Machine Learning Model Development - French
Ce cours complet offre un guide pratique pour développer des modèles de machine learning traditionnels sur Databricks, en mettant l'accent sur des démonstrations pratiques et des workflows utilisant les bibliothèques de ML les plus courantes. Les participants exploreront des techniques de ML essentielles, notamment la régression et le clustering, tout en tirant parti des puissantes capacités de Databricks. Le cours couvre l'intégration de MLflow pour le suivi des modèles, le Databricks Feature Store pour la gestion des features, et Optuna pour l'optimisation des hyperparamètres. Les participants apprendront en outre à accélérer le développement de modèles avec Genie Code, l'assistant de codage IA de Databricks qui utilise le langage naturel, des connexions MCP, des instructions et des compétences pour guider l'ensemble du cycle de vie du ML. À la fin du cours, les apprenants disposeront de compétences pratiques et concrètes pour développer, optimiser et déployer efficacement des modèles de machine learning dans l'environnement Databricks.
Au minimum, vous devriez être familiarisé avec les éléments suivants avant d'aborder ce contenu :
• Familiarité avec la Databricks Data Intelligence Platform et les opérations de base du workspace (créer des clusters, exécuter du code dans des notebooks, utiliser les opérations de base des notebooks, importer des repos depuis git)
• Expérience de programmation intermédiaire en Python, y compris les bibliothèques de manipulation de données (pandas, numpy) et l'utilisation d'API (databricks-sdk, points de terminaison REST)
• Connaissances de base de MLflow pour le suivi des expériences, la journalisation des modèles, les opérations de registre de modèles et le versionnage des modèles
• Compréhension des principes fondamentaux du machine learning, notamment l'entraînement des modèles, l'évaluation, l'inférence par lots et les concepts de déploiement en temps réel
• Expérience intermédiaire d'Unity Catalog pour la gouvernance des données et la gestion du registre de modèles
• Familiarité de base avec les concepts de Feature Engineering, notamment les tables de features, les recherches de features 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
• Connaissances de base d'Apache Spark et de PySpark pour le traitement distribué des données et les fonctions définies par l'utilisateur (UDF)
Outline
Workflow de développement de modèles
• Développement de modèles et MLflow
• Évaluation des performances du modèle
Optimisation des hyperparamètres
• Principes fondamentaux de l'optimisation des hyperparamètres
• Optimisation des hyperparamètres avec Optuna
Machine Learning agentique
• Introduction à Genie Code
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.
Private Class Request
If your company is interested in private training, please submit a request.
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
