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

Databricks Performance Optimization - French

Databricks Performance Optimization enseigne aux ingénieurs et analystes de données comment diagnostiquer, mesurer et corriger les goulots d'étranglement de performance sur la Databricks Data Intelligence Platform, et comment relier les améliorations de performance aux coûts. Le cours suit un workflow axé sur la mesure en priorité et la plateforme en priorité : laisser les optimisations automatiques de la plateforme effectuer le gros du travail, vérifier ce qui a été appliqué à l'aide du Query Profile et des tables système, puis effectuer un réglage manuel si nécessaire.

Les apprenants construisent une base pour mesurer la performance avec Query Profile, Performance Insights et les tables système de l'historique des requêtes. À partir de là, ils explorent les principales techniques d'optimisation, notamment la disposition des données et les tables gérées auto-réglables, le clustering liquide, la mise en cache et les résultats intermédiaires, le shuffle, le skew, le spill, les explosions de lignes, la performance du driver, les UDF Python, le compute serverless, Photon et l'attribution des coûts.

Tout au long du cours, les apprenants explorent des requêtes délibérément lentes sur des données de vente au détail synthétiques et observent comment différentes techniques d'optimisation affectent la performance. Ils utilisent des éléments probants tels que l'élagage de fichiers, le temps d'exécution des tâches, la couverture Photon et les coûts pour évaluer les améliorations. Deux ateliers basés sur des scénarios renforcent le workflow d'optimisation, du diagnostic jusqu'à la validation.

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

Databricks Data Privacy - French

Ce contenu fournit un guide complet pour la gestion de la confidentialité des données dans Databricks. Il couvre des sujets clés tels que l'architecture Delta Lake, l'isolation régionale des données, la conformité RGPD/CCPA, et l'utilisation du flux de données de changement (CDF). À travers des démonstrations pratiques et des travaux dirigés, les participants apprennent à utiliser les fonctionnalités de Unity Catalog pour sécuriser les données sensibles et assurer la conformité, leur permettant ainsi de protéger efficacement l'intégrité des données.

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

Advanced Machine Learning with Databricks - French

Ce cours s’adresse aux data scientists et aux praticiens du machine learning et se compose de deux modules de quatre heures.

Machine Learning at Scale

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.

Advanced Machine Learning Operations

Dans ce cours, vous bénéficierez d'une compréhension complète du cycle de vie du machine learning et du MLOps, en mettant l'accent sur les meilleures pratiques en matière de gestion des données et des modèles, de tests et d'architectures évolutives. Il couvre les composants clés du MLOps, notamment le CI/CD, la gestion des pipelines et la séparation des environnements, tout en présentant les outils Databricks pour l'automatisation et la gestion de l'infrastructure, tels que les Declarative Automation Bundles (DABs), les Lakeflow jobs et le Model Serving. Vous apprendrez les concepts de monitoring, de métriques personnalisées, de détection de dérive, de stratégies de déploiement de modèles, de tests A/B et les principes des systèmes MLOps fiables, offrant une vue globale de la mise en œuvre et de la gestion de projets ML dans Databricks.