Feature Engineering at Scale - French
Dans ce cours, vous acquerrez une compréhension approfondie de la façon de concevoir, mettre à l'échelle et opérationnaliser des pipelines d'Ingénierie des caractéristiques de bout en bout sur la plateforme Databricks. Le programme est structuré en trois modules progressifs : maîtriser les fondamentaux de l'exécution distribuée et de l'optimisation de Spark, implémenter l'Ingestion de données évolutive avec Auto Loader et des pipelines LakeFlow déclaratifs, et progresser vers un MLOps de niveau production avec le Databricks Feature Store.
Vous bénéficierez d'expériences d'apprentissage pratiques telles que le débogage des performances de Spark avec le Catalyst Optimizer et le Spark UI, la construction d'architectures médaillon Bronze-Argent-gold robustes avec des contrôles de qualité automatisés, et l'implémentation de transformations de fonctionnalités évolutives à l'aide de SparkML. Le cours se conclut par le déploiement d'un service de fonctionnalités en temps réel via des Online Feature Stores, la définition de FeatureSpecs avec des transformations à la demande, et l'application de la gouvernance et du suivi de la traçabilité des données avec Unity Catalog.
À la fin du cours, vous serez en mesure de gérer le cycle de vie complet des fonctionnalités pour le machine learning à l'échelle entreprise — en concevant des pipelines performants, fiables, gouvernés et prêts pour la production.
Remarque : Pour les fichiers de cours SCORM, veillez à 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.
Le contenu a été conçu pour des participants possédant les compétences, connaissances et aptitudes suivantes :
1. Avoir suivi le cours « Introduction to Apache Spark » ou posséder des connaissances fondamentales équivalentes de Spark, notamment les transformations de données de base et Spark SQL.
* Les apprenants doivent être à l'aise avec le rôle de Spark dans le traitement distribué des données. Ce cours s'appuiera sur ces bases pour expliquer comment Spark permet des Workflows de machine learning évolutifs.
2. Maîtrise intermédiaire de la programmation Python, notamment pour la manipulation de données à l'aide de bibliothèques telles que `pandas`, `numpy` ou `scikit-learn`.
3. Compréhension intermédiaire des Workflows de machine learning traditionnels, incluant l'entraînement des modèles, l'évaluation et l'optimisation des hyperparamètres.
4. Familiarité avec la Databricks platform et les Workflows.
* Les apprenants sont vivement encouragés à suivre le cours Databricks Machine Learning Associate avant ce cours. Ce cours suppose une connaissance du développement ML à l'aide de l'environnement Databricks.
Self-Paced
Custom-fit learning paths for data, analytics, and AI roles and career paths through on-demand videos
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
