DP-3014 Créer des solutions d'apprentissage automatique avec Azure Databricks

Cours DP-3014 : Créer des solutions d’apprentissage automatique avec Azure Databricks

Azure Databricks est une plateforme cloud évolutive dédiée à l'analyse de données et à l'apprentissage automatique. Les data scientists et les ingénieurs en apprentissage automatique peuvent utiliser Azure Databricks pour déployer des solutions d'apprentissage automatique à grande échelle.

Niveau : Intermédiaire - Rôle : Data Scientist - Produit : Azure Databricks

Objectifs de la formation DP-3014

• Découvrez comment Azure Databricks permet aux data scientists et aux ingénieurs en apprentissage automatique de mettre en œuvre des solutions d'apprentissage automatique à grande échelle.
• Tirez parti des capacités de mise à l'échelle du cloud d'Azure Databricks pour entraîner et déployer des modèles d'apprentissage automatique.
• Utilisez des outils et des frameworks open source, tels que Scikit-Learn, PyTorch et TensorFlow, dans l'environnement Azure Databricks.
• Utilisez des outils et des frameworks open source, tels que Scikit-Learn, PyTorch et TensorFlow, dans l'environnement Azure Databricks.
• Optimiser et gérer les modèles d'apprentissage automatique pour une analyse de données avancée et des prédictions efficaces.
• Acquérir une expérience pratique dans la mise en œuvre de flux de travail d'apprentissage automatique dans un environnement Azure Databricks.

Contenu du cours DP-3014 : Créer des solutions d’apprentissage automatique avec Azure Databricks

Module 1 : Explorer Azure Databricks

• Introduction à Azure Databricks
• Identification des charges de travail Azure Databricks
• Description des concepts clés
• Exercice : Explorer Azure Databricks

Module 2 : Utilisation d’Apache Spark dans Azure Databricks

• Découvrez Spark
• Création d'un cluster Spark
• Utilisation de Spark dans les notebooks
• Utilisation de Spark pour travailler avec des fichiers de données
• Visualisation des données
• Exercice : Utilisation de Spark dans Azure Databricks

Module 3 : Entraînement d’un modèle d’apprentissage automatique dans Azure Databricks

• Description des principes de l'apprentissage automatique
• Apprentissage automatique dans Azure Databricks
• Préparation des données pour l'apprentissage automatique
• Entraînement d'un modèle d'apprentissage automatique
• Évaluer un modèle d'apprentissage automatique
• Exercice : Entraînement d’un modèle d’apprentissage automatique dans Azure Databricks

Module 4 : Utilisation de MLflow dans Azure Databricks

• fonctionnalités de MLflow
• Exécution d'expériences avec MLflow
• Enregistrement et service du modèle avec MLflow
• Exercice : Utilisation de MLflow dans Azure Databricks

Module 5 : Optimisation des hyperparamètres dans Azure Databricks

• Optimisation des hyperparamètres avec Hyperopt
• Avis sur les tests Hyperopt
• Échelle de test d'hyperoptique
• Exercice : Optimisation des hyperparamètres pour l’apprentissage automatique dans Azure Databricks

Module 6 : Utilisation d’AutoML dans Azure Databricks

• Qu'est-ce que l'AutoML ?
• Utilisation d'AutoML dans l'interface utilisateur d'Azure Databricks
• Utilisation de code pour exécuter une expérience AutoML
• Exercice : Utilisation d’AutoML dans Azure Databricks

Module 7 : Entraînement de modèles d’apprentissage profond dans Azure Databricks

• Comprendre les concepts de l'apprentissage en profondeur
• Entraînement de modèles avec PyTorch
• Distribution de formation PyTorch avec Horovod
• Exercice : Entraînement de modèles d’apprentissage profond dans Azure Databricks

Module 8 : Gérer le machine learning en production avec Azure Databricks

• Introduction
  
• Automatisez vos transformations de données
  
• Explorez le développement des modèles
  
• Explorer les stratégies de mise en œuvre du modèle
  
• Explorez le contrôle des versions et la gestion du cycle de vie des modèles.
  
• Exercice : Gestion d'un modèle d'apprentissage automatique

Prérequis

Une expérience de l'utilisation de Python pour explorer des données et entraîner des modèles d'apprentissage automatique avec des frameworks open source courants tels que Scikit-Learn, PyTorch et TensorFlow est recommandée.

Langue

• Cours : Anglais / Espagnol
• Laboratoires : anglais / espagnol