Machine Learning at Scale - 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.

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.

Ce cours d'introduction constitue un point de départ approprié pour apprendre le Data Engineering avec Databricks.

Ci-dessous, nous décrivons chacun des quatre modules de quatre heures inclus dans ce cours.

Remarque : pour les quatre modules suivants, Databricks Academy adopte progressivement un format basé sur des notebooks pour les sessions en salle de classe au sein de l'environnement Databricks, abandonnant l'utilisation de diaporamas pour les cours. Vous pouvez accéder aux notebooks de cours dans l'environnement de lab Vocareum.

Introduction to Apache Spark

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.

Developing Applications with Apache Spark

Maîtrisez le traitement de données à grande échelle avec Apache Spark dans ce cours. Apprenez à construire des pipelines ETL efficaces, à effectuer des analyses de données avancées et à optimiser les transformations de données distribuées à l'aide de l'API DataFrame de Spark. Explorez le regroupement, l'agrégation, les jointures, les opérations sur les ensembles et les fonctions de fenêtrage. Travaillez avec des types de données complexes tels que les tableaux, les maps et les structs, tout en appliquant les meilleures pratiques d'optimisation des performances.

Stream Processing and Analysis with Apache Spark

Ce cours guide les apprenants sur la manière de développer des applications de traitement de stream évolutives et tolérantes aux pannes en utilisant l'API Spark Structured Streaming sur Databricks.

Monitoring and Optimizing Apache Spark Workloads on Databricks

Ce cours couvre les composants essentiels de la plateforme Databricks et Apache Spark avec Delta Lake, en mettant l'accent sur l'architecture Lakehouse, Unity Catalog et les techniques de Gestion des données telles que les Transactions ACID et la maintenance des tables. De plus, il enseigne aux étudiants comment Optimiser la performance des requêtes grâce au partitionnement, aux shuffles et aux outils de réglage, tout en utilisant le Spark UI pour surveiller les applications et résoudre les goulots d'étranglement.

Languages Available: English | 日本語 | 한국어