Prédictions par lots avec des modèles déployés dans Fabric

Comment appliquer vos modèles d'apprentissage automatique entraînés à des ensembles de données massifs du monde réel ? La génération efficace de prédictions par lots est une exigence fondamentale pour les flux de travail modernes d'ingénierie et de science des données. Ce cours vous guide à travers le processus de chargement de modèles d'apprentissage automatique déployés et d'exécution d'inférences par lots au sein de l'écosystème Fabric. Vous passerez de la compréhension des flux de travail prédictifs de base à la mise en place de pipelines de prédiction automatisés et performants qui gèrent facilement les données à grande échelle. Ce que vous apprendrez : - Comprendre les concepts clés de la prédiction par lots et du déploiement de modèles dans Fabric - Charger des modèles d'apprentissage automatique enregistrés à partir du registre de l'espace de travail - Appliquer des modèles à de grands ensembles de données en utilisant des flux de travail Spark et Python évolutifs - Optimiser les performances d'inférence avec des bibliothèques de dataframes modernes et le traitement parallèle - Écrire les sorties de prédiction dans des lakehouses ou des entrepôts de données pour la consommation en aval - Mettre en œuvre des pratiques de base de surveillance MLOps pour suivre la dérive des prédictions de modèles au fil du temps Vous commencerez par apprendre la terminologie fondamentale du déploiement d'apprentissage automatique et l'architecture Fabric. De là, vous progresserez à travers des explications écrites étape par étape et des extraits de code Python qui démontrent comment charger des modèles, préparer les données d'entrée et stocker les résultats de prédiction en toute sécurité. Ce cours est conçu pour les analystes de données débutants, les scientifiques de données aspirants et les ingénieurs de données qui souhaitent opérationnaliser des modèles d'apprentissage automatique. Aucune expérience préalable de Fabric n'est requise, bien qu'une familiarité de base avec Python soit utile. Commencez à apprendre dès aujourd'hui et libérez la puissance des prédictions par lots automatisées dans vos pipelines de données.