Formation de modèles d'apprentissage automatique dans Azure Databricks

La mise à l'échelle des modèles d'apprentissage automatique pour traiter des ensembles de données massifs nécessite la bonne infrastructure cloud et une puissance de calcul distribuée. Azure Databricks fournit un environnement collaboratif qui simplifie les flux de travail d'analyse de données massives et d'apprentissage automatique. Ce cours textuel vous guide à travers les concepts fondamentaux de l'apprentissage automatique distribué. Vous apprendrez à préparer de grands ensembles de données, à entraîner des modèles à l'aide de Spark MLlib et à gérer le cycle de vie de l'apprentissage automatique. Ce que vous apprendrez : - Comprendre l'architecture de base d'Azure Databricks et de Spark pour l'apprentissage automatique. - Préparer et nettoyer des ensembles de données à grande échelle à l'aide de Spark DataFrames. - Entraîner des modèles d'apprentissage automatique supervisés à l'aide de la bibliothèque Spark MLlib. - Évaluer les performances du modèle à l'aide de métriques distribuées appropriées. - Suivre les expériences et enregistrer les paramètres, les métriques et les modèles avec MLflow. - Enregistrer et gérer les versions des modèles pour les flux de travail MLOps de base. Le cours commence par la terminologie essentielle et la configuration de l'espace de travail, puis aborde la préparation des données, l'entraînement des modèles et l'évaluation des performances. Enfin, vous explorerez les outils modernes de suivi des modèles et de gestion du cycle de vie. Ce cours est conçu pour les aspirants scientifiques des données, les ingénieurs des données et les développeurs qui débutent dans l'apprentissage automatique distribué sur le cloud. Aucune expérience préalable avec Databricks ou Spark n'est requise, bien qu'une compréhension de base de Python soit utile. Commencez à lire dès aujourd'hui pour créer des flux de travail d'apprentissage automatique évolutifs dans le cloud.