Build machine learning solutions using Azure DatabricksDP-3014MSMicrosoftMS-DP-30141.0<p>Dieser Kurs wurde für aufstrebende Datenwissenschaftler und KI-Ingenieure entwickelt, die machine Learning-Modelle mithilfe von Azure Databricks trainieren und verwalten müssen.</p><h4>Erkunden von Azure Databricks</h4><ul>
<li>Einführung</li><li>Erste Schritte mit Azure Databricks</li><li>Erkennen von Azure Databricks-Workloads</li><li>Verständnis der grundlegenden Konzepte</li><li>Data Governance mithilfe von Unity Catalog und Microsoft Purview</li><li>Übung - Azure Databricks erkunden</li><li>Modulbewertung</li><li>Zusammenfassung</li></ul>
<h4>Verwenden von Apache Spark in Azure Databricks</h4><ul>
<li>Einführung</li><li>Einführung in Spark</li><li>Erstellen eines Spark-Clusters</li><li>Verwenden von Spark in Notebooks</li><li>Verwenden von Spark zum Arbeiten mit Datendateien</li><li>Visualisieren von Daten</li><li>Übung : Verwenden von Spark in Azure Databricks</li><li>Modulbewertung</li><li>Zusammenfassung</li></ul>
<h4>Trainieren eines Machine Learning-Modells in Azure Databricks</h4><ul>
<li>Einleitung</li><li>Grundlegendes zu den Prinzipien des maschinellen Lernens</li><li>Maschinelles Lernen in Azure Databricks</li><li>Vorbereiten von Daten für maschinelles Lernen</li><li>Trainieren eines Machine Learning-Modells</li><li>Auswerten eines Machine Learning-Modells</li><li>Übung: Trainieren eines Machine Learning-Modells in Azure Databricks</li><li>Modulbewertung</li><li>Zusammenfassung</li></ul>
<h4>Verwenden von MLflow in Azure Databricks</h4><ul>
<li>Einleitung</li><li>Funktionen von MLflow</li><li>Ausführen von Experimenten mit MLflow</li><li>Registrieren und Bedienen von Modellen mit MLflow</li><li>Übung: Verwenden von MLflow in Azure Databricks</li><li>Modulbewertung</li><li>Zusammenfassung</li></ul>
<h4>Optimieren von Hyperparametern in Azure Databricks</h4><ul>
<li>Einleitung</li><li>Optimieren von Hyperparametern mit Optuna</li><li>Testversionen überprüfen</li><li>Hyperparameteroptimierung skalieren</li><li>Übung: Optimieren von Hyperparametern für maschinelles Lernen in Azure Databricks</li><li>Modulbewertung</li><li>Zusammenfassung</li></ul>
<h4>Verwenden von AutoML in Azure Databricks</h4><ul>
<li>Einführung</li><li>Was ist AutoML?</li><li>Verwenden von AutoML in der Azure Databricks-Benutzeroberfläche</li><li>Verwenden von Code zum Ausführen eines AutoML-Experiments</li><li>Übung: Verwenden von AutoML in Azure Databricks</li><li>Modulbewertung</li><li>Zusammenfassung</li></ul>
<h4>Trainieren von Deep Learning-Modellen in Azure Databricks</h4><ul>
<li>Einleitung</li><li>Grundlegendes zu Deep Learning-Konzepten</li><li>Trainieren von Modellen mit PyTorch</li><li>Verteilen von PyTorch-Trainingsaufgaben mit TorchDistributor</li><li>Übung: Trainieren von Deep Learning-Modellen in Azure Databricks</li><li>Modulbewertung</li><li>Zusammenfassung</li></ul>
<h4>Verwalten von Machine Learning-Modellen in der Produktion mit Azure Databricks</h4><ul>
<li>Einführung</li><li>Automatisieren der Datentransformationen</li><li>Erkunden der Modellentwicklung</li><li>Erkunden von Strategien für die Modellimplementierung</li><li>Erkunden der Versionsverwaltung und Lebenszyklusverwaltung für Modelle</li><li>Übung: Verwalten eines Machine Learning-Modells</li><li>Modulbewertung</li><li>Zusammenfassung</li></ul>Dieser Kurs wurde für aufstrebende Datenwissenschaftler und KI-Ingenieure entwickelt, die machine Learning-Modelle mithilfe von Azure Databricks trainieren und verwalten müssen.Erkunden von Azure Databricks
- Einführung
- 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
- Modulbewertung
- Zusammenfassung
Verwenden von Apache Spark in Azure Databricks
- Einführung
- 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
- Modulbewertung
- Zusammenfassung
Trainieren eines Machine Learning-Modells in Azure Databricks
- Einleitung
- Grundlegendes zu den Prinzipien des maschinellen Lernens
- Maschinelles Lernen in Azure Databricks
- Vorbereiten von Daten für maschinelles Lernen
- Trainieren eines Machine Learning-Modells
- Auswerten eines Machine Learning-Modells
- Übung: Trainieren eines Machine Learning-Modells in Azure Databricks
- Modulbewertung
- Zusammenfassung
Verwenden von MLflow in Azure Databricks
- Einleitung
- Funktionen von MLflow
- Ausführen von Experimenten mit MLflow
- Registrieren und Bedienen von Modellen mit MLflow
- Übung: Verwenden von MLflow in Azure Databricks
- Modulbewertung
- Zusammenfassung
Optimieren von Hyperparametern in Azure Databricks
- Einleitung
- Optimieren von Hyperparametern mit Optuna
- Testversionen überprüfen
- Hyperparameteroptimierung skalieren
- Übung: Optimieren von Hyperparametern für maschinelles Lernen in Azure Databricks
- Modulbewertung
- Zusammenfassung
Verwenden von AutoML in Azure Databricks
- Einführung
- 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
- Modulbewertung
- Zusammenfassung
Trainieren von Deep Learning-Modellen in Azure Databricks
- Einleitung
- 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
- Modulbewertung
- Zusammenfassung
Verwalten von Machine Learning-Modellen in der Produktion mit Azure Databricks
- Einführung
- 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
- Modulbewertung
- Zusammenfassung1 Tag1400.00490.00690.00690.00690.00645.00675.00675.00940.00870.00690.00950.00