Machine Learning with Databricks - French
Bienvenue dans Machine Learning with Databricks !
Ce cours est votre porte d'entrée vers la maîtrise des workflows de machine learning sur Databricks. Plongez dans la préparation des données, le développement de modèles, le déploiement et les opérations, guidé par des instructeurs experts. Apprenez les compétences essentielles pour l'exploration des données, l'entraînement des modèles et les stratégies de déploiement adaptées à Databricks. À la fin du cours, vous disposerez des connaissances et de la confiance nécessaires pour naviguer dans l'ensemble du cycle de vie du machine learning sur la plateforme Databricks, ce qui vous permettra de créer et de déployer efficacement des solutions de machine learning robustes.
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.
Data Preparation for Machine Learning
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.
Machine Learning Model Development
Ce cours complet offre un guide pratique pour développer des modèles de machine learning traditionnels sur Databricks, en mettant l'accent sur des démonstrations pratiques et des workflows utilisant les bibliothèques de ML les plus courantes. Les participants exploreront des techniques de ML essentielles, notamment la régression et le clustering, tout en tirant parti des puissantes capacités de Databricks. Le cours couvre l'intégration de MLflow pour le suivi des modèles, le Databricks Feature Store pour la gestion des features, et Optuna pour l'optimisation des hyperparamètres. Les participants apprendront en outre à accélérer le développement de modèles avec Genie Code, l'assistant de codage IA de Databricks qui utilise le langage naturel, des connexions MCP, des instructions et des compétences pour guider l'ensemble du cycle de vie du ML. À la fin du cours, les apprenants disposeront de compétences pratiques et concrètes pour développer, optimiser et déployer efficacement des modèles de machine learning dans l'environnement Databricks.
Machine Learning Model Deployment
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.
Machine Learning Operations
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.
Languages Available: English | 日本語 | Português BR | 한국어
Au minimum, vous devez être familiarisé avec les éléments suivants avant de suivre ce contenu:
• Avoir terminé le cours Get Started with Databricks for Machine Learning (Onboarding) ou posséder des connaissances fondamentales équivalentes du travail dans l'environnement Databricks.
• Niveau intermédiaire en programmation Python pour la préparation et l'analyse des données.
• Compréhension de base des principes fondamentaux du machine learning.
• Familiarité avec les workflows de la plateforme Databricks.
• Connaissances de base des formats de données et des concepts de lakehouse.
• Compréhension fondamentale de l'analyse exploratoire des données et des statistiques de base.
• 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 repos depuis git)
• Expérience intermédiaire de la programmation en Python, y compris les bibliothèques de manipulation de données (pandas, numpy) et l'utilisation des API (REST endpoints, databricks-sdk, REST endpoints)
• Connaissances de base de MLflow pour le suivi des expériences, la journalisation des modèles, les opérations de registre des modèles et la gestion du cycle de vie des modèles
• Compréhension des principes fondamentaux du machine learning, y compris l'entraînement des modèles, l'évaluation, les workflows de déploiement et les concepts de surveillance des performances
• Expérience intermédiaire d'Unity Catalog pour la gouvernance des données et la gestion du registre des modèles
• Familiarité de base avec les concepts d'Ingénierie des caractéristiques, y compris les feature tables, les feature lookups 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 clustering liquide) et des techniques d'optimisation du stockage des données
• Connaissances de base d'Apache Spark et de PySpark pour le traitement distribué des données et les fonctions définies par l'utilisateur (UDF)
• Connaissance des concepts fondamentaux du machine learning, MLflow tracking
• Familiarité avec les concepts MLOps, y compris l'évaluation de la qualité des données, l'ingénierie des caractéristiques, les tests de modèles et les pratiques de surveillance continue, le workspace et les notebooks Databricks
• Niveau intermédiaire de connaissance de Python
• Expérience de base des interfaces en ligne de commande et de la configuration de l'authentification pour les plateformes cloud et les outils de développement
• Compréhension de Lakeflow Jobs et des concepts d'orchestration de workflows (dépendances de tâches, logique conditionnelle, planification, notifications)
• Connaissances de base des principes de surveillance des modèles et de détection de dérive, y compris les métriques de performance et la détection d'anomalies
Outline
Data Preparation for Machine Learning
• Gestion et exploration des données
• Préparation des données et ingénierie des caractéristiques
• Feature Store
Machine Learning Model Development
• Workflow de développement de modèles
• Optimisation des hyperparamètres
• Machine Learning agentique
Machine Learning Model Deployment
• Principes fondamentaux du déploiement de modèles
• Déploiement Batch
• Déploiement de Pipeline
• Déploiement en temps réel et magasins en ligne
Machine Learning Operations
• MLOps moderne
• Conception de solutions MLOps
• Mise en œuvre et Monitoring de la solution MLOps
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.
Private Class Request
If your company is interested in private training, please submit a request.
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
