Revenir au contenu principal

Model Development at Scale - French

Dans ce cours, vous apprendrez à concevoir et à mettre en œuvre des workflows machine learning qui passent d'une seule machine à un compute distribué sur Databricks. Le programme est organisé en trois modules : les fondements du développement de modèles (quand et pourquoi distribuer, et comment Spark exécute les tâches), le développement de modèles à grande échelle avec Spark ML et MLflow, et l'entraînement distribué de modèles avec Ray et PyTorch — en terminant par un cadre permettant de choisir le bon outil pour un workload donné.


À travers des démonstrations pratiques et des travaux dirigés, vous construirez des Pipelines ML Spark distribués à l'aide de Transformers, d'Estimators et du paradigme fit/transform ; vous effectuerez la mise à l'échelle de code Pandas existant avec l'API Pandas sur Spark ; et vous suivrez, comparerez et gouvernerez des expériences avec MLflow 3 et Unity Catalog. Vous entraînerez ensuite des modèles sur l'ensemble d'un cluster avec Ray Train et PyTorch (TorchDistributor et DeepSpeed), et apprendrez à associer chaque workload au bon cadre en fonction de la taille des données, de la taille du modèle, du matériel et des coûts.


Le cours se conclut par un projet de synthèse traitant un problème de bout en bout — ingénierie des variables, entraînement d'un modèle à grande échelle, suivi avec MLflow, et enregistrement dans Unity Catalog avec un alias de gouvernance. (Le déploiement en production, le serving et le monitoring sont traités dans le cours Advanced MLOps distinct.)


À l'issue de ce cours, vous serez en mesure de choisir, de construire et de justifier des workflows de développement de modèles distribués, reproductibles et gouvernés sur Databricks.


Remarque : Pour les fichiers de cours SCORM, veillez à fermer la fenêtre SCORM après avoir terminé le contenu. Ne cliquez pas sur le bouton « Next Lesson », car cela pourrait empêcher le module SCORM d’être marqué comme terminé.

Skill Level
Professional
Duration
4h
Prerequisites

Ce cours convient particulièrement aux apprenants ayant le profil suivant :

• L'utilisateur doit avoir une connaissance de niveau intermédiaire des concepts traditionnels de machine learning, du développement et de l'utilisation de Python et Git pour les projets ML.

• Il est recommandé que l'utilisateur ait une expérience de niveau intermédiaire avec Python. 

• Le contenu de Databricks Academy est conçu pour être exécuté uniquement sur l'environnement Vocareum fourni. 

• Databricks ne garantit pas que le contenu peut être exécuté avec succès sur d'autres instances d'un Databricks Workspace.

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

Catalog Management and Data Organization - French

Dans ce cours, vous apprendrez à concevoir, mettre en œuvre et gérer des structures de Catalogue ainsi que l'organisation de données à grande échelle avec Unity Catalog sur la plateforme Databricks Data and AI. Divisé en cinq modules, il commence par situer Unity Catalog dans le modèle de déploiement cloud, en couvrant la console de compte, les métastores régionaux et les rôles d'administrateur qui le rendent opérationnel. Vous traduirez ensuite la topologie organisationnelle (unités métier, régions et environnements dev/QA/prod) en une conception de Catalogue et de schéma évolutive, avec des conventions de nommage, la propriété et la délégation MANAGE. Le cours aborde ensuite l'intégration sécurisée du stockage, avec les identifiants de stockage, les emplacements externes, la hiérarchie de stockage géré, les tables gérées par opposition aux tables externes, les Volumes et Lakehouse Federation. Vous appliquerez ensuite des modèles d'accès et des stratégies d'isolation, notamment la liaison workspace-Catalogue, l'héritage de privilèges, les filtres de lignes, les masques de colonnes et les politiques de contrôle d'accès basé sur les attributs (ABAC), et vous validerez les résultats à l'aide de signaux d'audit. Enfin, le cours se conclut par les bonnes pratiques de conception, de gouvernance et d'exploitation d'un patrimoine Unity Catalog. Les démonstrations pratiques et les travaux dirigés s'exécutent sur du compute serverless et comprennent de courtes étapes Genie Code.

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.

Free
2h
Associate

Unity Gateway Basics - French

Unity Gateway étend la gouvernance de Unity Catalog au trafic IA. Unity Catalog régit déjà vos modèles, services MCP, fonctions et connexions en tant qu'objets sécurisables ; Unity Gateway ajoute un Control Plane centralisé sur le trafic qui leur est destiné, en appliquant le routage, les limites de débit, les budgets, le suivi de l'utilisation et les **politiques de service** (garde-fous) à chaque requête et réponse.

Ce lab présente les fondamentaux à travers un court exposé, puis les met en pratique lors d'une démonstration guidée. Dans cette démonstration, vous gouvernez une application agentique réelle — qui génère des diagrammes natifs Databricks sous forme de code — en la faisant transiter par Unity Gateway et en renforçant progressivement sa gouvernance : création d'un service de modèle, attribution de permissions, ajout de tables d'inférence, limites de débit, une politique de garde-fou contre les hallucinations, répartition du trafic entre les modèles Claude, et routage avec solution de secours. Enfin, vous explorez les schémas `system.ai` et `system.ai_gateway` pour voir comment la télémétrie et l'observabilité complètent la journalisation des inférences au niveau des charges utiles.

À l'issue du lab, vous comprendrez comment la gouvernance des ressources, du trafic et des comportements se combinent en un seul Control Plane pour l'IA, et comment appliquer ces contrôles à une application d'IA générative de type production sur 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 « Leçon suivante », car cela pourrait empêcher le module SCORM d’être marqué comme terminé.

Free
1h
Associate

Questions?

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