DP-3014 Implementing a Machine Learning solution with Azure Databricks

Preis
Netto: €
MwSt.: €

Preis
Preis auf Anfrage

Dauer
1 Tag

Für Unternehmen und Arbeitsuchende:
dieser Kurs ist zu 100 % förderfähig!
 

Standort

Kurssprache
englisch

Trainingslösungen
Online Live

Jetzt Beratung vereinbaren Als Favorit speichern Als PDF drucken/speichern

Skalierbare Machine-Learning-Lösungen entstehen durch das Zusammenspiel von Datenengineering, Modellierung und Cloud-Technologie. Azure Databricks etabliert sich dabei als zentrales Werkzeug für moderne KI-Architekturen.

Zentrale Themen

  • Aufbau von Databricks-Umgebungen in Azure.
  • Datenintegration und Transformation.
  • Entwicklung, Training und Bewertung von ML-Modellen.
  • Nutzung von MLflow für Transparenz und Nachvollziehbarkeit.
  • Automatisierte Bereitstellung von Modellen
  • Betrieb, Wartung und Optimierung.

Voraussetzung
Solide Grundlagen in Datenanalyse, Skriptsprachen sowie Verständnis für Cloud-Services und Machine Learning.

Zielgruppe
Data Scientists, Data Engineers und IT-Fachkräfte mit Fokus auf KI-gestützte Cloud-Lösungen.

Die Inhalte fördern ein ganzheitliches Verständnis für Machine Learning in Azure und unterstützen den professionellen Aufbau robuster, skalierbarer KI-Systeme.

Als PDF drucken/speichern
Kursinhalte
  • Azure Databricks starten
  • Azure Databricks Workloads erkennen
  • Wichtige Konzepte verstehen
  • Spark entdecken
  • Cluster erstellen
  • Spark in Notebooks nutzen
  • Spark für Datendateien verwenden
  • Daten visualisieren
  • Prinzipien des maschinellen Lernens verstehen
  • Maschinelles Lernen in Azure Databricks
  • Daten für ML vorbereiten
  • Modell für ML trainieren
  • ML-Modell evaluieren
  • MLflow-Funktionen
  • Experimente mit MLflow
  • Modellregistrierung und -bereitstellung
  • Hyperparameter mit Hyperopt optimieren
  • Hyperopt-Versuche auswerten
  • Hyperopt-Versuche skalieren
  • Automatisierung des Modelltrainings.
  • Nutzung von AutoML in Azure Databricks
  • Skripte für AutoML-Workflows
  • Deep Learning verstehen
  • Modelle in PyTorch trainieren
  • PyTorch-Training mit Horovod verteilen

Häufig gestellte Fragen

  • Azure Databricks kombiniert Datenverarbeitung, Machine Learning und Zusammenarbeit auf einer Plattform. Dadurch lassen sich Daten vorbereiten, Modelle entwickeln und produktive KI-Lösungen effizient in Azure umsetzen.
  • Apache Spark verarbeitet große Datenmengen parallel und bildet die Grundlage vieler Machine-Learning-Workflows in Azure Databricks. Das ermöglicht schnelle Analysen und skalierbares Modelltraining.
  • MLflow dokumentiert Experimente, verwaltet Modelle und unterstützt deren Bereitstellung. So bleiben Entwicklungsschritte nachvollziehbar und Machine-Learning-Modelle können kontrolliert weiterentwickelt werden.
  • AutoML automatisiert Aufgaben wie Modellauswahl, Training und Hyperparameteroptimierung. Dadurch lassen sich erste Machine-Learning-Modelle schneller erstellen und verschiedene Ansätze effizient vergleichen.
  • Die Wahl geeigneter Hyperparameter beeinflusst die Qualität eines Modells erheblich. Azure Databricks unterstützt die automatisierte Optimierung, um Leistung und Vorhersagegenauigkeit systematisch zu verbessern.
  • Die Weiterbildung richtet sich an Data Scientists, AI Engineers und Data Engineers, die Machine-Learning-Modelle in Azure Databricks entwickeln, trainieren und produktiv bereitstellen möchten.
  • Empfohlen werden Grundlagen in Datenanalyse, Skriptsprachen wie Python sowie Kenntnisse zu Cloud-Technologien und Machine Learning. Erfahrung mit Apache Spark ist hilfreich, aber nicht zwingend erforderlich.
  • Nach der Weiterbildung können Machine-Learning-Workflows in Azure Databricks umgesetzt, Modelle trainiert, bewertet, optimiert und mit MLflow produktiv verwaltet werden. Außerdem werden AutoML- und Deep-Learning-Funktionen praxisnah eingesetzt.
Berlin
Bremen
Dortmund
Düsseldorf
Frankfurt
Hamburg
Hannover
Köln
Leipzig
München
Nürnberg
Stuttgart

Hast du weitere Fragen? Bitte kontaktiere uns.