Predicciones por lotes con modelos desplegados en Fabric

Cómo aplicar sus modelos de machine learning entrenados a conjuntos de datos masivos del mundo real. La generación eficiente de predicciones por lotes es un requisito fundamental para los flujos de trabajo modernos de ingeniería de datos y ciencia de datos. Este curso lo guiará a través del proceso de carga de modelos de machine learning desplegados y la ejecución de inferencias por lotes dentro del ecosistema de Fabric. Pasará de comprender los flujos de trabajo predictivos básicos a configurar canalizaciones de predicción automatizadas y de alto rendimiento que manejan datos a gran escala con facilidad. Lo que aprenderá: - Comprender los conceptos centrales de predicción por lotes y despliegue de modelos en Fabric - Cargar modelos de machine learning registrados desde el registro del espacio de trabajo - Aplicar modelos a grandes conjuntos de datos utilizando flujos de trabajo escalables de Spark y Python - Optimizar el rendimiento de la inferencia con bibliotecas de dataframes modernas y procesamiento paralelo - Escribir resultados de predicción de vuelta a lakehouses o data warehouses para su consumo posterior - Implementar prácticas básicas de MLOps para rastrear la deriva de las predicciones del modelo a lo largo del tiempo Comenzará aprendiendo la terminología fundamental de despliegue de machine learning y la arquitectura de Fabric. A partir de ahí, progresará a través de explicaciones escritas paso a paso y fragmentos de código de Python que demuestran cómo cargar modelos, preparar datos de entrada y almacenar resultados de predicción de forma segura. Este curso está diseñado para analistas de datos principiantes, aspirantes a científicos de datos e ingenieros de datos que desean operacionalizar modelos de machine learning. No se requiere experiencia previa con Fabric, aunque una familiaridad básica con Python es útil. Comience a aprender hoy mismo y libere el poder de las predicciones por lotes automatizadas en sus canalizaciones de datos.