Build machine learning solutions using Azure Databricks

Azure Databricks ist eine Plattform im Cloudmaßstab für Datenanalyse und Machine Learning.
Data Scientists und Machine Learning-Engineers können Azure Databricks verwenden, um Machine-Learning-Lösungen im großen Stil zu implementieren.

Explore Azure Databricks

• Get started with Azure Databricks
• Identify Azure Databricks workloads
• Understand key concepts
• Data governance using Unity Catalog and Microsoft Purview

Use Apache Spark in Azure Databricks

• Get to know Spark
• Create a Spark cluster
• Use Spark in notebooks
• Use Spark to work with data files
• Visualize data

Train a machine learning model in Azure Databricks

• Understand principles of machine learning
• Machine learning in Azure Databricks
• Prepare data for machine learning
• Train a machine learning model
• Evaluate a machine learning model

Use MLflow in Azure Databricks

• Capabilities of MLflow
• Run experiments with MLflow
• Register and serve models with MLflow

Tune hyperparameters in Azure Databricks

• Optimize hyperparameters with Hyperopt
• Review Hyperopt trials
• Scale Hyperopt trials

Use AutoML in Azure Databricks

• What is AutoML?
• Use AutoML in the Azure Databricks user interface
• Use code to run an AutoML experiment

Train deep learning models in Azure Databricks

• Understand deep learning concepts
• Train models with PyTorch
• Distribute PyTorch training with TorchDistributor

Manage machine learning in production with Azure Databricks

• Automate your data transformations
• Explore model development
• Explore model deployment strategies
• Explore model versioning and lifecycle management

• Fortgeschrittene Anfänger
• Data Scientist

In diesem Training wird davon ausgegangen, dass Sie über Erfahrung im Umgang mit Python für die Untersuchung von Daten verfügen und damit vertraut sind, 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 zu absolvieren, bevor Sie den vorliegenden Training bearbeiten.