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: 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.

Skill Level

Associate

Duration

Prerequisites

Dans ce cours, le contenu a été élaboré pour des participants possédant les compétences, connaissances et 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)

Self-Paced

Custom-fit learning paths for data, analytics, and AI roles and career paths through on-demand videos

Customer registration Partner registration

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

Advanced Machine Learning Operations - French

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.

Free

Professional

Data Engineer

Databricks Data Privacy - French

Ce contenu fournit un guide complet pour la gestion de la confidentialité des données dans Databricks. Il couvre des clés sujets tels que l'architecture Delta Lake, l'isolation des données par région, la conformité RGPD/CCPA, et l'utilisation du flux de données de changement (CDF). À travers des démonstrations pratiques et des travaux en laboratoire, les participants apprennent à utiliser les fonctionnalités de Unity Catalog pour sécuriser les données sensibles et garantir la conformité, leur permettant ainsi de préserver efficacement l'Intégrité des données.

Remarque :

1. Databricks Academy passe des cours vidéo à un format PDF plus rationalisé, avec des diapositives et des notes, pour tous les cours en autoformation. Veuillez noter que les vidéos de démonstration resteront disponibles dans leur format d’origine. Nous aimerions connaître votre avis sur ce changement ; veuillez donc partager vos commentaires via l’enquête du cours à la fin. Merci de faire partie de notre communauté d’apprentissage !

2. Ce cours est le deuxième de la série « Advanced Data Engineering with Databricks ».

Languages Available: English | 日本語 | Português BR | 한국어 | Français | Español | 普通话

Free

Professional

Machine Learning Practitioner

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.

Remarque :

1. Il s’agit du premier cours de la série « Machine Learning avec Databricks ».

2. 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.

Free

Associate