Implement a Machine Learning Solution with Azure Databricks – Intensive Training («DP314»)

• Identifizieren von Kernarbeitslasten für Azure Databricks
• Vorbereiten der Data-Governance-Tools Unity Catalog und Microsoft Purview
• Beschreiben der Schlüsselkonzepte einer Azure-Databricks-Lösung
• Beschreiben der Schlüsselelemente der Apache-Spark-Architektur
• Verwenden von Spark zur Verarbeitung und Analyse von in Dateien gespeicherten Daten
• Vorbereiten von Daten für maschinelles Lernen und Trainieren eines Modells
• Verwenden von MLflow zur Protokollierung von Parametern, Metriken und anderen Details aus Experimentdurchläufen
• Verwenden der AutoML-Benutzeroberfläche in Azure Databricks
• Trainieren eines Deep-Learning-Modells in Azure Databricks

1 Einführung in Azure Databricks
Azure Databricks ist ein Clouddienst, der eine skalierbare Plattform für Datenanalysen mit Apache Spark bereitstellt.

2 Verwenden von Apache Spark in Azure Databricks
Azure Databricks basiert auf Apache Spark und ermöglicht es technischen Fachkräften für Daten und Analyst:innen, Spark-Aufträge auszuführen, um grosse Datenmengen zu transformieren, zu analysieren und zu visualisieren.

3 Trainieren eines Machine-Learning-Modells in Azure Databricks
Das maschinelle Lernen umfasst die Verwendung von Daten zum Trainieren eines Vorhersagemodells. Azure Databricks unterstützt mehrere häufig verwendete Machine-Learning-Frameworks, die Sie zum Trainieren von Modellen verwendenkönnen.

4 Verwenden von MLflow in Azure Databricks
MLflow ist eine Open Source Plattform zum Verwalten des Machine-Learning-Lebenszyklus, die in Azure Databricks nativ unterstützt wird.

5 Optimieren von Hyperparametern in Azure Databricks
Die Optimierung von Hyperparametern ist ein wesentlicher Bestandteil des maschinellen Lernens. In Azure Databricks können Sie die Hyperopt-Bibliothek verwenden, um Hyperparameter automatisch zu optimieren.

6 Verwenden von AutoML in Azure Databricks
AutoML in Azure Databricks vereinfacht den Prozess zur Erstellung eines effizienten Machine-Learning-Modells für Ihre Daten.

7 Trainieren von Deep Learning-Modellen in Azure Databricks
Deep Learning verwendet neuronale Netze, um hocheffektive Machine-Learning-Modelle für komplexe Vorhersagen, maschinelles Sehen, linguistische Datenverarbeitung und andere AI-Workloads zu trainieren.

8 Verwalten von Machine-Learning-Modellen in der Produktion mit Azure Databricks
Maschinelles Lernen ermöglicht eine datengesteuerte Entscheidungsfindung und Automatisierung, das Bereitstellen von Modellen in der Produktion, um in Echtzeit Erkenntnisse zu gewinnen, ist jedoch eine Herausforderung. Azure Databricks stellt eine einheitliche Plattform zum Erstellen, Trainieren und Bereitstellen von Machine-Learning-Modellen im grossen Stil bereit, die die Zusammenarbeit zwischen wissenschaftlichen und technischen Fachkräften für Daten fördert und diesen Prozess vereinfacht.

Data Scientists und Machine Learning Engineers

Dieser Kurs setzt voraus, dass Sie Erfahrung im Umgang mit Python haben, um Daten zu untersuchen und Machine-Learning-Modelle mit gängigen Open-Source-Frameworks wie Scikit-Learn, PyTorch und TensorFlow zu trainieren. Ziehen Sie in Erwägung, den Lernpfad Erstellen von Machine-Learning-Modellen vor diesem Kurs zu absolvieren.