Azure Databricks is a cloud-scale platform for data analytics and machine learning. This course equips data scientists and machine learning engineers with the skills to implement scalable data processing and machine learning solutions using Azure Databricks. Participants will explore key concepts, including Apache Spark for data analytics, model training and tuning, AutoML, and MLflow for experiment tracking. The course emphasises data transformation, feature engineering, and model deployment. Through hands-on labs, learners will gain practical experience in building, training, and deploying models in a collaborative environment.

Prerequisites

Participants should have:

Experience using Python to explore data and train machine learning models.
Familiarity with common open-source frameworks such as Scikit-Learn, PyTorch, and TensorFlow.
Recommended: Completion of the Create machine learning models learning path before starting this course.

Target audience

This course is designed for:

Data scientists and machine learning engineers looking to scale their ML solutions.
AI and data professionals working with large-scale data analytics and processing.
Teams responsible for implementing machine learning workflows in Azure.

Azure Databricks ile Makine Öğrenmesi Çözümleri Oluşturma Eğitimi programına Online Instructor-Led (canlı sanal sınıf) veya Classroom Based (sınıf eğitimi) formatlarında doğrudan katılım sağlayabilirsiniz. Ayrıca bu eğitimi kurumunuza özel olarak Online Instructor-Led, Classroom Based veya Onsite (yerinde eğitim) formatlarında, tercih ettiğiniz tarih ve lokasyonda organize edebiliriz. Detaylı bilgi ve kurumunuza özel planlama için bizimle iletişime geçebilirsiniz.

Bu eğitimi dilediğiniz tarih ve lokasyonda organize edebiliriz.

Neler Öğreneceksiniz

By the end of this course, learners will be able to:

Describe the capabilities of Azure Databricks and its role in both data analytics and machine learning.
Use Apache Spark in Azure Databricks to process, transform, and analyse large-scale data.
Train and evaluate machine learning models within Azure Databricks.
Leverage MLflow for experiment tracking, model registration, and deployment.
Optimise hyperparameters using Hyperopt and review trial results.
Implement AutoML using both the Azure Databricks user interface and code-based approaches.
Manage machine learning workflows in production, including data automation, versioning, and deployment strategies.

Eğitim İçeriği

Explore Azure Databricks

Overview of Azure Databricks as a cloud-scale platform for data analytics and machine learning
Key concepts and workloads in Azure Databricks
Data governance using Unity Catalog and Microsoft Purview
Hands-on exercise: Exploring Azure Databricks

Use Apache Spark in Azure Databricks

Introduction to Apache Spark and its role in large-scale data analytics
Creating and managing Spark clusters
Using Spark notebooks to process and transform large datasets
Working with structured and unstructured data files in Spark
Visualising data using Spark and Databricks
Hands-on exercise: Using Spark for data analytics

Train a machine learning model in Azure Databricks

Principles of machine learning and predictive modelling
Preparing data for machine learning, including feature engineering and transformations
Training machine learning models using Scikit-Learn, PyTorch, and TensorFlow
Evaluating model performance using standard machine learning metrics
Hands-on exercise: Training a machine learning model

Use MLflow in Azure Databricks

Introduction to MLflow and its role in the machine learning lifecycle
Running experiments and tracking performance metrics with MLflow
Registering, serving, and managing models using MLflow
Deploying trained models for inference within Databricks
Hands-on exercise: Using MLflow for model management

Tune hyperparameters in Azure Databricks

Understanding hyperparameter tuning and its impact on machine learning models
Using Hyperopt for automated hyperparameter tuning in Azure Databricks
Reviewing and analysing Hyperopt trials for optimisation insights
Scaling Hyperopt trials for improved performance
Hands-on exercise: Tuning model hyperparameters using Hyperopt

Use AutoML in Azure Databricks

Overview of AutoML and its benefits in machine learning
Running AutoML experiments via the Azure Databricks user interface
Using Python code to execute AutoML workflows
Comparing AutoML results with traditional model development
Hands-on exercise: Using AutoML for machine learning model development

Train deep learning models in Azure Databricks

Fundamentals of deep learning and neural networks
Training deep learning models using PyTorch in Databricks
Using TorchDistributor for distributed deep learning model training
Deploying deep learning models for real-world AI tasks
Hands-on exercise: Training and optimising deep learning models in Databricks

Manage machine learning in production with Azure Databricks

Automating data transformations and machine learning workflows in Databricks
Exploring model development, versioning, and lifecycle management
Deploying models for real-time inference and decision-making
Monitoring deployed models for performance and drift detection
Hands-on exercise: Managing a machine learning model in production

Exams and assessments

This course does not include formal exams. Participants will complete interactive labs and knowledge checks to reinforce learning outcomes.

Hands-on learning

This course includes:

Hands-on labs for data processing, model training, hyperparameter tuning, and model deployment.
Practical exercises using Apache Spark, MLflow, AutoML, and Hyperopt.
Real-world case studies on implementing scalable machine learning solutions.

Neden Bizi Seçmelisiniz

Azure Databricks ile Makine Öğrenmesi Çözümleri Oluşturma Turkmenistan eğitimine Bilginç IT Academy'nin canlı ve etkileşimli sanal sınıf ortamında katılabilirsiniz. Online Instructor-Led eğitimlerimize bireysel olarak genel katılıma açık (Public) sınıflardan katılabileceğiniz gibi, kurumunuza özel (Private / In-house) bir sınıf da planlayabilirsiniz.

Eğitim Formatı (Delivery Method): Online Instructor-Led
Katılım Modeli (Participation Model): Genel Katılıma Açık (Public) / Kuruma Özel (Private / In-house)
Canlı ve Etkileşimli Eğitim: Eğitmeninizle gerçek zamanlı iletişim kurun; soru-cevap, uygulama ve grup çalışmalarıyla öğrenme sürecine aktif olarak katılın.
Esnek Katılım: Evinizden, ofisinizden veya internet erişiminizin bulunduğu herhangi bir lokasyondan eğitime katılın.
Uzman Eğitmen Kadrosu: Sektör deneyimine sahip, alanında yetkin eğitmenlerden güncel ve uygulanabilir bilgiler edinin.
30 Yılı Aşkın Deneyim: Bilginç IT Academy'nin 1995 yılından bu yana süregelen eğitim uzmanlığından yararlanın.
Dünya Genelinde Erişim: Turkmenistan dahil dünyanın farklı lokasyonlarından canlı sanal sınıflarımıza katılabilir veya kurumunuza özel online eğitim planlayabilirsiniz.

Build machine learning solutions using Azure Databricks Turkmenistan eğitimine yüz yüze sınıf ortamında katılabilirsiniz. Classroom Based eğitimlerimiz genel katılıma açık (Public)sınıflar veya kurumunuza özel (Private / In-house)sınıflar şeklinde planlanabilir.

Eğitim Formatı (Delivery Method): Classroom Based
Katılım Modeli (Participation Model): Genel Katılıma Açık (Public) / Kuruma Özel (Private / In-house)
Yüz Yüze Öğrenme: Eğitmeniniz ve diğer katılımcılarla doğrudan iletişim kurarak etkileşimli bir sınıf deneyimi yaşayın.
Deneyimli Eğitmenler: Sektörde uzun yıllara dayanan deneyime sahip uzmanlardan gerçek dünya örnekleriyle öğrenin.
Profesyonel Eğitim Ortamı: Teknolojik altyapısı güçlü, konforlu ve öğrenmeye uygun sınıflarda eğitim alın.
Uygulamalı Öğrenme: Eğitim içeriğine bağlı olarak uygulamalar, senaryolar, vaka çalışmaları ve eğitmen yönlendirmeli çalışmalarla teorik bilgilerinizi pratiğe dönüştürün.

Build machine learning solutions using Azure Databricks Turkmenistan eğitimini kurumunuza özel olarak kendi ofisinizde veya tercih ettiğiniz lokasyonda gerçekleştirebilirsiniz. Bilginç IT Academy eğitmenleri, kurumunuzun ihtiyaçlarına göre planlanan eğitim için belirlediğiniz lokasyona gelebilir.

Eğitim Formatı (Delivery Method): Onsite
Katılım Modeli (Participation Model): Kuruma Özel (Private / In-house)
Tercih Ettiğiniz Lokasyonda Eğitim: Eğitimi şirketinizin ofisinde veya belirlediğiniz farklı bir lokasyonda organize edin.
Kuruma Özel İçerik: Eğitim programını şirketinizin projelerine, ekip yapısına, mevcut yetkinlik seviyesine ve iş ihtiyaçlarına göre uyarlayın.
Ekip Odaklı Öğrenme: Ekibinizin aynı içerik ve yaklaşım etrafında gelişmesini sağlayarak kurum içi bilgi paylaşımını ve iş birliğini güçlendirin.
Esnek Planlama: Eğitim tarihini, lokasyonunu ve programını kurumunuzun operasyonel ihtiyaçlarına göre planlayın.
Global Eğitim Organizasyonu: Eğitimi Turkmenistan lokasyonunda veya tercih ettiğiniz farklı bir ülkede/lokasyonda kurumunuza özel olarak organize edebilirsiniz.

Eğitimlerle ilgili bilgi almak ve diğer tüm sorularınız için bize ulaşın!

Neden bizi tercih ettiniz?

Bilginç'ten daha önce eğitim aldım ve memnun kaldım.

Daha önce farklı bir kurumdan aldığım eğitimden memnun kalmadım.

Diğer

IT departmanınızda kaç kişi çalışıyor?

0 – 50

50 – 250

250 – 1000

1000+