Machine Learning Associate
Databricks Machine Learning Associate: pytania i materiały do nauki
Naucz się przygotowywać dane oraz budować, strojić, oceniać, śledzić i wdrażać modele uczenia maszynowego w Databricks dzięki krótkim, praktycznym lekcjom zgodnym z czterema obszarami egzaminu Machine Learning Associate, w tym AutoML, tabelami cech w Unity Catalog, MLflow i serwowaniem modeli. Niezależny materiał do nauki. Kurs nie jest powiązany z Databricks, Inc. ani przez nią rekomendowany; nazwa egzaminu jest znakiem towarowym Databricks, Inc.
Czego się nauczysz
- Korzystanie z środowisk ML, AutoML, tabel cech w Unity Catalog oraz śledzenia i rejestru modeli MLflow z aliasami
- Czyszczenie i przekształcanie danych w Spark: statystyki, wartości odstające, imputacja, kodowanie one-hot i skala logarytmiczna
- Trenowanie, strojenie i walidacja modeli z potokami, przeszukiwaniem siatki i bayesowskim, Hyperopt oraz walidacją krzyżową
- Dobór właściwej metryki i sposobu serwowania: wsadowo, strumieniowo lub w czasie rzeczywistym
Tematy według domen egzaminu
MLOps, środowiska ML i AutoML
Podstawy platformy: praktyki MLOps, środowiska uruchomieniowe ML i to, co automatyzuje AutoML.
Tabele cech w Unity Catalog
Tworzenie, zasilanie i używanie zarządzanych tabel cech do trenowania i scoringu.
Śledzenie MLflow i rejestr modeli
Logowanie przebiegów, wybór najlepszego, rejestrowanie modeli i promowanie ich za pomocą aliasów.
Eksploracja i przygotowanie danych
Statystyki opisowe, wartości odstające, wizualizacja, imputacja, kodowanie i transformacje danych w Spark.
Algorytmy, potoki i niezbalansowane dane
Dobór algorytmu, obsługa niezbalansowanych danych oraz budowa potoków estymatorów i transformerów.
Strojenie hiperparametrów i walidacja
Strategie przeszukiwania, Hyperopt, równoległe strojenie oraz walidacja krzyżowa kontra pojedynczy podział.
Ocena modeli i generalizacja
Metryki klasyfikacji i regresji, wybór właściwej, zmienne po logarytmowaniu oraz kompromis między obciążeniem a wariancją.
Wdrażanie i serwowanie modeli
Wnioskowanie wsadowe, strumieniowe i w czasie rzeczywistym, punkty końcowe modeli i podział ruchu.
Ucz się całego Machine Learning Associate w aplikacji
Krótkie lekcje, natychmiastowe wyjaśnienia i powtórki tego, w czym się mylisz. Za darmo na iOS i Androida.
