Dans cette formation, vous apprendrez les bases de l’utilisation de Databricks pour le machine learning. Vous relèverez le défi posé par la fragmentation des outils et maîtriserez le machine learning en environnement de production sur Databricks. Cette formation vous guide tout au long du cycle de vie complet du machine learning, de bout en bout, sur une seule et même plateforme, et vous apporte les compétences pratiques nécessaires pour créer des solutions robustes et déployables. Vous commencerez par établir une base de données solide, en utilisant Apache Spark pour ingérer, nettoyer et ingénierier des caractéristiques de haute qualité. Ensuite, vous maîtriserez les MLOps en utilisant MLflow pour suivre et comparer systématiquement les expériences, apportant ainsi reproductibilité et rigueur à votre workflow afin d’identifier le meilleur modèle. Enfin, bouclez la boucle en déployant vos modèles en production. Vous utiliserez le registre de modèles MLflow pour la gestion des versions et la gouvernance avant de déployer votre modèle sous la forme d’un point de terminaison API REST actif et en temps réel.

Grâce à une série d’exercices pratiques et à un projet final d’application, vous acquerrez la confiance nécessaire pour créer, suivre et déployer des modèles d’apprentissage automatique sophistiqués, et repartirez avec un projet prêt à être ajouté à votre portfolio qui fera de vous un professionnel des données plus efficace et plus précieux. Cette formation s’adresse aux apprenants de niveau intermédiaire qui maîtrisent les concepts de base du machine learning et souhaitent apprendre à les appliquer dans Databricks pour des projets concrets. Les apprenants doivent posséder des connaissances de base en Python, notamment sur Pandas et Scikit-learn, ainsi que sur les concepts fondamentaux du machine learning. À l’issue de ce cours, les apprenants seront capables d’appliquer l’intégralité du cycle de vie du ML sur la plateforme Databricks, de la préparation et l’analyse des données au déploiement des modèles. Ils acquerront également les compétences nécessaires pour suivre les expériences et gérer les modèles à l’aide de Databricks et de MLflow, garantissant ainsi un flux de travail rationalisé et reproductible. De plus, les apprenants seront en mesure de déployer efficacement des modèles d’apprentissage automatique à l’aide du registre de modèles MLflow et de Databricks Model Serving.