Machine Learning at Scale - Mandarin Chinese

本课程面向数据分析师，讲授如何在 Databricks 中设计、构建、发布和运维 AI/BI Dashboards。AI/BI Dashboards 将受 Unity Catalog 治理的数据与交互式可视化、筛选器和 Genie 集成相结合，使业务用户无需编写代码即可探索答案。

本课程围绕一个端到端构建项目展开。您将从 Unity Catalog 中的源表开始，最终完成一个已发布、受监控的多页面仪表盘。在此过程中，您将了解仪表盘如何融入更广泛的 Databricks AI/BI 产品系列，以及 Genie、数据集、可视化和筛选器在工作流中的各自作用。

课程内容包括：

• AI/BI Dashboard 基础知识，以及它与 Genie 和 Databricks 平台其他部分的关系。

• 探索 Unity Catalog 中的源数据，并使用 SQL 设计可复用的仪表盘数据集。

• 创建可视化（KPI、趋势和细分），并设计简洁的多页面仪表盘布局。

• 使用 Genie Code，根据自然语言提示词起草 SQL、图表和筛选器。

• 添加筛选器，使仪表盘能够进行交互并响应查看者的问题。

• 发布和共享仪表盘并管理权限，确保适当的人员可以查看和编辑仪表盘。

• 通过定时刷新、缓存和使用情况监控，在生产环境中运行仪表盘。

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。

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

本课程将引导学员全面探索机器学习模型运营，重点关注 MLOps 与模型生命周期管理。课程初始部分涵盖 MLOps 的核心组件与最佳实践，为学员有效实施机器学习模型的运营化奠定坚实基础。在课程后半部分，我们将深入介绍模型生命周期的基础知识，演示如何结合使用 Model Registry 与 Unity Catalog 无缝管理模型生命周期，从而实现高效的模型管理。课程结束时，学员将获得实践洞察，并对 MLOps 原则形成全面深入的理解，掌握在复杂的机器学习模型运营环境中灵活应对所需的技能。

注意：

这是 'Machine Learning with Databricks’ 系列课程中的第四门课程。对于 SCORM 课程文件，请确保完成内容后关闭 SCORM 窗口。请勿点击 ‘Next Lesson’ 按钮，否则可能导致 SCORM 模块无法标记为已完成。

本课程向用户介绍使用 Databricks 中的 Apache Spark™ Declarative Pipelines (SDP) 构建数据管道所需的基本概念和技能，涵盖通过多个流式处理表和物化视图进行增量批处理或流式处理摄取与处理。本课程专为初次接触 Spark Declarative Pipelines 的数据工程师设计，全面介绍核心组件，包括增量数据处理、流式处理表、物化视图和临时视图，并重点说明其各自的用途与区别。

课程涵盖以下主题：

• 使用 Spark Declarative Pipelines 中的多文件编辑器，通过 SQL 开发和调试 ETL 管道（并提供 Python 代码示例）

• Spark Declarative Pipelines 如何通过管道图形跟踪管道中的数据依赖关系

• 配置管道 compute 资源、数据资产、触发器模式及其他高级选项

随后，课程介绍 Spark Declarative Pipelines 中的数据质量期望，引导用户将期望集成到管道中，以验证和强制执行数据完整性。学员还将浏览如何将管道投入生产，包括调度选项，以及启用管道事件日志记录以监控管道性能和健康状况。

最后，课程介绍如何在 Spark Declarative Pipelines 中使用 AUTO CDC INTO 语法实现变更数据捕获 (CDC)，以管理缓慢变化维度（SCD Type 1 和 Type 2），帮助用户将 CDC 集成到自己的管道中。

注意：对于 SCORM 课程文件，请确保完成内容后关闭 SCORM 窗口。请勿点击‘Next Lesson’按钮，否则可能会导致 SCORM 模块无法标记为已完成。