Machine Learning at Scale - Mandarin Chinese

在本课程中，您将深入了解 Apache Spark 的架构及其在 Databricks 中应用于机器学习工作负载的理论与实践知识。您将学习何时使用 Spark 进行数据准备、模型训练和部署，同时获得使用 Spark ML 以及 Pandas APIs on Spark 的实践经验。本课程将向您介绍高级概念，例如超参数调优以及使用 Spark 扩展 Optuna。本课程将使用助理课程中介绍的功能和概念，例如 MLflow 和 Unity Catalog，以实现全面的模型打包与治理。

注意: 对于 SCORM 讲授文件，请确保在完成内容后关闭 SCORM 窗口。请勿点击“Next Lesson”按钮，否则可能导致 SCORM 模块无法被标记为已完成。

Skill Level

Professional

Duration

Prerequisites

本课程内容面向具备以下技能、知识和能力的学员：

• 熟悉 Databricks Data Intelligence Platform 及基本工作区运营（创建集群、在笔记本中运行代码、使用基本笔记本操作、从 Git 导入 Repos）

• 具备中级 Python 编程经验，包括数据处理库（Pandas、NumPy）和机器学习框架（Scikit-Learn）

• 掌握 Apache Spark 和 PySpark 基础知识，包括 DataFrames、转换及分布式数据处理操作

• 理解机器学习概念，包括模型训练、评估、超参数调优及部署工作流

• 具备中级 Delta Lake 运营经验（创建表、执行更新、优化文件、时间旅行功能）

• 基本熟悉 MLflow 的实验追踪、模型记录及 Model Registry 运营

• 理解分布式计算概念（集群架构、并行化、可扩展性考量）

• 掌握基本 SQL 知识，用于在 Spark 环境中进行数据查询与处理

Self-Paced

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

Customer registration Partner registration

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

AI Engineer

Prompt Engineering Fundamentals

A two-part foundation in prompting a company AI Assistant well. Part 01 (Fundamentals) explains how prompt specificity shapes answer quality, frames the assistant as a brilliant but literal intern grounded in internal knowledge through a RAG architecture, covers what it can and cannot access, stresses a trust-but-verify mindset, and introduces the C-O-I-E framework (Context, Outcome, Instruction, Example). Part 02 (Techniques) builds a toolkit of prompting techniques and teaches how to choose among them: matching tasks to approaches, content generation (zero-shot and few-shot), reasoning (chain-of-thought, self-ask, meta-prompting), workflow (prompt chaining and when to chain versus use a single prompt), and clearly structuring prompts.

Free

Introductory

Databricks Performance Optimization - Mandarin Chinese

Databricks Performance Optimization 课程教导数据工程师和分析师如何在 Databricks Data Intelligence Platform 上诊断、衡量和修复性能瓶颈，以及如何将性能提升与成本关联起来。本课程遵循"先衡量、先平台"的工作流：让平台的自动优化功能承担繁重工作，通过 Query Profile 和系统表验证已应用的优化，再在必要时进行手动调优。

学员将以 Query Profile、Performance Insights 和查询历史记录系统表为基础，学习如何衡量性能。在此基础上，他们将探索关键优化技术，包括数据布局与自调优托管表、liquid clustering、缓存与中间结果、shuffle、数据倾斜、溢出、行爆炸、驱动程序性能、Python UDF、serverless compute、Photon 以及成本归因。

在整个课程中，学员将针对合成零售数据中刻意设计的慢查询进行探索，观察不同优化技术对性能的影响。他们将利用文件裁剪、任务执行时间、Photon 覆盖率和成本等依据来评估优化效果。两个基于场景的实验室将强化从诊断到验证的完整优化工作流。

注意：Databricks Academy 正在将 Databricks 环境中的课堂课程转为基于 notebook 的形式，并停止在讲座中使用幻灯片。您可以在 Vocareum 实验环境中访问课程 notebook。

Free

Professional

AI Engineer

Prompt Engineering Fundamentals - Mandarin Chinese

提示公司 AI Assistant 的两部分基础课程。第一部分（基础知识）阐释提示的具体程度如何影响回答质量，将该助手定位为一位才华横溢但严格按字面理解指令、通过 RAG 架构扎根于内部知识的"实习生"，介绍其可访问与不可访问的内容，强调"信任但需核实"的思维方式，并引入 C-O-I-E 框架（Context、Outcome、Instruction、Example）。第二部分（技巧）构建提示技巧工具箱，并讲授如何在各技巧之间做出选择：将任务与方法相匹配、内容生成（零样本与少样本）、推理（思维链、自问自答、元提示）、工作流（提示链接以及何时使用链接而非单一提示），以及如何清晰地组织提示结构。

Free

Introductory