Machine Learning mit Databricks und MLflow

Die Optimierung des Lebenszyklus von Machine Learning ist eine der wertvollsten Fähigkeiten in der modernen Datenwissenschaft. Dieser textbasierte Kurs führt Sie durch die Verwaltung, Nachverfolgung und Bereitstellung von Machine-Learning-Modellen mit der leistungsstarken Kombination von Databricks und MLflow. Sie werden vom Schreiben von isoliertem Machine-Learning-Code zum Aufbau strukturierter, reproduzierbarer Pipelines übergehen. Durch das Verständnis der Kernmechanismen der Experimentverfolgung, der Modellverpackung und der Bereitstellung gewinnen Sie das Vertrauen, um reale Lebenszyklen des maschinellen Lernens zu verwalten. Was Sie lernen werden: - Verstehen Sie die grundlegende Architektur von Databricks und wie sie in MLflow integriert ist. - Verfolgen Sie Parameter, Metriken und Artefakte während des Modelltrainings, um eine vollständige Reproduzierbarkeit zu gewährleisten. - Verwalten Sie den Modelllebenszyklus mit der MLflow Model Registry, um Modelle von der Entwicklung in die Produktion zu überführen. - Bereitstellen trainierter Modelle als skalierbare REST-APIs und Batch-Inferenz-Pipelines. - Wenden Sie moderne MLOps Best Practices an, um die Modellleistung im Laufe der Zeit zu überwachen und zu erhalten. Der Kurs beginnt mit grundlegenden Konzepten zur Einrichtung des Arbeitsbereichs und zur Datenvorbereitung, bevor Schritt für Schritt die Experimentverfolgung, die Modellregistrierung und die Bereitstellungsstrategien durchlaufen werden. Sie lernen durch klare schriftliche Erklärungen, strukturierte Code-Walkthroughs und konzeptionelle Erklärung. Dieser Kurs richtet sich an Anfänger, die sich mit Datenwissenschaften, Softwareentwicklung und Datenanalyse befassen und maschinelle Lernvorgänge erlernen möchten. Es sind keine Vorkenntnisse mit Databricks oder MLflow erforderlich, aber ein grundlegendes Verständnis von Python ist hilfreich. Beginnen Sie noch heute mit Ihrer Reise in die optimierte Entwicklung von Machine Learning.