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

Machine Learning at Scale - French

Dans ce cours, vous acquerrez des connaissances théoriques et pratiques sur l'architecture d'Apache Spark et son application aux charges de travail de machine learning dans Databricks. Vous apprendrez quand utiliser Spark pour la préparation des données, l'entraînement des modèles et le déploiement, tout en acquérant une expérience pratique avec Spark ML et les APIs Pandas sur Spark. Ce cours vous introduira à des concepts avancés tels que l'optimisation des hyperparamètres et la mise à l'échelle d'Optuna avec Spark. Ce cours utilisera des fonctionnalités et des concepts introduits dans le cours associé, tels que MLflow et Unity Catalog, pour un packaging et une gouvernance complets des modèles.

Paid & Subscription

Lab

Professional

Platform Administrator

Data Governance at Scale - French

Dans ce cours, vous apprendrez à implémenter la Gouvernance des données à grande échelle sur Databricks à l'aide de Unity Catalog, en mettant l'accent sur le contrôle d'accès basé sur les attributs, l'observabilité et le partage fédéré. Vous configurerez l'ABAC avec des tags gouvernés, migrerez depuis des contrôles granulaires hérités, activerez et utiliserez les tables système pour l'audit et le monitoring des coûts, déploierez le Data Quality Monitoring pour la qualité des données et des modèles, interpréterez la traçabilité des données pour l'impact et la conformité, et appliquerez des modèles de gouvernance fédérée et de Delta Sharing pour une collaboration sécurisée entre cloud.

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

Lab

Associate

Machine Learning Practitioner

Machine Learning Operations - French

Ce cours guidera les participants à travers une exploration complète des opérations de Modèle de machine learning, en mettant l'accent sur le MLOps et la gestion du cycle de vie des modèles. La première partie couvre les composants essentiels du MLOps et les meilleures pratiques, offrant aux participants une base solide pour opérationnaliser efficacement les Modèles de machine learning. Dans la seconde partie du cours, nous aborderons les fondamentaux du cycle de vie des modèles, en démontrant comment le parcourir de manière fluide en utilisant le Model Registry conjointement avec Unity Catalog pour une gestion efficace des modèles. À la conclusion du cours, les participants auront acquis des DNT pratiques ainsi qu'une compréhension approfondie des principes du MLOps, dotés des compétences nécessaires pour naviguer dans le paysage complexe des opérations de Modèle de machine learning.

Paid & Subscription

Lab

Associate