Azure Databricks è una piattaforma cloud completamente gestito per l'analisi avanzata dei dati e l'apprendimento automatico, costruito attraverso la collaborazione tra Microsoft e il team che ha ideato Apache Spark. Il corso ti insegnerà come utilizzare Azure Databricks per addestrare e distribuire modelli di apprendimento automatico su larga scala, in modo efficiente e collaborativo.
I partecipanti esploreranno l'intero ciclo di vita di un modello ML, dalla preparazione e dall'addestramento dei dati, all'ottimizzazione degli iperparametri, all'utilizzo di AutoML e alla gestione in produzione con MLflow.
Il corso è consigliato per:
• Data Scientist che desiderano implementare soluzioni ML scalabili in Azure
• Ingegneri di intelligenza artificiale coinvolti nello sviluppo, nel test e nell'operatività dei modelli di apprendimento automatico
• Professionisti che lavorano con librerie open source come Scikit-learn, PyTorch o TensorFlow
• Team che desiderano semplificare lo sviluppo dell'intelligenza artificiale utilizzando AutoML e MLflow in Databricks
Dopo aver completato il corso, saprai come:
• Tu usi Azure Databricks e Apache Spark per l'elaborazione dei dati
• Addestrare modelli di apprendimento automatico utilizzando framework popolari
• Ottimizzare gli iperparametri utilizzando la libreria Optuna
• Automatizza il processo di formazione con AutoML in Azure Databricks
• Utilizzare MLflow per il monitoraggio degli esperimenti e la gestione dei modelli
• Addestrare modelli di apprendimento profondo per scenari complessi
• Distribuire e gestire modelli ML in ambienti di produzione
I partecipanti devono avere:
• Esperienza nell'uso di Python per l'analisi dei dati
• Conoscenza dei modelli di ML di addestramento con Scikit-Learn, TensorFlow o PyTorch
• Familiarità con i concetti di apprendimento automatico e il ciclo di vita del modello
- esplorazione Azure Databricks
Introduzione alla piattaforma e all'architettura Azure Databricks - Utilizzo di Apache Spark in Databricks
Elaborazione e analisi di dati su larga scala con Spark - Addestramento di un modello ML in Databricks
Flusso di base: preparazione dei dati, formazione, valutazione - Gestire il ciclo di vita del ML con MLflow
Monitoraggio, controllo delle versioni, registrazione del modello - Ottimizzazione degli iperparametri con Optuna
Ottimizzazione automatica delle prestazioni del modello - Utilizzo di AutoML in Azure Databricks
Crea rapidamente modelli efficienti per i dati disponibili - Formazione di modelli di apprendimento profondo
Implementazione di reti neurali per NLP, visione e previsione - Gestione dei modelli ML in produzione
Orchestrazione e pubblicazione di modelli in ambienti di produzione
Non ci sono programmi di certificazione in questo momento.
