Databricks Machine Learning: Modelle erstellen und bereitstellen

Viele Machine-Learning-Modelle liefern keinen Mehrwert, weil sie die experimentelle Phase nie verlassen. Databricks bietet eine einheitliche Plattform, die die Lücke zwischen Data Science und Produktionsbereitstellung schließt. In diesem textbasierten Kurs erfahren Sie, wie Sie Databricks nutzen können, um den gesamten Lebenszyklus des maschinellen Lernens zu verwalten. Sie werden vom Schreiben von isoliertem Code zum Erstellen skalierbarer, kollaborativer ML-Pipelines übergehen, die für die Bereitstellung in der realen Welt bereit sind. Was Sie lernen: Grundlegende Databricks-Arbeitsbereichskonzepte und kollaborative Notizbücher verstehen; Datenaufbereitung und Feature-Engineering mit Delta Lake erkunden; Machine-Learning-Modelle mit beliebten Bibliotheken in der Databrick-Umgebung trainieren und optimieren; Experimente und Parameter mit integriertem MLflow-Tracking verfolgen; Registrieren, Verwalten Sie Modelle für die Bereitstellung mit der MLflow-Modellregistrierung, und wenden Sie Best Practices für skalierbares Modelltraining und grundlegende Pipelineautomatisierung an. Der Kurs beginnt mit der grundlegenden Terminologie und Navigation im Arbeitsbereich von Databricks und führt Sie dann Schritt für Schritt durch die Datenvorbereitung, das Modelltraining, die Experimentverfolgung und das Lebenszyklusmanagement. Dieser Kurs richtet sich an angehende Data Scientists, Analysten und Software-Ingenieure, die neu bei Databricks sind und lernen möchten, wie man maschinelle Lernmodelle operationalisiert. Es sind keine vorherigen Databricks-Erfahrungen erforderlich, aber ein grundlegendes Verständnis von Python und Konzepten des maschinellen Lernens ist hilfreich. Lesen Sie noch heute weiter, um die Tools zu erlernen, die Sie für die Erstellung produktionsreifer Machine-Learning-Workflows benötigen.