Suche
Close this search box.

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
1
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
Data Engineers Data Analysts
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.
Microsoft Technik

725,00 

Startdatum und Ort wählen

Terminübersicht