DP-3014 Implement a machine learning solution with Azure Databricks

Tämä Applied Skills -koulutus tarjoaa syvällisen katsauksen siihen, miten Azure Databricks -alustalla voidaan toteuttaa koneoppimisratkaisuja suurella skaalalla. Koulutuksessa opitaan muun muassa tiedon esikäsittelyä, mallien kouluttamista, hyperparametrien optimointia ja syväoppimismallien rakentamista käyttäen Apache Sparkia, MLflow’ta ja AutoML:ää.

Vie koneoppimisen osaamisesi uudelle tasolle – opi taitoja, joita tarvitaan nyt ja tulevaisuudessa datan ja teknologian maailmassa.

Tavoite

Koulutuksen tavoitteena on antaa osallistujille käytännön valmiudet suunnitella, toteuttaa ja hallita koneoppimisratkaisuja Azure Databricks -ympäristössä. Osallistujat oppivat hyödyntämään MLflow’ta mallien hallintaan, AutoML:ää mallien automatisointiin ja Hyperoptia hyperparametrien optimointiin. Lisäksi koulutuksessa käsitellään syväoppimismallien rakentamista ja kouluttamista.

Kenelle

Koulutus on suunnattu erityisesti data scientist -asiantuntijoille, koneoppimisen insinööreille ja ohjelmistokehittäjille, jotka haluavat syventää osaamistaan koneoppimisratkaisujen toteuttamisessa Azure Databricks -ympäristössä.

Koulutukseen osallistujalla on suositeltavaa olla kokemusta Python -ohjelmoinnista sekä tuntemusta yleisistä avoimen lähdekoodin koneoppimiskehyksistä, kuten Scikit-Learn, PyTorch ja TensorFlow. Aiempi kokemus Azure Databricksistä on myös hyödyksi.

Koulutuksen sisältö

Explore Azure Databricks

• Provision an Azure Databricks workspace.
• Identify core workloads and personas for Azure Databricks.
• Use Data Governance tools Unity Catalog and Microsoft Purview
• Describe key concepts of an Azure Databricks solution

Use Apache Spark in Azure Databricks

• Describe key elements of the Apache Spark architecture
• Create and configure a Spark cluster
• Describe use cases for Spark.
• Use Spark to process and analyze data stored in files.
• Use Spark to visualize data.

Train a machine learning model in Azure Databricks

• Prepare data for machine learning
• Train a machine learning model
• Evaluate a machine learning model

Use MLflow in Azure Databricks

• Use MLflow to log parameters, metrics, and other details from experiment runs
• Use MLflow to manage and deploy trained models

Tune hyperparameters in Azure Databricks

• Use the Hyperopt library to optimize hyperparameters
• Distribute hyperparameter tuning across multiple worker nodes

Use AutoML in Azure Databricks

• Use the AutoML user interface in Azure Databricks
• Use the AutoML API in Azure Databricks

Train deep learning models in Azure Databricks

• Train a deep learning model in Azure Databricks
• Distribute deep learning training by using the Horovod library

Manage machine learning in production with Azure Databricks

• Automate feature engineering and data pipelines
• Model development and training
• Model deployment strategies
• Model versioning and lifecycle management

Avainsanat

Applied Skills, Azure Databricks, Koneoppiminen, MLflow, AutoML, Hyperopt, Apache Spark, Python, Scikit-Learn, PyTorch, TensorFlow, Datatiede, Tekoäly, Microsoft Azure​