, Performance Insights et les tables système de l'historique des requêtes. À partir de là, ils explorent les principales techniques d'optimisation, notamment la disposition des données et les tables gérées auto-réglables, le clustering liquide, la mise en cache et les résultats intermédiaires, le shuffle, le skew, le spill, les explosions de lignes, la performance du driver, les UDF Python, le compute serverless, Photon et l'attribution des coûts.

Tout au long du cours, les apprenants explorent des requêtes délibérément lentes sur des données de vente au détail synthétiques et observent comment différentes techniques d'optimisation affectent la performance. Ils utilisent des éléments probants tels que l'élagage de fichiers, le temps d'exécution des tâches, la couverture Photon et les coûts pour évaluer les améliorations. Deux ateliers basés sur des scénarios renforcent le workflow d'optimisation, du diagnostic jusqu'à la validation.

Languages Available: English | 日本語 | Português BR | 한국어

Databricks Data Privacy - French

Ce contenu fournit un guide complet pour la gestion de la confidentialité des données dans Databricks. Il couvre des sujets clés tels que l'architecture Delta Lake, l'isolation régionale des données, la conformité RGPD/CCPA, et l'utilisation du flux de données de changement (CDF). À travers des démonstrations pratiques et des travaux dirigés, les participants apprennent à utiliser les fonctionnalités de Unity Catalog pour sécuriser les données sensibles et assurer la conformité, leur permettant ainsi de protéger efficacement l'intégrité des données.

Languages Available: English | 日本語 | Português BR | 한국어

Advanced Machine Learning with Databricks - French

Ce cours s’adresse aux data scientists et aux praticiens du machine learning et se compose de deux modules de quatre heures.

Machine Learning at Scale

Dans ce cours, vous acquerrez des connaissances théoriques et pratiques sur l'architecture d'Apache Spark et son application aux charges de travail de machine learning dans Databricks. Vous apprendrez quand utiliser Spark pour la préparation des données, l'entraînement des modèles et le déploiement, tout en acquérant une expérience pratique avec Spark ML et les APIs Pandas sur Spark. Ce cours vous introduira à des concepts avancés tels que l'optimisation des hyperparamètres et la mise à l'échelle d'Optuna avec Spark. Ce cours utilisera des fonctionnalités et des concepts introduits dans le cours associé, tels que MLflow et Unity Catalog, pour un packaging et une gouvernance complets des modèles.

Advanced Machine Learning Operations