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.

Remarque: Databricks Academy passe à un format basé sur des cahiers de travail pour les sessions en présentiel au sein de l'environnement Databricks, et abandonne ainsi l'utilisation de présentations PowerPoint pour les cours magistraux. Vous pouvez accéder aux cahiers de travail des cours dans l'environnement de laboratoire Vocareum.

Languages Available: English | 日本語 | Português BR | 한국어

Skill Level

Associate

Duration

Prerequisites

Le contenu a été développé pour des participants possédant les compétences/connaissances/aptitudes suivantes:

• 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 dépôts depuis Git)

• Expérience de programmation intermédiaire en Python, notamment avec les bibliothèques de manipulation de données (Pandas, NumPy) et l'utilisation des APIs (endpoints REST, charges utiles JSON)

• Connaissance de base de MLflow pour le suivi des expériences, la journalisation des modèles, les opérations du Registre des modèles et la gestion du cycle de vie des modèles

• Compréhension des fondamentaux du machine learning, notamment l'entraînement des modèles, les workflows d'évaluation et de déploiement, ainsi que les concepts de monitoring des performances

• Familiarité avec les concepts MLOps, notamment l'évaluation de la qualité des données, l'ingénierie des caractéristiques, les tests de modèles et les pratiques de monitoring continu

• Expérience de base avec les interfaces en ligne de commande et la configuration de l'authentification pour les plateformes cloud et les outils de développement

• Compréhension des Lakeflow Jobs et des concepts d'orchestration de workflow (dépendances entre tâches, logique conditionnelle, planification, notifications)

• Connaissance de base des principes de monitoring des modèles et de détection de dérive, notamment les métriques de performance et la Détection d'anomalies

Outline

MLOps moderne

• Définir MLOps

• MLOps on Databricks

• Démo: Configuration et gestion des Lakeflow Jobs via l'interface utilisateur

• Laboratoire: Création et gestion de Lakeflow jobs via l'interface utilisateur

Conception de solutions MLOps

• Principes MLOps recommandés

• Architectures MLOps recommandées

• Démo: Pipeline Machine Learning avec Databricks API

• Démo: Tâche de test de modèle avec le Databricks CLI

• Laboratoire: Déploiement de modèles avec les Jobs et le Databricks CLI

Mise en œuvre et Monitoring de la solution MLOps

• Implémentation des MLOps Stacks (FACULTATIF)

• Type de Model Monitoring

• Monitoring en Machine Learning

• Démo: Tableau de bord de profilage des données

• Laboratoire: Monitoring des modèles

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.

Customer registration Partner registration

Private Class Request

If your company is interested in private training, please submit a request.

Request Private Training

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 Model Deployment - French

Ce cours est conçu pour présenter trois stratégies principales de déploiement de machine learning et illustrer la mise en œuvre de chacune de ces stratégies sur Databricks. Après une exploration des fondamentaux du déploiement de modèles, le cours aborde le batch inference, en proposant des démonstrations pratiques et des travaux dirigés pour l'utilisation d'un modèle dans des scénarios de batch inference, ainsi que des considérations relatives à l'optimisation des performance. La deuxième partie du cours couvre de manière exhaustive le déploiement de pipeline, tandis que le dernier segment se concentre sur le déploiement en temps réel. Les participants s'engageront dans des démonstrations pratiques et des travaux dirigés, en déployant des modèles avec Model Serving et en utilisant le serving endpoint pour l'inférence en temps réel.

Remarque: Databricks Academy passe à un format basé sur des cahiers de travail pour les sessions en présentiel au sein de l'environnement Databricks, et abandonne ainsi l'utilisation de présentations PowerPoint pour les cours magistraux. Vous pouvez accéder aux cahiers de travail des cours dans l'environnement de laboratoire Vocareum.

Languages Available: English | 日本語 | Português BR | 한국어

Data Preparation for Machine Learning - French

Ce cours se concentre sur les fondamentaux de la préparation des données pour le machine learning avec Databricks. Les participants acquerront les compétences essentielles pour explorer, nettoyer et organiser les données en vue d'applications de machine learning traditionnelles. Les sujets clés comprennent la visualisation des données, l'Ingénierie des caractéristiques et les stratégies optimales de stockage des fonctionnalités. Grâce à des exercices pratiques, les participants acquerront une expérience concrète dans la préparation efficace de jeux de données pour le machine learning au sein de Databricks. Ce cours est conçu pour les data scientists de niveau associé et les praticiens du machine learning, ainsi que pour les personnes souhaitant renforcer leurs compétences en préparation des données, garantissant ainsi une base solide pour le déploiement Réussi d'un Modèle de machine learning.

Languages Available: English | 日本語 | Português BR | 한국어

Automated Deployment with Declarative Automation Bundles - French

Ce cours propose une revue approfondie des principes DevOps et de leur application aux projets Databricks. Il commence par un aperçu des concepts fondamentaux de DevOps, DataOps, intégration continue (CI), déploiement continu (CD) et tests, et explore comment ces principes peuvent s'appliquer aux pipelines d'ingénierie des données.

Le cours se concentre ensuite sur le déploiement continu au sein du processus CI/CD, en examinant des outils tels que l'API REST, le SDK et le CLI Databricks pour le déploiement de projets. Vous découvrirez les Declarative Automation Bundles (DABs) et leur place dans le processus CI/CD. Vous approfondirez leurs composants clés, la structure des dossiers et la façon dont ils accélèrent le déploiement dans divers environnements cibles sur Databricks. Vous apprendrez également à ajouter des variables, modifier, valider, déployer et exécuter des Declarative Automation Bundles pour plusieurs environnements avec différentes configurations via le CLI Databricks.

Enfin, le cours présente Visual Studio Code comme environnement de développement interactif (IDE) pour construire, tester et déployer des Declarative Automation Bundles localement, en optimisant le processus de développement. Le cours se termine par une introduction à l'automatisation des pipelines de déploiement avec GitHub Actions afin d'améliorer le flux de travail CI/CD avec les Declarative Automation Bundles.

À la fin de ce cours, vous serez prêt à automatiser les déploiements de projets Databricks avec les Declarative Automation Bundles, en améliorant l'efficacité grâce aux pratiques DevOps.

Languages Available: English | 日本語 | Português BR | 한국어