Machine Learning Model Development - Korean

이 포괄적인 과정에서는 Databricks에서 전통적인 머신러닝 모델을 개발하는 방법에 대한 실용적인 가이드를 제공하며, 인기 ML 라이브러리를 사용한 실습 데모와 워크플로우를 강조합니다. 이 과정은 AutoML 및 MLflow를 사용하여 일반적인 태스크를 효율적으로 실행하는 데 중점을 둡니다. 참가자들은 회귀 및 분류 모델, Databricks의 기능을 최대한 활용하여 모델 학습 추적하기, 모델 개발을 위해 Feature Store 활용하기, 하이퍼패러미터 튜닝 구현 등의 주요 주제를 깊이 있게 다루게 됩니다. 또한 이 과정에서는 모델을 로우코드(low-code)로 빠르게 학습시킬 수 있는 AutoML에 대해 다루므로, 수강생은 Databricks 환경에서 머신러닝 모델을 간단하고 효과적으로 개발하는 데 필요한 실용적이고 실질적인 기술을 습득할 수 있습니다.

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

Skill Level

Associate

Duration

Prerequisites

이 과정을 시작하기 전에 최소한 다음 사항에 익숙해야 합니다.

회귀 및 분류 방법의 기본 개념에 대한 지식
Databricks 워크스페이스 및 노트북에 대한 지식
Python에 대한 중급 수준의 지식

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

Self-Paced

Custom-fit learning paths for data, analytics, and AI roles and career paths through on-demand videos

Instructor-Led

Public and private courses taught by expert instructors across half-day to two-day courses

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

Data Engineer

Databricks Data Privacy - Korean

이 콘텐츠는 Databricks 내에서 데이터 개인 정보를 관리하는 방법에 대한 포괄적인 가이드를 제공합니다. 여기에는 Delta Lake 아키텍처, 지역 데이터 격리, GDPR/CCPA 준수, Change Data Feed (CDF) 사용과 같은 주요 주제가 포함됩니다. 실습 데모와 실습 랩을 통해 참가자는 Unity Catalog 기능을 사용하여 민감한 데이터를 보호하고 규정 준수를 보장하는 방법을 배우고, 데이터 무결성을 효과적으로 보호할 수 있는 역량을 강화합니다.

Languages Available: English | 한국어

Automated Deployment with Databricks Asset Bundles - Korean

이 과정에서는 DevOps 원칙과 이를 Databricks 프로젝트에 적용하는 방법을 포괄적으로 살펴봅니다. 이 과정은 핵심 DevOps, DataOps, continuous integration (CI), continuous deployment (CD) 및 테스트에 대한 개요부터 시작하여 이러한 원칙을 데이터 엔지니어링 파이프라인에 어떻게 적용할 수 있는지 알아봅니다.

그런 다음 이 과정은 CI/CD 프로세스 내에서 지속적 배포에 초점을 맞추고 프로젝트 배포를 위한 Databricks REST API, SDK, CLI와 같은 도구를 살펴봅니다. Databricks Asset Bundles (DAB)에 대해 알아보고 이것이 CI/CD 프로세스에 어떻게 적용되는지 알아보겠습니다. Databricks Asset Bundles의 핵심 구성 요소, 폴더 구조 및 이를 통해 다양한 대상 환경에서 배포를 간소화하는 방법에 대해 자세히 알아보겠습니다. 또한 Databricks CLI를 사용하여 다양한 구성의 여러 환경에서 Databricks Asset Bundles를 변수 추가, 수정, 검증, 배포 및 실행하는 방법도 알아봅니다.

마지막으로, 이 과정에서는 Databricks Asset Bundles를 로컬에서 빌드, 테스트 및 배포하여 개발 프로세스를 최적화하기 위한 대화형 개발 환경(IDE)인 Visual Studio Code를 소개합니다. 이 과정은 Databricks Asset Bundles를 사용하여 CI/CD 워크플로를 개선하기 위해 GitHub Actions를 사용하여 배포 파이프라인을 자동화하는 방법을 소개하면서 마무리됩니다.

이 과정을 마치면 Databricks Asset Bundles를 사용하여 Databricks 프로젝트 배포를 자동화하고 DevOps 방식을 통해 효율성을 개선할 수 있습니다.

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

DevOps Essentials for Data Engineering - Korean

이 과정에서는 Databricks를 사용하여 작업하는 데이터 엔지니어를 위해 특별히 설계된 소프트웨어 엔지니어링 모범 사례와 DevOps 원칙을 살펴봅니다. 참가자는 코드 품질, 버전 제어, 문서화, 테스트와 같은 핵심 주제에 대한 강력한 기반을 구축하게 됩니다. 이 과정에서는 DevOps를 강조하여 핵심 구성 요소, 이점, 데이터 엔지니어링 워크플로 최적화에서 지속적인 통합 및 배포(CI/CD)의 역할에 대해 다룹니다.

PySpark에서 모듈성 원칙을 적용하여 재사용 가능한 구성 요소를 만들고 효율적으로 코드를 구성하는 방법을 학습합니다. 실습 경험에는 pytest 프레임워크를 사용하여 PySpark 함수에 대한 단위 테스트를 설계하고 구현하는 것과 DLT 및 Workflows를 사용하여 Databricks 데이터 파이프라인에 대한 통합 테스트를 수행하여 안정성을 보장하는 것이 포함됩니다.

또한 이 과정에서는 Databricks Git 폴더를 사용하여 지속적인 통합 관행을 통합하는 것을 포함하여 Databricks 내에서 필수적인 Git 작업도 다룹니다. 마지막으로 REST API, CLI, SDK, Databricks Asset Bundles(DAB) 등 Databricks 자산에 대한 다양한 배포 방법을 간략하게 살펴보고 파이프라인을 배포하고 관리하는 기술에 대한 지식을 얻습니다.

과정을 마치면 소프트웨어 엔지니어링과 DevOps 모범 사례에 능숙해져서 확장 가능하고 유지 관리가 가능하며 효율적인 데이터 엔지니어링 솔루션을 구축할 수 있게 됩니다.

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

Paid

Lab

Associate