Construire des solutions de Machine Learning avec Azure Databricks (DP-3014)

Introduction
Prise en main de l’environnement Azure Databricks
Identifier les différents types de charges de travail
Concepts fondamentaux de la plateforme
Gouvernance des données avec Unity Catalog et Microsoft Purview
Exercice pratique : exploration de l’interface Azure Databricks

Introduction
Présentation de Spark
Création et gestion d’un cluster Spark
Utilisation des notebooks pour exécuter du code Spark
Manipuler des fichiers de données avec Spark
Visualiser les données
Exercice pratique : traitement de données avec Spark

Introduction
Principes du Machine Learning
Intégration du Machine Learning dans Azure Databricks
Préparer les données pour l’entraînement
Entraîner un modèle prédictif
Évaluer la performance du modèle
Exercice pratique : entraînement d’un modèle de Machine Learning

Introduction
Fonctionnalités clés de MLflow
Lancer et suivre des expériences
Enregistrer et déployer des modèles avec MLflow
Exercice pratique : suivi et gestion de modèles avec MLflow

Introduction
Optimisation avec la bibliothèque Optuna
Analyse et suivi des essais
Mise à l’échelle de l’optimisation
Exercice pratique : réglage des hyperparamètres dans Databricks

Introduction
Comprendre le rôle d’AutoML
Utiliser AutoML via l’interface graphique
Lancer des expériences AutoML en code
Exercice pratique : génération automatique d’un modèle avec AutoML

Introduction
Concepts fondamentaux du Deep Learning
Entraînement de modèles avec PyTorch
Distribution de l’entraînement avec TorchDistributor
Exercice pratique : implémenter un modèle de Deep Learning dans Databricks

Introduction
Automatiser les pipelines de transformation de données
Développement et mise à jour de modèles
Stratégies de déploiement en production
Gestion des versions et du cycle de vie des modèles
Exercice pratique : déploiement et supervision d’un modèle Machine Learning