Build machine learning solutions using Azure Databricks

Dieser Kurs wurde für aufstrebende Datenwissenschaftler und KI-Ingenieure entwickelt, die machine Learning-Modelle mithilfe von Azure Databricks trainieren und verwalten müssen.

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