DevOps Essentials for Data Engineering - French

Ce cours explore les meilleures pratiques d'ingénierie software et les principes DevOps, spécifiquement conçu pour les data engineers travaillant avec Databricks. Les participants développeront des bases solides dans des domaines clés tels que la qualité du code, le contrôle de version, la documentation et les tests. Le cours met l'accent sur le DevOps, en couvrant ses composantes essentielles, ses avantages et le rôle de l'intégration et de la livraison continues (CI/CD) dans l'optimisation des workflows de data engineering.

Vous apprendrez à appliquer les principes de modularité dans PySpark pour créer des composants réutilisables et structurer le code de manière efficace. La mise en pratique comprend la conception et l'implémentation de tests unitaires pour des fonctions PySpark à l'aide du Cadre pytest, suivies de tests d'intégration pour les data pipelines Databricks avec Spark Declarative Pipeline et Jobs afin de garantir leur fiabilité.

Le cours couvre également les opérations Git essentielles dans Databricks, notamment l'utilisation des Databricks Git Folders pour intégrer les pratiques d'intégration continue. Enfin, vous aurez un aperçu de haut niveau des différentes méthodes de déploiement des ressources Databricks, telles que REST API, CLI, SDK et Declarative Automation Bundles (DABs), vous fournissant ainsi les connaissances nécessaires pour déployer et gérer vos pipelines.

À l'issue du cours, vous maîtriserez les meilleures pratiques d'ingénierie software et de DevOps, vous permettant de construire des solutions de data engineering évolutives, maintenables et efficaces.

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

Associate

Duration

Prerequisites

• Connaissance approfondie de la Databricks platform, notamment une expérience avec les Databricks Workspaces, Apache Spark, Delta Lake et la Medallion Architecture, Unity Catalog, Delta Live Tables et les Workflows. Une compréhension de base du contrôle de version Git est également requise.

• Expérience dans l'ingestion et la transformation de données, avec une maîtrise de PySpark pour le traitement des données et les manipulations de DataFrame. De plus, les candidats doivent avoir de l'expérience dans la rédaction de requêtes SQL de niveau intermédiaire pour l'analyse et la transformation des données.

• Connaissance de la programmation Python, avec une maîtrise de l'écriture de code Python de niveau intermédiaire, notamment la capacité à concevoir et à implémenter des fonctions et des classes. Les utilisateurs doivent également être compétents dans la création, l'importation et l'utilisation efficace de packages Python.

Outline

DevOps Essentials for Data Engineering - CI

• Introduction aux bonnes pratiques d'ingénierie software

• Introduction à la modularisation du code PySpark

• Modularisation du code PySpark - OBLIGATOIRE

• Lab - Modulariser le code PySpark

• DevOps Fundamentals

• Le rôle du CI et du CD dans DevOps

• Planification du projet

• Démo - Exploration de la configuration du projet

• Introduction aux tests unitaires pour PySpark

• Démo - Création et exécution de tests unitaires

• Lab - Créer et exécuter des tests unitaires

• Exécution des tests d'intégration avec SDP et Jobs

• Démo - Réalisation de tests d'intégration

• Aperçu du contrôle de version avec Git

• Lab - Contrôle de version avec Databricks Git Folders et GitHub

DevOps Essentials for Data Engineering - CD

• Présentation du déploiement des ressources Databricks

• Démo - Déploiement des ressources Databricks

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

Machine Learning Operations - 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: 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.

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

Machine Learning Model Deployment - French

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.

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

Data Preparation for Machine Learning - French

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.

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