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
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.
Le contenu a été conçu pour des participants disposant des compétences, connaissances et aptitudes suivantes:
• Compréhension de base des concepts DS/ML (p. ex. modèles de classification et de régression), des métriques de modèle courantes (p. ex. F1-score) et des bibliothèques Python (p. ex. scikit-learn et XGBoost).
• Le participant doit disposer d’un niveau intermédiaire sur les concepts traditionnels de machine learning, le développement, ainsi que l’utilisation de Python et de Git pour les projets ML.
• Une expérience de niveau intermédiaire avec Python est recommandée.
• Accès à un workspace Databricks avec des autorisations d’administrateur et familiarité avec les opérations Databricks de base (créer des clusters, exécuter des notebooks, opérations de notebook de base)
• Expérience intermédiaire du contrôle de version Git, y compris la gestion des dépôts et la configuration d’un Personal Access Token (PAT) pour l’intégration GitHub
• Connaissances de base des workflows CI/CD, des configurations de pipeline et des concepts DevOps pour les processus de déploiement automatisé
• Expérience de programmation de niveau intermédiaire 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 de développement des modèles de machine learning, y compris le feature engineering, l’entraînement, la validation et les concepts de déploiement de modèles
• Expérience des interfaces en ligne de commande, en particulier l’installation, la configuration et l’authentification de Databricks CLI à l’aide de personal access tokens
• Compréhension des stratégies de déploiement de modèles, y compris A/B testing, distribution du trafic et concepts d’inférence en temps réel
• Connaissances de base de Lakeflow Jobs pour la création de jobs, les dépendances entre tâches et l’orchestration de workflows
Outline
Machine Learning at Scale
• Développement de modèles avec Spark
• Réglage de modèle avec Optuna sur Spark
• Déploiement de modèles avec Spark
• API Pandas
Advanced Machine Learning Operations
• Présentation des opérations de machine learning
• Rationaliser le MLOps avec Databricks
• Stratégies de déploiement de modèles avec Databricks
• Profilage des données
• Créer des ressources ML en tant que code
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.
Private Class Request
If your company is interested in private training, please submit a request.
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
