DP-3014: Implementing a Machine Learning solution with 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.

Physisch oder virtuell?

Nehmen Sie an einem unserer Standorte Frankfurt, München und Wien oder virtuell an unseren Klassenraumtrainings teil. Unter „Termin buchen“ werden Ihnen alle Optionen angezeigt, zuerst sortiert nach Standort, dann nach Datum.

Dauer

Trainingssprache

Deutsch

Trainingsart

brainyCLASS (offen)

Was werden Sie in diesem Training erlernen?

In diesem Training lernen Sie, praxisrelevante Fähigkeiten für die Umsetzung von Machine Learning-Lösungen mit Azure Databricks zu entwickeln. 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 stehen die Anwendung von Machine Learning-Prinzipien in der Azure Databricks-Umgebung, die Vorbereitung von Daten für maschinelles Lernen, das Training von Models sowie die Auswertung und Optimierung der Models. Der Schulungsinhalt deckt auch die Nutzung von MLflow für das Experimentieren, Registrieren und Bereitstellen von Modellen ab.

Agenda

Erkunden Sie Azure Databricks

Erste Schritte mit Azure Databricks

Erkennen von Azure Databricks-Workloads

Verständnis der grundlegenden Konzepte

Data Governance mithilfe von Unity Catalog und Microsoft Purview

Übung - Azure Databricks erkunden

Verwenden von Apache Spark in Azure Databricks

Einführung in Spark

Erstellen eines Spark-Clusters

Verwenden von Spark in Notebooks

Verwenden von Spark zur Arbeit mit Datenfiles

Datenvisualisierung

Übung : Verwenden von Spark in Azure Databricks

Trainieren eines Machine Learning Models in Azure Databricks

Grundlagen des maschinellen Lernens

Maschinelles Lernen in Azure Databricks

Vorbereitung von Daten für Machine Learning

Trainieren eines Machine Learning Models

Auswerten eines Machine Learning Models

Übung: Trainieren eines Machine Learning-Modells in Azure Databricks

Verwenden von MLflow in Azure Databricks

Fähigkeiten von MLflow

Ausführen von Experimenten mit MLflow

Registrieren und Bereitstellen von Modellen mit MLflow

Übung: Verwenden von MLflow in Azure Databricks

Optimieren von Hyperparametern in Azure Databricks

Hyperparameteroptimierung mit Hyperopt

Überprüfen von Hyperopt Trials

Skalierung von Hyperopt Trials

Übung: Optimieren von Hyperparametern für maschinelles Lernen in Azure Databricks

Verwenden von AutoML in Azure Databricks

Was ist AutoML?

Verwenden von AutoML in der Azure Databricks-Benutzeroberfläche

Verwenden von Code zum Ausführen eines AutoML-Experiments

Übung: Verwenden von AutoML in Azure Databricks

Trainieren von Deep Learning-Models in Azure Databricks

Grundlegendes zu Deep Learning-Konzepten

Trainieren von Models mit PyTorch

Verteilen von PyTorch-Trainingsaufgaben mit TorchDistributor

Übung: Trainieren von Deep Learning-Modellen in Azure Databricks

Verwalten von Machine Learning-Modellen in der Produktion mit Azure Databricks

Automatisieren der Datentransformationen

Erkunden der Modellentwicklung

Erkunden von Strategien für die Modellimplementierung

Erkunden der Versionsverwaltung und Lebenszyklusverwaltung für Modelle

Übung: Verwalten eines Machine Learning-Modells

Erkunden von Azure Databricks

Erste Schritte mit Azure Databricks

Erkennen von Azure Databricks-Workloads

Verständnis der grundlegenden Konzepte

Data Governance mithilfe von Unity Catalog und Microsoft Purview

Übung - Azure Databricks erkunden

Verwenden von Apache Spark in Azure Databricks

Einführung in Spark

Erstellen eines Spark-Clusters

Verwenden von Spark in Notebooks

Verwenden von Spark zum Arbeiten mit Datendateien

Visualisieren von Daten

Übung : Verwenden von Spark in Azure Databricks

Trainieren eines Machine Learning-Modells in Azure Databricks

Grundlagen des maschinellen Lernens

Maschinelles Lernen in Azure Databricks

Vorbereiten von Dateien für Machine Learning

Trainieren eines Machine Learning-Modells

Auswerten eines Machine Learning-Modells

Übung: Trainieren eines Machine Learning-Modells in Azure Databricks

Verwenden von MLflow in Azure Databricks

Funktionen von MLflow

Ausführen von Experimenten mit MLflow

Registrieren und Bereitstellen von Modellen mit MLflow

Übung: Verwenden von MLflow in Azure Databricks

Optimieren von Hyperparametern in Azure Databricks

Optimieren von Hyperparametern mit Hyperopt

Überprüfen von Hyperopt-Tests

Skalieren von Hyperopt-Tests

Übung: Optimieren von Hyperparametern für maschinelles Lernen in Azure Databricks

Verwenden von AutoML in Azure Databricks

Was ist AutoML?

Verwenden von AutoML in der Azure Databricks-Benutzeroberfläche

Verwenden von Code zum Ausführen eines AutoML-Experiments

Übung: Verwenden von AutoML in Azure Databricks

Trainieren von Deep Learning-Modellen in Azure Databricks

Grundlegendes zu Deep Learning-Konzepten

Trainieren von Modellen mit PyTorch

Verteilen von PyTorch-Trainingsaufgaben mit TorchDistributor

Übung: Trainieren von Deep Learning-Modellen in Azure Databricks

Verwalten von Machine Learning-Modellen in der Produktion mit Azure Databricks

Automatisieren der Datentransformationen

Erkunden der Modellentwicklung

Erkunden von Strategien für die Modellimplementierung

Erkunden der Versionsverwaltung und Lebenszyklusverwaltung für Modelle

Übung: Verwalten eines Machine Learning-Modells

REVIEWING ARCHITECTING CONCEPTS

SINGLE TO MULTIPLE ACCOUNTS

Group Exercise: Review Architecting on AWS core best practices
AWS Organizations for multi-account access and permissions
AWS SSO to simplify access and authentication across AWS accounts and third-party services
AWS Control Tower
Permissions, access, and authentication

HYBRID CONNECTIVITY

SPECIALIZED INFRASTRUCTURE

Zielgruppe

Data Engineers Data Analysts

Voraussetzung für den Kurs

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.

Partner

Microsoft Technik