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

Data Engineer

Databricks Data Privacy - French

Confidentialité des Données dans Databricks enseigne aux ingénieurs data comment trouver, protéger, supprimer et rendre compte des données personnelles sur la Databricks Data Intelligence Platform. La confidentialité y est traitée comme un ensemble de décisions techniques et de contrôles construits sur Unity Catalog et Delta Lake. Le cours sépare la confidentialité de la sécurité, de la gouvernance et de la conformité, puis organise le travail autour d'un cycle de vie identifier, protéger, gérer et vérifier, et d'un modèle de décision court que les apprenants appliquent à chaque technique.

Les apprenants commencent par trouver les colonnes sensibles avec Data Classification et consigner le traitement de chacune avec un tag gouverné. Ils protègent ces colonnes avec des politiques de contrôle d'accès basé sur les attributs (ABAC) pilotées par les tags, et utilisent des masques de colonnes et des filtres de lignes manuels lorsqu'une politique centrale ne convient pas. La désidentification va plus loin avec le hachage salé, la tokenisation via un coffre gouverné séparément et le chiffrement de colonnes, le sel et la clé étant conservés dans Databricks Secrets. Pour le droit à l'effacement, les apprenants suivent une demande, trouvent les données de la personne concernée avec la classification et le lignage, suppriment et propagent le changement avec DELETE et MERGE, puis purgent les fichiers sous-jacents avec REORG TABLE ... APPLY (PURGE) et un VACUUM tenant compte de la rétention. Le cours se termine en combinant lignage, journaux d'audit, historique des requêtes et historique des tables Delta en une piste de preuves montrant si chaque contrôle a fonctionné.

Toutes les données sont synthétiques. Les démos suivent le patrimoine de données d'un détaillant multinational tout au long du cycle de vie et closent chaque contrôle par une preuve qu'il a fonctionné, comme un résultat de requête masqué, un contrôle d'effacement vide ou une entrée d'historique de table. Deux laboratoires basés sur des scénarios renforcent le flux. Dans le premier, les apprenants réparent une protection défaillante sur la table clients d'une filiale. Dans le second, ils terminent une demande d'effacement à moitié réalisée et rassemblent les preuves qu'elle est complète. Le cours est technique et ne fournit pas de conseil juridique.

Remarque : Databricks Academy passe à un format basé sur des notebooks pour les sessions en classe dans l'environnement Databricks, et abandonne l'utilisation de diapositives pour les cours. Vous pouvez accéder aux notebooks de cours dans l'environnement de laboratoire Vocareum.

Paid & Subscription
3h
Lab
Professional

Questions?

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