In diesem Kurs lernen Sie die Grundlagen der Nutzung von Databricks für maschinelles Lernen kennen. Sie werden sich mit der Herausforderung uneinheitlicher Tools auseinandersetzen und das produktionsreife maschinelle Lernen auf Databricks beherrschen lernen. Dieser Kurs führt Sie durch den gesamten ML-Lebenszyklus auf einer einzigen Plattform und vermittelt Ihnen die praktischen Fähigkeiten, um robuste, einsatzfähige Lösungen zu entwickeln. Zunächst schaffen Sie eine solide Datengrundlage, indem Sie mit Apache Spark hochwertige Merkmale erfassen, bereinigen und aufbereiten. Anschließend erlernen Sie MLOps mithilfe von MLflow, um Experimente systematisch zu verfolgen und zu vergleichen. So sorgen Sie für Reproduzierbarkeit und Präzision in Ihrem Workflow, um das beste Modell zu ermitteln. Schließlich schließen Sie den Kreis, indem Sie Ihre Modelle in der Produktion bereitstellen. Sie nutzen das MLflow Model Registry für die Versionierung und Governance, bevor Sie Ihr Modell als live verfügbaren Echtzeit-REST-API-Endpunkt bereitstellen.

Durch eine Reihe von praktischen Übungen und ein abschließendes Capstone-Projekt gewinnen Sie das Selbstvertrauen, anspruchsvolle ML-Modelle zu erstellen, zu verfolgen und bereitzustellen. Am Ende verfügen Sie über ein portfoliofähiges Projekt, das Sie zu einem effektiveren und wertvolleren Datenexperten macht. Dieser Kurs richtet sich an Lernende mit mittleren Vorkenntnissen, die mit den grundlegenden Konzepten des maschinellen Lernens vertraut sind und lernen möchten, wie sie diese in Databricks für reale Projekte anwenden können. Die Lernenden sollten über grundlegende Kenntnisse in Python verfügen, einschließlich Pandas und Scikit-learn, sowie über grundlegende Konzepte des maschinellen Lernens. Am Ende dieses Kurses sind die Teilnehmer in der Lage, den gesamten ML-Lebenszyklus auf der Databricks-Plattform anzuwenden – von der Datenaufbereitung und -analyse bis hin zur Modellbereitstellung. Außerdem erwerben sie die Fähigkeiten, Experimente zu verfolgen und Modelle mithilfe von Databricks und MLflow zu verwalten, wodurch ein optimierter, reproduzierbarer Arbeitsablauf gewährleistet wird. Darüber hinaus werden die Teilnehmer in die Lage versetzt, Machine-Learning-Modelle mithilfe der MLflow Model Registry und Databricks Model Serving effektiv bereitzustellen.