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.

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

Skill Level

Associate

Duration

Prerequisites

Le contenu a été développé pour des participants possédant les compétences/connaissances/aptitudes suivantes:

• Familiarité avec la Databricks Data Intelligence Platform et les opérations de base dans le workspace (créer des clusters, exécuter du code dans des notebooks, utiliser les opérations de base des notebooks, importer des dépôts depuis Git)

• Expérience de programmation intermédiaire en Python, notamment avec les bibliothèques de manipulation de données (Pandas, NumPy) et l'utilisation des APIs (databricks-sdk, endpoints REST)

• Connaissance de base de MLflow pour le suivi des expériences, la journalisation des modèles, les opérations du Registre des modèles et la gestion des versions de modèles

• Compréhension des fondamentaux du machine learning, notamment l'entraînement des modèles, l'évaluation, l'inférence batch et les concepts de déploiement en temps réel

• Expérience intermédiaire avec Unity Catalog pour la Gouvernance des données et la gestion du registre des modèles

• Familiarité de base avec les concepts d'Ingénierie des caractéristiques, notamment les tables de fonctionnalités, les recherches de fonctionnalités et les feature stores hors ligne et en ligne

• Compréhension des opérations Delta Lake (créer des tables, effectuer des mises à jour, optimiser les fichiers et le clustering liquide) et des techniques d'optimisation du stockage des données

• Connaissance de base d'Apache Spark et de PySpark pour le traitement distribué des données et les fonctions définies par l'utilisateur (UDF)

Outline

Principes fondamentaux du déploiement de modèles

• Stratégies de déploiement de modèles

• Déploiement de modèles avec MLflow

Déploiement Batch

• Introduction au déploiement Batch

• Démo: Déploiement batch

• Laboratoire: Déploiement Batch

Déploiement de Pipeline

• Introduction au déploiement de Pipeline

• Démo: Déploiement de Pipeline

Déploiement en temps réel et magasins en ligne

• Introduction au déploiement en temps réel

• Databricks Model Serving

• Démo: Déploiement en temps réel avec Model Serving

• Démo: Déploiement de modèles personnalisés avec Model Serving

• Laboratoire: Déploiement en temps réel avec Model Serving

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

Apache Spark Programming with Databricks - French

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

Monitoring and Optimizing Apache Spark Workloads on Databricks - French

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 | 한국어