DP-3014 Implementing a Machine Learning Solution with Azure Databricks

• Explorar cómo Azure Databricks permite a los científicos de datos y a los ingenieros de aprendizaje automático implementar soluciones de Machine Learning a gran escala.
• Aprovechar las capacidades de escalado en la nube de Azure Databricks para entrenar y desplegar modelos de aprendizaje automático.
• Utilizar herramientas y frameworks de código abierto, como Scikit-Learn, PyTorch y TensorFlow, en el entorno de Azure Databricks.
• Utilizar herramientas y frameworks de código abierto, como Scikit-Learn, PyTorch y TensorFlow, en el entorno de Azure Databricks.
• Optimizar y gestionar modelos de Machine Learning para análisis de datos avanzados y predicciones eficaces.
• Desarrollar experiencia práctica en la implementación de flujos de trabajo de aprendizaje automático en un entorno de Azure Databricks.

Módulo 1: Explorar Azure Databricks

• Introducción a Azure Databricks
• Identificación de las cargas de trabajo de Azure Databricks
• Descripción de los conceptos clave
• Ejercicio: Explorar Azure Databricks

Módulo 2: Uso de Apache Spark en Azure Databricks

• Descubra Spark
• Creación de un clúster de Spark
• Uso de Spark en cuadernos
• Uso de Spark para trabajar con archivos de datos
• Visualización de datos
• Ejercicio: Uso de Spark en Azure Databricks

Módulo 3: Entrenamiento de un modelo de Machine Learning en Azure Databricks

• Descripción de los principios del aprendizaje automático
• Aprendizaje automático en Azure Databricks
• Preparación de los datos para el aprendizaje automático
• Entrenar un modelo de Machine Learning
• Evaluar un modelo de Machine Learning
• Ejercicio: Entrenamiento de un modelo de Machine Learning en Azure Databricks

Módulo 4: Uso de MLflow en Azure Databricks

• Funcionalidades de MLflow
• Ejecución de experimentos con MLflow
• Registro y servicio de modelos con MLflow
• Ejercicio: Uso de MLflow en Azure Databricks

Módulo 5: Ajuste de hiperparámetros en Azure Databricks

• Optimización de hiperparámetros con Hyperopt
• Revisión de las pruebas de Hyperopt
• Escala de pruebas de Hyperopt
• Ejercicio: Optimización de hiperparámetros para el aprendizaje automático en Azure Databricks

Módulo 6: Uso de AutoML en Azure Databricks

• ¿Qué es AutoML?
• Uso de AutoML en la interfaz de usuario de Azure Databricks
• Uso de código para ejecutar un experimento de AutoML
• Ejercicio: Uso de AutoML en Azure Databricks

Módulo 7: Entrenamiento de modelos de aprendizaje profundo en Azure Databricks

• Comprensión de los conceptos del aprendizaje profundo
• Entrenamiento de modelos con PyTorch
• Distribución del entrenamiento de PyTorch con Horovod
• Ejercicio: Entrenamiento de modelos de aprendizaje profundo en Azure Databricks

Se recomienda tener experiencia en el uso de Python para explorar datos y entrenar modelos de Machine Learning con marcos de código abierto comunes, como Scikit-Learn, PyTorch y TensorFlow. 

• Curso: Inglés / Español
• Labs: Inglés / Español