Developing Applications with Apache Spark - French

Ce cours accessible aux débutants couvre les fondamentaux d'Apache Spark pour le traitement de données à grande échelle. Vous explorerez l'architecture distribuée de Spark, maîtriserez l'API DataFrame et apprendrez à lire, écrire et traiter des données avec Python. Grâce à des exercices pratiques, vous développerez les compétences nécessaires pour exécuter efficacement des transformations et des actions Spark.

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.

Languages Available: English | 日本語 | 한국어

Bienvenue dans Machine Learning with Databricks !

Ce cours est votre porte d'entrée vers la maîtrise des workflows de machine learning sur Databricks. Plongez dans la préparation des données, le développement de modèles, le déploiement et les opérations, guidé par des instructeurs experts. Apprenez les compétences essentielles pour l'exploration des données, l'entraînement des modèles et les stratégies de déploiement adaptées à Databricks. À la fin du cours, vous disposerez des connaissances et de la confiance nécessaires pour naviguer dans l'ensemble du cycle de vie du machine learning sur la plateforme Databricks, ce qui vous permettra de créer et de déployer efficacement des solutions de machine learning robustes.

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.

Data Preparation for Machine Learning

Ce cours se concentre sur les fondamentaux de la préparation des données pour le machine learning avec Databricks. Les participants acquerront les compétences essentielles pour explorer, nettoyer et organiser les données en vue d'applications de machine learning traditionnelles. Les sujets clés comprennent la visualisation des données, l'Ingénierie des caractéristiques et les stratégies optimales de stockage des fonctionnalités. Grâce à des exercices pratiques, les participants acquerront une expérience concrète dans la préparation efficace de jeux de données pour le machine learning au sein de Databricks. Ce cours est conçu pour les data scientists de niveau associé et les praticiens du machine learning, ainsi que pour les personnes souhaitant renforcer leurs compétences en préparation des données, garantissant ainsi une base solide pour le déploiement Réussi d'un Modèle de machine learning.

Machine Learning Model Development

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

Machine Learning Model Deployment

Ce cours est conçu pour présenter trois stratégies principales de déploiement de machine learning et illustrer la mise en œuvre de chacune de ces stratégies sur Databricks. Après une exploration des fondamentaux du déploiement de modèles, le cours aborde le batch inference, en proposant des démonstrations pratiques et des travaux dirigés pour l'utilisation d'un modèle dans des scénarios de batch inference, ainsi que des considérations relatives à l'optimisation des performance. La deuxième partie du cours couvre de manière exhaustive le déploiement de pipeline, tandis que le dernier segment se concentre sur le déploiement en temps réel. Les participants s'engageront dans des démonstrations pratiques et des travaux dirigés, en déployant des modèles avec Model Serving et en utilisant le serving endpoint pour l'inférence en temps réel.

Machine Learning Operations

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.

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

Dans ce cours, vous apprendrez à implémenter la Gouvernance des données à grande échelle sur Databricks à l'aide de Unity Catalog, en mettant l'accent sur le contrôle d'accès basé sur les attributs, l'observabilité et le partage fédéré. Vous configurerez l'ABAC avec des tags gouvernés, migrerez depuis des contrôles affinés hérités, activerez et utiliserez les tables système pour l'audit et le monitoring des coûts, déploierez le monitoring de la qualité des données pour la qualité des données et des modèles, interpréterez la traçabilité des données pour l'impact et la conformité, et appliquerez la gouvernance fédérée et les modèles Delta Sharing pour une collaboration sécurisée entre clouds.

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.