Azure Databricks ist eine Plattform cloud vollständig verwaltet für erweiterte Datenanalyse und maschinelles Lernen, erstellt durch die Zusammenarbeit zwischen Microsoft und das Team, das Apache Spark entwickelt hat. Der Kurs zeigt Ihnen, wie Sie Azure Databricks zum effizienten und kollaborativen Trainieren und Bereitstellen von Machine-Learning-Modellen im großen Maßstab.
Die Teilnehmer erkunden den gesamten Lebenszyklus eines ML-Modells – von der Datenvorbereitung und dem Training über die Hyperparameter-Optimierung bis hin zur Verwendung von AutoML und der Verwaltung in der Produktion mit MLflow.
Der Kurs wird empfohlen für:
• Data Scientists, die skalierbare ML-Lösungen implementieren möchten in Azure
• KI-Ingenieure, die an der Entwicklung, Prüfung und Operationalisierung von ML-Modellen beteiligt sind
• Fachleute, die mit Open-Source-Bibliotheken wie Scikit-learn, PyTorch oder TensorFlow arbeiten
• Teams, die die KI-Entwicklung mit AutoML und MLflow in Databricks vereinfachen möchten
Nach Abschluss des Kurses wissen Sie, wie Sie:
• Sie verwenden Azure Databricks und Apache Spark zur Datenverarbeitung
• Trainieren Sie Machine-Learning-Modelle mit gängigen Frameworks
• Optimieren Sie Hyperparameter mit der Optuna-Bibliothek
• Automatisieren Sie den Trainingsprozess mit AutoML in Azure Databricks
• Verwenden Sie MLflow zur Experimentverfolgung und Modellverwaltung
• Trainieren Sie Deep-Learning-Modelle für komplexe Szenarien
• ML-Modelle in Produktionsumgebungen bereitstellen und verwalten
Teilnehmer sollten über Folgendes verfügen:
• Erfahrung im Einsatz von Python zur Datenanalyse
• Kenntnisse im Trainieren von ML-Modellen mit Scikit-Learn, TensorFlow oder PyTorch
• Vertrautheit mit Konzepten des maschinellen Lernens und dem Modelllebenszyklus
- Erforschung Azure Databricks
Einführung in die Plattform und Architektur Azure Databricks - Verwenden von Apache Spark in Databricks
Datenverarbeitung und -analyse im großen Maßstab mit Spark - Trainieren eines ML-Modells in Databricks
Grundlegender Ablauf: Datenaufbereitung, Training, Auswertung - Verwalten des ML-Lebenszyklus mit MLflow
Tracking, Versionierung, Modellregistrierung - Hyperparameter-Tuning mit Optuna
Automatische Optimierung der Modellleistung - Verwenden von AutoML in Azure Databricks
Schnelles Erstellen effizienter Modelle für verfügbare Daten - Training von Deep-Learning-Modellen
Implementierung neuronaler Netzwerke für NLP, Vision und Prognose - Verwalten von ML-Modellen in der Produktion
Orchestrieren und Veröffentlichen von Modellen in Produktionsumgebungen
