Azure Databricks – це платформа cloud повністю керований для розширеного аналізу даних та машинного навчання, побудований завдяки співпраці між Microsoft та команда, яка започаткувала Apache Spark. Курс навчить вас використовувати Azure Цеглини даних для навчання та розгортання моделей машинного навчання у великих масштабах, ефективним та спільним способом.
Учасники дослідять весь життєвий цикл моделі машинного навчання — від підготовки даних та навчання до налаштування гіперпараметрів, використання AutoML та управління у виробництві за допомогою MLflow.
Курс рекомендований для:
• Спеціалісти з обробки даних, які хочуть впроваджувати масштабовані рішення машинного навчання (ML) у Azure
• Інженери штучного інтелекту, що займаються розробкою, тестуванням та впровадженням моделей машинного навчання
• Фахівці, які працюють з бібліотеками з відкритим кодом, такими як Scikit-learn, PyTorch або TensorFlow
• Команди, які прагнуть спростити розробку штучного інтелекту за допомогою AutoML та MLflow у Databricks
Після завершення курсу ви знатимете, як:
• Ви використовуєте Azure Databricks та Apache Spark для обробки даних
• Навчайте моделі машинного навчання за допомогою популярних фреймворків
• Оптимізуйте гіперпараметри за допомогою бібліотеки Optuna
• Автоматизуйте процес навчання за допомогою AutoML у Azure Збір даних
• Використовуйте MLflow для відстеження експериментів та керування моделями
• Навчання моделей глибокого навчання для складних сценаріїв
• Розгортання та керування моделями машинного навчання у виробничих середовищах
Учасники повинні мати:
• Досвід використання Python для аналізу даних
• Знання навчання моделей машинного навчання за допомогою Scikit-Learn, TensorFlow або PyTorch
• Знайомство з концепціями машинного навчання та життєвим циклом моделі
- розвідка Azure Збір даних
Вступ до платформи та архітектури Azure Збір даних - Використання Apache Spark у Databricks
Обробка та аналіз великомасштабних даних за допомогою Spark - Навчання моделі машинного навчання в Databricks
Основний процес: підготовка даних, навчання, оцінювання - Управління життєвим циклом машинного навчання за допомогою MLflow
Відстеження, керування версіями, реєстрація моделі - Налаштування гіперпараметрів за допомогою Optuna
Автоматична оптимізація продуктивності моделі - Використання AutoML в Azure Збір даних
Швидко створюйте ефективні моделі для доступних даних - Навчання моделей глибокого навчання
Впровадження нейронних мереж для NLP, зору та прогнозування - Керування моделями машинного навчання (ML) у продакшені
Оркестрація та публікація моделей у виробничих середовищах
