Build machine learning solutions using Azure Databricks (DP-3014)
Azure Databricks je plně spravovaná cloudová platforma pro analýzu dat, která umožňuje vývojářům urychlovat vývoj umělé inteligence a inovace zjednodušením procesu tvorby podnikových datových aplikací. Azure Databricks, vyvinutý ve spolupráci společnosti Microsoft a týmu, který stál u zrodu Apache Spark, poskytuje týmům datových vědců, inženýrů a analytiků jednotnou platformu pro zpracování velkých dat a strojové učení. V tomto kurzu se naučíte, jak používat Azure Databricks k trénování a nasazování modelů strojového učení.
Profil cílové skupiny
Tento kurz je určen začínajícím datovým vědcům a inženýrům v oblasti umělé inteligence, kteří potřebují trénovat a spravovat modely strojového učení pomocí Azure Databricks.
Předpoklady
Toto vzdělávání předpokládá, že máte zkušenosti s používáním jazyka Python pro průzkum dat a trénování modelů strojového učení s využitím běžných open source frameworků, jako jsou Scikit-Learn, PyTorch a TensorFlow. Před zahájením tohoto kurzu zvažte absolvování kurzu Vytváření modelů strojového učení.
Osnova kurzu
Seznámení s Azure Databricks
Azure Databricks je cloudová služba, která poskytuje škálovatelnou platformu pro analýzu dat pomocí Apache Spark.
- Úvod
- Začínáme s Azure Databricks
- Identifikace úloh Azure Databricks
- Pochopení klíčových konceptů
- Správa dat pomocí Unity Catalog a Microsoft Purview
- Cvičení – Seznámení s Azure Databricks
- Hodnocení modulu
- Shrnutí
Použití Apache Spark v Azure Databricks
Azure Databricks je postaven na Apache Spark a umožňuje datovým inženýrům a analytikům spouštět úlohy Spark pro transformaci, analýzu a vizualizaci dat ve velkém měřítku.
- Úvod
- Seznámení se Sparkem
- Vytvoření clusteru Spark
- Použití Sparku v poznámkových blocích
- Použití Sparku pro práci s datovými soubory
- Vizualizace dat
- Cvičení – Použití Sparku v Azure Databricks
- Hodnocení modulu
- Shrnutí
Trénování modelu strojového učení v Azure Databricks
Strojové učení zahrnuje využití dat k trénování prediktivního modelu. Azure Databricks podporuje několik běžně používaných frameworků strojového učení, které lze využít k trénování modelů.
- Úvod
- Pochopení principů strojového učení
- Strojové učení v Azure Databricks
- Příprava dat pro strojové učení
- Trénování modelu strojového učení
- Vyhodnocení modelu strojového učení
- Cvičení – Trénování modelu strojového učení v Azure Databricks
- Hodnocení modulu
- Shrnutí
Použití MLflow v Azure Databricks
MLflow je open source platforma pro správu životního cyklu strojového učení, která je nativně podporována v Azure Databricks.
- Úvod
- Možnosti MLflow
- Spouštění experimentů s MLflow
- Registrace a nasazování modelů pomocí MLflow
- Cvičení – Použití MLflow v Azure Databricks
- Hodnocení modulu
- Shrnutí
Ladění hyperparametrů v Azure Databricks
Ladění hyperparametrů je nezbytnou součástí strojového učení. V Azure Databricks lze k automatické optimalizaci hyperparametrů použít knihovnu Optuna.
- Úvod
- Optimalizace hyperparametrů pomocí Optuna
- Přehled pokusů
- Škálování optimalizace hyperparametrů
- Cvičení – Optimalizace hyperparametrů pro strojové učení v Azure Databricks
- Hodnocení modulu
- Shrnutí
Použití AutoML v Azure Databricks
AutoML v Azure Databricks zjednodušuje proces tvorby efektivního modelu strojového učení pro vaše data.
- Úvod
- Co je AutoML?
- Použití AutoML v uživatelském rozhraní Azure Databricks
- Použití kódu ke spuštění experimentu AutoML
- Cvičení – Použití AutoML v Azure Databricks
- Hodnocení modulu
- Shrnutí
Trénování modelů hlubokého učení v Azure Databricks
Hluboké učení využívá neuronové sítě k trénování vysoce efektivních modelů strojového učení pro komplexní předpovídání, počítačové vidění, zpracování přirozeného jazyka a další úlohy umělé inteligence.
- Úvod
- Pochopení konceptů hlubokého učení
- Trénování modelů pomocí PyTorch
- Distribuované trénování PyTorch pomocí TorchDistributor
- Cvičení – Trénování modelů hlubokého učení v Azure Databricks
- Hodnocení modulu
- Shrnutí
Správa strojového učení v produkčním prostředí pomocí Azure Databricks
Strojové učení umožňuje rozhodování na základě dat a automatizaci, avšak nasazení modelů do produkčního prostředí pro získávání přehledů v reálném čase představuje náročný úkol. Azure Databricks tento proces zjednodušuje tím, že poskytuje jednotnou platformu pro tvorbu, trénování a nasazování modelů strojového učení ve velkém měřítku a podporuje spolupráci mezi datovými vědci a inženýry.
- Úvod
- Automatizace datových transformací
- Průzkum vývoje modelů
- Průzkum strategií nasazení modelů
- Průzkum správy verzí modelů a jejich životního cyklu
- Cvičení – Správa modelu strojového učení
- Hodnocení modulu
- Shrnutí
Více od Microsoft
Accelerate sales pipelines with AI in Dynamics 365 | Podnikové systémy
Administer Active Directory Domain Services | Cloud
Administer Microsoft 365 and AI services | Jiné
Administer Windows Server | Jiné
Administer Windows Server - Certification Fast Track | Jiné
Administering Microsoft Endpoint Configuration Manager | Jiné