Azure A Databricks egy platform cloud teljes körűen felügyelt fejlett adatelemzéshez és gépi tanuláshoz, a következők együttműködésével építve: Microsoft és az Apache Spark úttörő csapata. A kurzus megtanítja, hogyan kell használni Azure Databricks gépi tanulási modellek nagy léptékű, hatékony és együttműködő betanításához és telepítéséhez.
A résztvevők megismerkedhetnek egy gépi tanulási modell teljes életciklusával – az adatelőkészítéstől és -képzéstől kezdve a hiperparaméterek finomhangolásán át az AutoML használatáig és az éles környezetben történő MLflow-val történő kezelésig.
A tanfolyam ajánlott:
• Adattudósok, akik skálázható gépi tanulási megoldásokat szeretnének bevezetni Azure
• Mesterséges intelligencia mérnökök, akik részt vesznek gépi tanulási modellek fejlesztésében, tesztelésében és üzembe helyezésében
• Nyílt forráskódú könyvtárakkal, például Scikit-learn-nel, PyTorch-cal vagy TensorFlow-val dolgozó szakemberek
• Csapatok, amelyek az AutoML és az MLflow használatával szeretnék egyszerűsíteni a mesterséges intelligencia fejlesztését a Databricksben
A kurzus elvégzése után tudni fogod, hogyan:
• Használod Azure Databricks és Apache Spark az adatfeldolgozáshoz
• Gépi tanulási modellek betanítása népszerű keretrendszerek használatával
• Hiperparaméterek optimalizálása az Optuna könyvtár használatával
• Automatizálja a betanítási folyamatot az AutoML segítségével Azure Adattárak
• Használja az MLflow-t a kísérletek követéséhez és a modellkezeléshez
• Mélytanulási modellek betanítása összetett forgatókönyvekhez
• ML modellek telepítése és kezelése éles környezetekben
A résztvevőknek rendelkezniük kell:
• Tapasztalat Python használatában adatelemzésben
• ML modellek Scikit-Learn, TensorFlow vagy PyTorch segítségével történő betanításának ismerete
• Jártasság a gépi tanulás koncepcióiban és a modell életciklusában
- kutatás Azure Adattárak
Bevezetés a platformba és az architektúrába Azure Adattárak - Az Apache Spark használata Databricksben
Nagyméretű adatfeldolgozás és -elemzés a Spark segítségével - ML modell betanítása Databricksben
Alapvető folyamat: adatelőkészítés, betanítás, kiértékelés - ML életciklus kezelése az MLflow segítségével
Követés, verziókezelés, modellregisztráció - Hiperparaméter finomhangolás Optunával
A modell teljesítményének automatikus optimalizálása - Az AutoML használata Azure Adattárak
Gyorsan hozzon létre hatékony modelleket a rendelkezésre álló adatokból - Mély tanulási modellek betanítása
Neurális hálózatok megvalósítása NLP-hez, látásmódhoz és előrejelzéshez - ML modellek kezelése éles környezetben
Modellek összehangolása és közzététele éles környezetekben
