Dieser Lernpfad vermittelt, wie man skalierbare Machine-Learning-Lösungen mit Azure Databricks entwickelt, trainiert und produktiv einsetzt. Er richtet sich an Fachkräfte, die bereits Erfahrung mit Python und gängigen Open-Source-Frameworks wie Scikit-Learn, PyTorch oder TensorFlow haben. Der Fokus liegt auf der praktischen Anwendung von Apache Spark, MLflow, AutoML und Deep Learning in einer produktionsreifen Umgebung.
Price:
Erkunden von Azure Databricks
Einführung in die Plattform und ihre Funktionen.
Verwenden von Apache Spark in Azure Databricks
Verarbeitung und Analyse großer Datenmengen mit Spark.
Trainieren eines Machine Learning-Modells in Azure Databricks
Erstellung und Training von ML-Modellen mit verschiedenen Frameworks.
Verwenden von MLflow in Azure Databricks
Verwaltung des ML-Lebenszyklus mit MLflow.
Optimieren von Hyperparametern in Azure Databricks
Automatisierte Hyperparameteroptimierung mit Hyperopt.
Verwenden von AutoML in Azure Databricks
Automatisierte Erstellung effektiver ML-Modelle.
Trainieren von Deep Learning-Modellen in Azure Databricks
Einsatz von neuronalen Netzen für komplexe Aufgaben.
Verwalten von Machine Learning-Modellen in der Produktion mit Azure Databricks
Bereitstellung und Überwachung von ML-Modellen im Produktionsumfeld.
Teilnehmer sollten Erfahrung in der Datenanalyse mit Python sowie im Training von ML-Modellen mit Frameworks wie Scikit-Learn, PyTorch oder TensorFlow mitbringen. Es wird empfohlen, zuvor den Lernpfad „Erstellen von Machine Learning-Modellen“ zu absolvieren.
Der Kurs richtet sich an Data Scientists und Machine Learning Engineers, die skalierbare ML-Lösungen mit Azure Databricks entwickeln und in Produktionsumgebungen einsetzen möchten.
Price: