DP-3014: Azure Databricks ML für Data Scientists

Du lernst, Azure Databricks ML in typischen Arbeitssituationen strukturiert einzusetzen, zentrale Methoden sicher einzuordnen und belastbare Ergebnisse für Deine Projekte und Teams vorzubereiten. Zu den Schwerpunkten gehören Einführung in Azure Databricks, Arbeiten mit Apache Spark, Entwicklung von Machine-Learning-Lösungen, MLflow in der Praxis, Automatisiertes Machine Learning (AutoML) und Deep Learning mit Azure Databricks.

Die Schulung richtet sich an Cloud-, Infrastruktur- und Plattformteams, Administrierende, Architektinnen, Architekten und technische Projektleitende, Data-, KI- und DevOps-Fachkräfte mit Cloud-Bezug und Für alle, die Cloud-Lösungen fundiert planen, umsetzen oder betreiben möchten.

Du solltest folgende Voraussetzungen mitbringen: Kenntnisse in Microsoft Azure, Datenanalyse und verteilten Datenverarbeitungssystemen; Basiswissen in Maschinellem Lernen, Python-Programmierung und Datenvorverarbeitung; Interesse an der praktischen Anwendung von Azure Databricks für ML-Workflows, automatisiertes Training, Deployment und Monitoring von Modellen.

Zu den Schwerpunkten gehören Einführung in Azure Databricks, Arbeiten mit Apache Spark, Entwicklung von Machine-Learning-Lösungen, MLflow in der Praxis, Automatisiertes Machine Learning (AutoML) und Deep Learning mit Azure Databricks.

Die Schulung greift praxisnah insbesondere die Bereiche MLflow in der Praxis, Automatisiertes Machine Learning (AutoML) und Deep Learning mit Azure Databricks auf. Dadurch lässt sich das Gelernte gezielt auf eigene Aufgaben und Projekte übertragen.

Zu den angestrebten Ergebnissen gehören: Du ordnest einen zentralen Themenbereich fachlich ein: Grundkonzepte und Architektur von Azure Databricks; Du setzt die vermittelten Methoden in praxisnahen Aufgaben um; im Fokus steht Überblick über verschiedene Workloads und Einsatzszenarien; Du entwickelst nachvollziehbare Workflows; ein Schwerpunkt ist Einführung in Apache Spark; Du analysierst typische Anforderungen und vertiefst dabei Aufbau und Verwaltung von Spark-Clustern; Du bewertest Nutzen, Qualität und Risiken am Beispiel Nutzung von Notebooks für Spark-Anwendungen.

Ja. „MLflow in der Praxis“ ist ein eigener Bestandteil der Schulung. Dazu gehören Überblick über MLflow-Funktionen, Durchführung von Experimenten und Modellregistrierung und Deployment und Verwaltung von Modellen.