Machine Learning Model Development - French

Ce cours complet fournit un guide pratique pour développer des modèles de machine learning traditionnels sur Databricks, en mettant l'accent sur des démonstrations concrètes et des workflows utilisant des bibliothèques ML populaires. Les participants exploreront des techniques ML clés, notamment la régression et le clustering, tout en tirant parti des puissantes fonctionnalités de Databricks. Le cours couvre l'intégration de MLflow pour le suivi des modèles, le Feature Store de Databricks pour la gestion des fonctionnalités, ainsi qu'Optuna pour l'optimisation des hyperparamètres. De plus, les participants apprendront à accélérer le développement de modèles avec Génie Code, l'assistant de codage alimenté par l'IA de Databricks, qui utilise le langage naturel, les connexions MCP, les instructions et les compétences pour guider l'ensemble du cycle de vie ML. À la fin du cours, les apprenants disposeront de compétences pratiques et concrètes pour développer, optimiser et déployer des modèles de machine learning efficacement dans l'environnement Databricks.

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 (UDFs)

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

AI Engineer

Building RAG Agents with Agent Bricks - French

Ce cours propose un entraînement pratique pour la création d'agents de récupération sur Databricks. Les participants apprendront à créer des Genie Agents pour les données non structurées, à effectuer la récupération d'information avec Lakebase Search, à analyser et transformer des documents non structurés en données structurées à l'aide d'AI Functions, à segmenter du TEXT pour la récupération sémantique, et à créer des index AI Search avec plusieurs modes de recherche.

Remarque : Pour les fichiers de cours SCORM, veuillez vous assurer de 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.

Advanced Techniques with Apache Spark Declarative Pipelines - French

Ce cours explore les Pipeline déclaratifs Apache Spark (SDP) de Databricks pour la création de pipelines streaming de qualité production. Vous apprendrez des modèles de conception avancés, une application robuste de la qualité des données et une intégration multiplateforme essentiels pour l'ingénierie lakehouse en conditions réelles.

Tout au long du cours, vous plongerez dans les techniques modernes d'Ingestion de données et de traitement, en maîtrisant des outils tels que le clustering liquide pour l'optimisation de la Disposition et le modèle de streaming Multiplex pour les événements à schémas mixtes. À la fin des modules, vous saurez gérer en toute confiance l'évolution du schéma, automatiser le change data capture (CDC) et garantir l'Intégrité des données.

À travers des cours magistraux et des démonstrations pratiques, vous allez :

• Construire des pipelines multi-flux pour ingérer des données multi-sources dans une table Bronze unifiée.

• Appliquer le clustering liquide et les attentes de qualité des données sur les couches Argent et gold.

• Implémenter le modèle Multiplex avec Iceberg UniForm pour un accès aux données multiplateforme.

• Automatiser le suivi de l'historique SCD de type 2 à l'aide d'AUTO CDC INTO.

• Concevoir des pipelines de quarantaine sans perte de données pour auditer et gérer les enregistrements non valides.

Remarque :

Ce cours est le premier de la série 'Advanced Data Engineering with Databricks'.Pour les fichiers de cours SCORM, veuillez fermer la fenêtre SCORM après avoir terminé le contenu. Ne cliquez pas sur le bouton ‘Next Lesson’, car cela pourrait empêcher le module SCORM d’être marqué comme terminé.

Paid & Subscription

Lab

Professional

Model Development at Scale - French

Dans ce cours, vous apprendrez à concevoir et à mettre en œuvre des workflows machine learning qui passent d'une seule machine à un compute distribué sur Databricks. Le programme est organisé en trois modules : les fondements du développement de modèles (quand et pourquoi distribuer, et comment Spark exécute les tâches), le développement de modèles à grande échelle avec Spark ML et MLflow, et l'entraînement distribué de modèles avec Ray et PyTorch — en terminant par un cadre permettant de choisir le bon outil pour un workload donné.

À travers des démonstrations pratiques et des travaux dirigés, vous construirez des Pipelines ML Spark distribués à l'aide de Transformers, d'Estimators et du paradigme fit/transform ; vous effectuerez la mise à l'échelle de code Pandas existant avec l'API Pandas sur Spark ; et vous suivrez, comparerez et gouvernerez des expériences avec MLflow 3 et Unity Catalog. Vous entraînerez ensuite des modèles sur l'ensemble d'un cluster avec Ray Train et PyTorch (TorchDistributor et DeepSpeed), et apprendrez à associer chaque workload au bon cadre en fonction de la taille des données, de la taille du modèle, du matériel et des coûts.

Le cours se conclut par un projet de synthèse traitant un problème de bout en bout — ingénierie des variables, entraînement d'un modèle à grande échelle, suivi avec MLflow, et enregistrement dans Unity Catalog avec un alias de gouvernance. (Le déploiement en production, le serving et le monitoring sont traités dans le cours Advanced MLOps distinct.)

À l'issue de ce cours, vous serez en mesure de choisir, de construire et de justifier des workflows de développement de modèles distribués, reproductibles et gouvernés sur Databricks.

Remarque : Pour les fichiers de cours SCORM, veillez à fermer la fenêtre SCORM après avoir terminé le contenu. Ne cliquez pas sur le bouton « Next Lesson », car cela pourrait empêcher le module SCORM d’être marqué comme terminé.

Paid & Subscription

Lab

Professional