Revenir au contenu principal

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
3h
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

See all our registration options

Registration options

Databricks has a delivery method for wherever you are on your learning journey

Runtime

Self-Paced

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

Inscrivez-vous maintenant

Instructors

Instructor-Led

Public and private courses taught by expert instructors across half-day to two-day courses

Inscrivez-vous maintenant

Learning

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

Scale

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

Catalog Management and Data Organization - French

Dans ce cours, vous apprendrez à concevoir, mettre en œuvre et gérer des structures de Catalogue ainsi que l'organisation de données à grande échelle avec Unity Catalog sur la plateforme Databricks Data and AI. Divisé en cinq modules, il commence par situer Unity Catalog dans le modèle de déploiement cloud, en couvrant la console de compte, les métastores régionaux et les rôles d'administrateur qui le rendent opérationnel. Vous traduirez ensuite la topologie organisationnelle (unités métier, régions et environnements dev/QA/prod) en une conception de Catalogue et de schéma évolutive, avec des conventions de nommage, la propriété et la délégation MANAGE. Le cours aborde ensuite l'intégration sécurisée du stockage, avec les identifiants de stockage, les emplacements externes, la hiérarchie de stockage géré, les tables gérées par opposition aux tables externes, les Volumes et Lakehouse Federation. Vous appliquerez ensuite des modèles d'accès et des stratégies d'isolation, notamment la liaison workspace-Catalogue, l'héritage de privilèges, les filtres de lignes, les masques de colonnes et les politiques de contrôle d'accès basé sur les attributs (ABAC), et vous validerez les résultats à l'aide de signaux d'audit. Enfin, le cours se conclut par les bonnes pratiques de conception, de gouvernance et d'exploitation d'un patrimoine Unity Catalog. Les démonstrations pratiques et les travaux dirigés s'exécutent sur du compute serverless et comprennent de courtes étapes Genie Code.

Remarque : 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.

Paid & Subscription
3h
Lab
Associate
Machine Learning Practitioner

Data Preparation for Machine Learning - French

Ce cours enseigne les fondamentaux de la préparation des données pour le machine learning traditionnel sur Databricks. Les apprenants chargent des données dans des tables Delta régies par Unity Catalog et les explorent à l'aide de Notebooks, de visualisations intégrées et de Genie Code. Ils nettoient ensuite les Données nettoyées, gèrent les valeurs manquantes et les valeurs aberrantes, les divisent et les échantillonnent sans fuite de données, et construisent des Pipelines ML reproductibles avec Spark pour l'imputation, l'encodage et la standardisation. Enfin, ils stockent, gouvernent et réutilisent les fonctionnalités grâce à l'Ingénierie des caractéristiques dans Unity Catalog. Cela inclut les recherches ponctuelles dans le temps pour des ensembles d'entraînement sans fuite de données, ainsi qu'une introduction au service de fonctionnalités en ligne avec les Online Feature Stores reposant sur Lakebase. Chaque module combine des cours magistraux avec des démonstrations pratiques et un atelier qui s'exécutent sur du compute serverless. L'entraînement, le service et le monitoring des modèles ne sont pas abordés ; ils sont enseignés dans les cours Machine Learning Model Development et Machine Learning Model Deployment. Ce cours est conçu pour les data scientists de niveau associé et les praticiens du machine learning qui souhaitent acquérir des bases solides en préparation des données sur Databricks.

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.

Paid & Subscription
3h
Lab
Associate

Questions?

If you have any questions, please refer to our Frequently Asked Questions page.