Kursbeschreibung
Dieses praxisorientierte Training vermittelt dir fundiertes Know-how im Umgang mit Azure Databricks, der cloudbasierten Analyseplattform von Microsoft für datengetriebene Anwendungen und moderne KI-Lösungen. Du lernst, wie Machine-Learning-Modelle effizient entwickelt, trainiert und produktiv eingesetzt werden, um das volle Potenzial von Big Data in deinem Unternehmen zu nutzen.
Die Schulung richtet sich an Fachkräfte aus IT, Data Science und Entwicklung, die ihre Kompetenzen im Bereich künstliche Intelligenz gezielt erweitern möchten. Dieses Seminar ersetzt das frühere Kursformat DP-090 und bietet dir eine aktuelle, zukunftsorientierte Lernbasis für den produktiven Einsatz von Azure Databricks.
Die wichtigsten Themen im Überblick
- Azure Databricks verstehen
- Spark-Cluster sicher nutzen
- ML-Modelle trainieren
- Daten für ML aufbereiten
- Mlflow praxisnah einsetzen
- Hyperparameter optimieren
Zielgruppe
Voraussetzung für die Schulung
Kursinhalte
Folgende Lerninhalte werden in unserem Azure-Kurs vermittelt:
- Einführung in Azure Databrics
- Grundlagen und Einstieg in Azure Databricks
- Überblick über verschiedene Databricks-Workloads
- Zentrale Konzepte von Databricks verstehen
- Arbeiten mit Apache Spark in Azure Databricks
- Einführung in Apache Spark
- Aufbau und Verwaltung von Spark-Clustern
- Nutzung von Notebooks für Spark-Anwendungen
- Verarbeitung und Analyse von Daten-Dateien mit Spark
- Visualisierung von Daten in Databricks
- Entwicklung von Machine Learning-Lösungen
- Grundprinzipien des Machine Learning auffrischen
- Umsetzung von ML-Projekten in Azure Databricks
- Aufbereitung und Vorverarbeitung von Daten für ML-Modelle
- Training und Evaluierung von Machine Learning-Modellen
- Einsatz von Mlflow in Azure Databricks
- Kennenlernen der Funktionen von Mlflow
- Durchführung von Mlflow-Experimenten
- Registrierung und Deployment von Modellen mit Mlflow
- Hyperparameteroptimierung in Azure Databricks
- Optimierung von Modellen mit Hyperopt
- Analyse und Bewertung von Hyperopt Trials
- Skalierung von Hyperopt-Versuchen
- Automatisiertes Machine Learning (AutoML)
- Grundlagen von AutoML
- Nutzung der AutoML-Funktionen innerhalb der Databricks-Oberfläche
- Ausführung von AutoML-Experimenten per Code
- Deep Learning mit Azure Databricks
- Einführung in die grundlegenden Konzepte des Deep Learning
- Training von Deep Learning-Modellen mit PyTorch
- Verteiltes Training von Modellen mit Horovod und PyTorch
