Implementing a Machine Learning solution with Azure Databricks

Einführung in Azure Databricks - Erste Schritte mit Azure Databricks - Erkennen von Azure Databricks-Workloads - Verständnis der grundlegenden Konzepte - Data Governance mit Unity-Katalog und Microsoft Purview Verwenden von Apache Spark in Azure Databricks - Einführung in Spark - Erstellen eines Spark-Clusters - Verwenden von Spark in Notebooks - Verwenden von Spark zum Arbeiten mit Datendateien - Visualisieren von Daten Trainieren eines Machine Learning-Modells in Azure Databricks - Grundlagen des maschinellen Lernens - Maschinelles Lernen in Azure Databricks - Vorbereiten von Dateien für Machine Learning - Trainieren eines Machine Learning-Modells - Auswerten eines Machine Learning-Modells Verwenden von MLflow in Azure Databricks - Funktionen von MLflow - Ausführen von Experimenten mit MLflow - Registrieren und Bereitstellen von Modellen mit MLflow Optimieren von Hyperparametern in Azure Databricks - Optimieren von Hyperparametern mit Hyperopt - Überprüfen von Hyperopt-Testversionen - Skalieren von Hyperopt-Testversionen Verwenden von AutoML in Azure Databricks - Was ist AutoML? - Verwenden von AutoML in der Azure Databricks-Benutzeroberfläche - Verwenden von Code zum Ausführen eines AutoML-Experiments Trainieren von Deep Learning-Modellen in Azure Databricks - Grundlegendes zu Deep Learning-Konzepten - Trainieren von Modellen mit PyTorch - Verteilen von PyTorch-Trainingsaufgaben mit Horovod