Azure Databricks es una plataforma cloud Totalmente administrado para análisis de datos avanzados y aprendizaje automático, creado a través de la colaboración entre Microsoft y el equipo pionero de Apache Spark. El curso te enseñará a usar Azure Databricks para entrenar e implementar modelos de aprendizaje automático a escala, de forma eficiente y colaborativa.
Los participantes explorarán todo el ciclo de vida de un modelo ML: desde la preparación y el entrenamiento de datos hasta el ajuste de hiperparámetros, el uso de AutoML y la gestión en producción con MLflow.
El curso está recomendado para:
• Científicos de datos que desean implementar soluciones de ML escalables en Azure
• Ingenieros de IA involucrados en el desarrollo, prueba y puesta en funcionamiento de modelos de ML
• Profesionales que trabajan con bibliotecas de código abierto como Scikit-learn, PyTorch o TensorFlow
• Equipos que buscan simplificar el desarrollo de IA utilizando AutoML y MLflow en Databricks
Al finalizar el curso sabrás cómo:
• Usted utiliza Azure Databricks y Apache Spark para el procesamiento de datos
• Entrene modelos de aprendizaje automático utilizando marcos populares
• Optimizar hiperparámetros utilizando la biblioteca Optuna
• Automatizar el proceso de entrenamiento con AutoML en Azure Databricks
• Utilice MLflow para el seguimiento de experimentos y la gestión de modelos
• Entrenar modelos de aprendizaje profundo para escenarios complejos
• Implementar y administrar modelos de ML en entornos de producción
Los participantes deberán tener:
• Experiencia en el uso de Python para análisis de datos.
• Conocimiento de entrenamiento de modelos ML con Scikit-Learn, TensorFlow o PyTorch
• Familiaridad con los conceptos de aprendizaje automático y el ciclo de vida del modelo.
- exploración Azure Databricks
Introducción a la plataforma y arquitectura Azure Databricks - Uso de Apache Spark en Databricks
Procesamiento y análisis de datos a gran escala con Spark - Entrenamiento de un modelo ML en Databricks
Flujo básico: preparación de datos, entrenamiento, evaluación - Gestión del ciclo de vida de ML con MLflow
Seguimiento, control de versiones, registro de modelos - Ajuste de hiperparámetros con Optuna
Optimización automática del rendimiento del modelo - Uso de AutoML en Azure Databricks
Cree rápidamente modelos eficientes para los datos disponibles - Entrenamiento de modelos de aprendizaje profundo
Implementación de redes neuronales para PNL, visión y previsión - Gestión de modelos de ML en producción
Orquestación y publicación de modelos en entornos de producción
No hay programas de certificación en este momento.
