DP-3014: Implementieren einer Machine Learning-Lösung mit Azure Databricks (DP-3014-A)

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

Die Zielgruppe für das Seminar DP-3014: Implementieren einer Machine Learning-Lösung mit Azure Databricks sind Data Scientists, sowie KI-Entwickler, die Machine Learning-Modelle in einer produktiven Cloud-Umgebung entwickeln, trainieren und operationalisieren möchten. Der Kurs richtet sich insbesondere an jene, die den Einsatz von Microsoft Azure und Databricks in realen Machine-Learning-Projekten planen und bestehende Konzepte in einer skalierbaren Cloud-Infrastruktur vertiefen wollen.