Agent Evaluation on Databricks - French

Ce cours guidera les participants à travers une exploration complète des opérations de Modèle de machine learning, en mettant l'accent sur le MLOps et la gestion du cycle de vie des modèles. La première partie couvre les composants essentiels du MLOps et les meilleures pratiques, offrant aux participants une base solide pour opérationnaliser efficacement les Modèles de machine learning. Dans la seconde partie du cours, nous aborderons les fondamentaux du cycle de vie des modèles, en démontrant comment le parcourir de manière fluide en utilisant le Model Registry conjointement avec Unity Catalog pour une gestion efficace des modèles. À la conclusion du cours, les participants auront acquis des DNT pratiques ainsi qu'une compréhension approfondie des principes du MLOps, dotés des compétences nécessaires pour naviguer dans le paysage complexe des opérations de Modèle de machine learning.

Remarque: pour les fichiers de cours SCORM, veillez à fermer la fenêtre SCORM une fois le contenu terminé. Ne cliquez pas sur le bouton « Next Lesson », car cela pourrait empêcher le module SCORM d'être marqué comme terminé.

Ce cours couvre le cycle de vie de bout en bout pour le déploiement et le monitoring d'agents d'IA générative sur Databricks. Les participants apprendront à déployer des agents en tant que Databricks Apps à l'aide de Declarative Automation Bundles (DABs), à intégrer des outils via le Model Context Protocol (MCP), à instrumenter des agents avec MLflow Tracing, et à évaluer la qualité en production à l'aide de scorers, de juges multi-tours et d'une évaluation en ligne. Grâce à des démonstrations pratiques et des travaux dirigés, les participants acquerront une expérience concrète dans la création, l'observation et le monitoring d'agents IA de niveau production sur la plateforme Databricks.

Remarque : pour les fichiers de cours SCORM, veuillez fermer la fenêtre SCORM après avoir terminé le contenu. Ne cliquez pas sur le bouton « Leçon suivante », car cela pourrait empêcher le module SCORM d’être marqué comme terminé.

Ce cours complet fournit un guide pratique pour développer des modèles de machine learning traditionnels sur Databricks, en mettant l'accent sur des démonstrations concrètes et des workflows utilisant des bibliothèques ML populaires. Les participants exploreront des techniques ML clés, notamment la régression et le clustering, tout en tirant parti des puissantes fonctionnalités de Databricks. Le cours couvre l'intégration de MLflow pour le suivi des modèles, le Feature Store de Databricks pour la gestion des fonctionnalités, ainsi qu'Optuna pour l'optimisation des hyperparamètres. De plus, les participants apprendront à accélérer le développement de modèles avec Génie Code, l'assistant de codage alimenté par l'IA de Databricks, qui utilise le langage naturel, les connexions MCP, les instructions et les compétences pour guider l'ensemble du cycle de vie ML. À la fin du cours, les apprenants disposeront de compétences pratiques et concrètes pour développer, optimiser et déployer des modèles de machine learning efficacement dans l'environnement Databricks.

Remarque: pour les fichiers de cours SCORM, veillez à fermer la fenêtre SCORM une fois le contenu terminé. Ne cliquez pas sur le bouton « Next Lesson », car cela pourrait empêcher le module SCORM d'être marqué comme terminé.