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 dédiée à l'analyse de données et au machine learning. Les data scientists et les ingénieurs en machine learning peuvent utiliser Azure Databricks pour déployer des solutions de machine learning à grande échelle.

Niveau : Intermédiaire - Rôle : Data Scientist - Produit : Azure Databricks - Matière : Intelligence artificielle, Gestion des données, Apprentissage automatique

Objectifs de formation DP-3014

• Découvrez comment Azure Databricks permet aux scientifiques des données et aux ingénieurs en apprentissage automatique de déployer des solutions d’apprentissage automatique à grande échelle.
• Exploitez les capacités de mise à l’échelle cloud d’Azure Databricks pour former 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.
• Optimisez et gérez les modèles d’apprentissage automatique pour une analyse de données avancée et des prédictions efficaces.
• Développez une expérience pratique de mise en œuvre de workflows d’apprentissage automatique dans un environnement Azure Databricks.

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

Module 1 : Découvrir 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 sur Azure Databricks

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

Module 3 : Formation 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
• Entraîner un modèle d'apprentissage automatique
• Évaluer un modèle d'apprentissage automatique
• Exercice : Entraîner 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 diffusion de modèles avec MLflow
• Exercice : Utilisation de MLflow dans Azure Databricks

Module 5 : Réglage des hyperparamètres dans Azure Databricks

• Optimisation des hyperparamètres avec Hyperopt
• Examen du test Hyperopt
• Échelle de test Hyperopt
• Exercice : Optimisation des hyperparamètres pour l'apprentissage automatique dans Azure Databricks

Module 6 : Utilisation d'AutoML dans Azure Databricks

• Qu'est-ce qu'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 : Formation de modèles d'apprentissage profond dans Azure Databricks

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

Module 8 : Gérer l'apprentissage automatique en production avec Azure Databricks

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

Prérequis

Une expérience de l'utilisation de Python pour explorer les données et former 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