Ce que vous devez savoir avant
Vous commencez

Débute 4 June 2026 00:10

Se termine 4 June 2026

00 Jours
00 Heures
00 Minutes
00 Secondes
course image

Démarrage rapide de l'apprentissage automatique avec Databricks

Maîtrisez le déploiement rapide de ML sur Databricks en suivant les expériences avec MLflow, en tirant parti d'AutoML pour la sélection de modèles et en déployant des points de service de niveau production avec surveillance des performances.
Coursera via Coursera

Coursera

2865 Cours


2 hours 59 minutes

Amélioration optionnelle disponible

Intermédiaire

Progressez à votre rythme

Paid Course

Amélioration optionnelle disponible

Aperçu

85% of ML models never reach production—but yours will. This Short Course was created to help Machine Learning and Artificial Intelligence professionals accomplish rapid ML deployment using Databricks enterprise workflows.

By completing this course, you'll be able to track experiments with MLflow, leverage AutoML to accelerate model development, and deploy serving endpoints with production-grade performance monitoring—skills you can apply immediately to your data pipelines. By the end of this course, you will be able to:

● Apply MLflow tracking to log runs, metrics, and artifacts for a baseline and AutoML-generated model within a Databricks workspace (Apply) ● Analyze AutoML experiment results to select a candidate model based on accuracy, runtime, and feature importance reports (Analyze) ● Evaluate model-serving endpoint performance and access controls to confirm readiness for production deployment (Evaluate) This course is unique because it provides hands-on experience with Databricks' unified platform, combining experiment tracking, automated machine learning, and model serving in a single integrated workflow that mirrors real enterprise deployment patterns.

Programme

  • MODULE 1 : Suivi MLflow & Enregistrement d'Expériences
  • Description de Haut Niveau : Établir un suivi d'expériences systématique en utilisant MLflow pour créer des workflows ML audités pour la conformité réglementaire.
  • MODULE 2 : Analyse AutoML & Sélection de Modèles
  • Description de Haut Niveau : Utiliser les capacités d'AutoML pour accélérer le développement de modèles tout en maintenant des normes d'évaluation rigoureuses pour l'évaluation des risques de crédit.
  • MODULE 3 : Déploiement de Modèles & Évaluation des Points de Terminaison
  • Description de Haut Niveau : Compléter le workflow ML en déployant des points de terminaison prêts pour la production avec une validation de performance complète et des contrôles d'accès.

Enseigné par

Hurix Digital


Matières

Data Science