Databricks Machine Learning

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Vivamus consectetur dui eu luctus hendrerit. Mauris consequat dictum dui. Nunc at sagittis massa. Donec cursus est eu sem gravida, sit amet elementum quam aliquam

Sensibilización | Directivos | Inteligencia artificial | Transformación digital

OBJETIVOS

  • Aprende Programación con Apache Spark™ (ver Data Engineering path)
  • Aprende ML Escalable con Apache Spark™

    ○Realiza un Análisis Exploratorio de Datos escalable con Spark

    ○Construye y ajusta modelos de ML con SparkML

    ○Realiza un seguimiento, versiona e implementa modelos con MLflow

    ○Lleva a cabo la sintonización distribuida de hiperparámetros con HyperOpt

    ○Utiliza el workspace ML de Databricks para crear un almacén de características y experimentos de AutoML

    ○Aprovecha la API de pandas en Spark para escalar tu código de pandas

  • Aprende ML en Producción

    ○Realiza un seguimiento, versiona y gestiona experimentos de ML

    ○Aprovecha el Feature Store de Databricks para una gestión de datos reproducible

    ○Implementa estrategias para implementar modelos en batch, en tiempo real y streaming

    ○Construye soluciones de monitorización, incluida la detección de desviaciones

  • Aprende ML con Databricks

    ○Construye modelos de ML utilizando tensorflow.keras

    ○Ajusta hiperparámetros a escala con Hyperopt y Spark

    ○Realiza un seguimiento, versiona y gestiona experimentos con MLflow

A QUIÉN SE DIRIGE

  • Ingenieros de datos y científicos de datos

PROGRAMA

Cursos incluidos en este recorrido de formación:

Programación de Apache Spark™ con Databricks (2 días) (ver Data Engineering path)

ML escalable con Apache Spark™ (2 días) – Este curso te enseña cómo escalar pipelines de ML con Spark, incluido el entrenamiento distribuido, la sintonización de hiperparámetros y la inferencia. Construirás y ajustarás modelos de ML con SparkML, aprovechando MLflow para hacer un seguimiento, versionar y gestionar estos modelos. Cubre las últimas características de ML en Apache Spark, como las UDF de Pandas, las funciones de Pandas y la API de Pandas en Spark, así como las últimas ofertas de productos de ML, como Feature Store y AutoML.

ML en producción (1 día) – Aprenderás las mejores prácticas de MLOps para poner modelos de ML en producción. La primera mitad del curso utiliza un Feature Store para registrar datos de entrenamiento y utiliza MLflow para hacer un seguimiento del ciclo de vida, empaquetar modelos para implementación y gestionar versiones de modelos. La segunda mitad del curso examina problemas de producción, incluidos paradigmas de implementación, monitoreo y CI/CD. Al final de este curso, habrás construido un canal completo para registrar, implementar y monitorear modelos de ML.

Aprendizaje profundo con Databricks (2 días) – Este curso comienza cubriendo los conceptos básicos de las redes neuronales y la API tensorflow.keras. Nos enfocaremos en cómo aprovechar Spark para escalar nuestros modelos, incluido el entrenamiento distribuido, la sintonización de hiperparámetros y la inferencia, mientras aprovechamos MLflow para hacer un seguimiento, versionar y gestionar estos modelos. Profundizaremos en el aprendizaje profundo distribuido, incluidos ejemplos prácticos para comparar y contrastar diversas técnicas para la preparación distribuida de datos, como Petastorm y TFRecord, así como técnicas de entrenamiento distribuido como Horovod y spark-tensorflow-distributor

Rol
Ingenieros de datos y científicos de datos

Duración
56 horas

Modalidad
Online

Nivel
Avanzado

Precio
Gratuito