Kursüberblick
Azure Databricks ist eine vollständig verwaltete, cloudbasierte Datenanalyseplattform, mit der Entwickler KI und Innovation beschleunigen können, indem sie den Prozess der Erstellung von Datenanwendungen auf Unternehmensniveau vereinfachen. Entwickelt als gemeinsame Anstrengungen von Microsoft und dem Team, das Apache Spark gestartet hat, bietet Azure Databricks Data Science, Engineering und Analytische Teams eine einzige Plattform für die Verarbeitung von Big Data und maschinelles Lernen. In diesem Kurs erfahren Sie, wie Sie Azure Databricks verwenden, um Machine Learning-Modelle zu trainieren und bereitzustellen.
Zielgruppe
Dieser Kurs wurde für aufstrebende Datenwissenschaftler und KI-Ingenieure entwickelt, die machine Learning-Modelle mithilfe von Azure Databricks trainieren und verwalten müssen.
Kursinhalt
Erkunden von Azure Databricks
- Einführung
- Erste Schritte mit Azure Databricks
- Erkennen von Azure Databricks-Workloads
- Verständnis der grundlegenden Konzepte
- Data Governance mithilfe von Unity Catalog und Microsoft Purview
- Übung - Azure Databricks erkunden
- Modulbewertung
- Zusammenfassung
Verwenden von Apache Spark in Azure Databricks
- Einführung
- Einführung in Spark
- Erstellen eines Spark-Clusters
- Verwenden von Spark in Notebooks
- Verwenden von Spark zum Arbeiten mit Datendateien
- Visualisieren von Daten
- Übung : Verwenden von Spark in Azure Databricks
- Modulbewertung
- Zusammenfassung
Trainieren eines Machine Learning-Modells in Azure Databricks
- Einleitung
- Grundlegendes zu den Prinzipien des maschinellen Lernens
- Maschinelles Lernen in Azure Databricks
- Vorbereiten von Daten für maschinelles Lernen
- Trainieren eines Machine Learning-Modells
- Auswerten eines Machine Learning-Modells
- Übung: Trainieren eines Machine Learning-Modells in Azure Databricks
- Modulbewertung
- Zusammenfassung
Verwenden von MLflow in Azure Databricks
- Einleitung
- Funktionen von MLflow
- Ausführen von Experimenten mit MLflow
- Registrieren und Bedienen von Modellen mit MLflow
- Übung: Verwenden von MLflow in Azure Databricks
- Modulbewertung
- Zusammenfassung
Optimieren von Hyperparametern in Azure Databricks
- Einleitung
- Optimieren von Hyperparametern mit Optuna
- Testversionen überprüfen
- Hyperparameteroptimierung skalieren
- Übung: Optimieren von Hyperparametern für maschinelles Lernen in Azure Databricks
- Modulbewertung
- Zusammenfassung
Verwenden von AutoML in Azure Databricks
- Einführung
- Was ist AutoML?
- Verwenden von AutoML in der Azure Databricks-Benutzeroberfläche
- Verwenden von Code zum Ausführen eines AutoML-Experiments
- Übung: Verwenden von AutoML in Azure Databricks
- Modulbewertung
- Zusammenfassung
Trainieren von Deep Learning-Modellen in Azure Databricks
- Einleitung
- Grundlegendes zu Deep Learning-Konzepten
- Trainieren von Modellen mit PyTorch
- Verteilen von PyTorch-Trainingsaufgaben mit TorchDistributor
- Übung: Trainieren von Deep Learning-Modellen in Azure Databricks
- Modulbewertung
- Zusammenfassung
Verwalten von Machine Learning-Modellen in der Produktion mit Azure Databricks
- Einführung
- Automatisieren der Datentransformationen
- Erkunden der Modellentwicklung
- Erkunden von Strategien für die Modellimplementierung
- Erkunden der Versionsverwaltung und Lebenszyklusverwaltung für Modelle
- Übung: Verwalten eines Machine Learning-Modells
- Modulbewertung
- Zusammenfassung
Deutsch
Englisch
Polnisch
Ukrainisch
Deutschland
Niederlande
Polen
Ukraine
Saudi-Arabien
Vereinigte Arabische Emirate