DP-3014 Implementing a Machine Learning solution with Azure Databricks

Classroom Schulung | Deutsch | Anspruch

Schulungsdauer: 1 Tag

Ziele

In dieser 1-tägigen Schulung "DP-3014 Implementing a Machine Learning solution with Azure Databricks" entwickeln Sie praxisrelevante Fähigkeiten für die Umsetzung von Machine Learning-Lösungen mit Azure Databricks. Der Kurs vermittelt grundlegende Konzepte und praxisnahe Anwendungen, um die Teilnehmer mit den spezifischen Arbeitslasten, Funktionen und Werkzeugen von Azure Databricks vertraut zu machen.

Im Fokus steht die Anwendung von Machine Learning-Prinzipien in der Azure Databricks-Umgebung, die Vorbereitung von Daten für maschinelles Lernen, das Training von Modellen sowie die Auswertung und Optimierung der Models. Der Schulungsinhalt deckt auch die Nutzung von MLflow für das Experimentieren, Registrieren und Bereitstellen von Modellen ab.

Zielgruppe

  • Data Engineers
  • Data Analysts

Voraussetzungen

  • Erfahrung mit Python
  • Grundkenntnisse von Machine Learning

Agenda

Erkunden Sie Azure Databricks

  • Einstieg in Azure Databricks
  • Identifizieren von Azure Databricks Workloads
  • Verständnis wichtiger Konzepte

Verwenden von Apache Spark in Azure Databricks

  • Kennenlernen von Spark
  • Erstellen eines Spark-Clusters
  • Verwenden von Spark in Notebooks
  • Verwenden von Spark zur Arbeit mit Datenfiles
  • Datenvisualisierung

Trainieren eines Machine Learning Models in Azure Databricks

  • Verständnis der Prinzipien des Machine Learning
  • Maschinelles Lernen in Azure Databricks
  • Vorbereitung von Daten für Machine Learning
  • Trainieren eines Machine Learning Models
  • Auswerten eines Machine Learning Models

Verwenden von MLflow in Azure Databricks

  • Fähigkeiten von MLflow
  • Experimente mit MLflow durchführen
  • Models mit MLflow registrieren und bereitstellen

Optimieren von Hyperparametern in Azure Databricks

  • Hyperparameteroptimierung mit Hyperopt
  • Überprüfen von Hyperopt Trials
  • Skalierung von Hyperopt Trials

Verwenden von AutoML in Azure Databricks

  • Was ist AutoML?
  • Verwenden von AutoML in der Azure Databricks-Benutzeroberfläche
  • Verwenden von Code für ein AutoML-Experiment

Trainieren von Deep Learning-Models in Azure Databricks

  • Verständnis der Grundkonzepte des Deep Learning
  • Trainieren von Models mit PyTorch
  • Verteiltes PyTorch-Training mit Horovod

Ziele

In dieser 1-tägigen Schulung "DP-3014 Implementing a Machine Learning solution with Azure Databricks" entwickeln Sie praxisrelevante Fähigkeiten für die Umsetzung von Machine Learning-Lösungen mit Azure Databricks. Der Kurs vermittelt grundlegende Konzepte und praxisnahe Anwendungen, um die Teilnehmer mit den spezifischen Arbeitslasten, Funktionen und Werkzeugen von Azure Databricks vertraut zu machen.

Im Fokus steht die Anwendung von Machine Learning-Prinzipien in der Azure Databricks-Umgebung, die Vorbereitung von Daten für maschinelles Lernen, das Training von Modellen sowie die Auswertung und Optimierung der Models. Der Schulungsinhalt deckt auch die Nutzung von MLflow für das Experimentieren, Registrieren und Bereitstellen von Modellen ab.

Zielgruppe

  • Data Engineers
  • Data Analysts

Voraussetzungen

  • Erfahrung mit Python
  • Grundkenntnisse von Machine Learning

Agenda

Erkunden Sie Azure Databricks

  • Einstieg in Azure Databricks
  • Identifizieren von Azure Databricks Workloads
  • Verständnis wichtiger Konzepte

Verwenden von Apache Spark in Azure Databricks

  • Kennenlernen von Spark
  • Erstellen eines Spark-Clusters
  • Verwenden von Spark in Notebooks
  • Verwenden von Spark zur Arbeit mit Datenfiles
  • Datenvisualisierung

Trainieren eines Machine Learning Models in Azure Databricks

  • Verständnis der Prinzipien des Machine Learning
  • Maschinelles Lernen in Azure Databricks
  • Vorbereitung von Daten für Machine Learning
  • Trainieren eines Machine Learning Models
  • Auswerten eines Machine Learning Models

Verwenden von MLflow in Azure Databricks

  • Fähigkeiten von MLflow
  • Experimente mit MLflow durchführen
  • Models mit MLflow registrieren und bereitstellen

Optimieren von Hyperparametern in Azure Databricks

  • Hyperparameteroptimierung mit Hyperopt
  • Überprüfen von Hyperopt Trials
  • Skalierung von Hyperopt Trials

Verwenden von AutoML in Azure Databricks

  • Was ist AutoML?
  • Verwenden von AutoML in der Azure Databricks-Benutzeroberfläche
  • Verwenden von Code für ein AutoML-Experiment

Trainieren von Deep Learning-Models in Azure Databricks

  • Verständnis der Grundkonzepte des Deep Learning
  • Trainieren von Models mit PyTorch
  • Verteiltes PyTorch-Training mit Horovod

Tags

Diese Seite weiterempfehlen