Databricks Machine Learning: Creación y Despliegue de Modelos

Muchos modelos de machine learning no logran aportar valor porque nunca salen de la fase experimental. Databricks proporciona una plataforma unificada que cierra la brecha entre la ciencia de datos y el despliegue en producción. A través de este curso basado en texto, comprenderá cómo aprovechar Databricks para gestionar todo el ciclo de vida del machine learning. Pasará de escribir código aislado a construir pipelines de ML escalables y colaborativos que estén listos para el despliegue en el mundo real. Lo que aprenderá: * Comprender los conceptos fundamentales del espacio de trabajo de Databricks y los notebooks colaborativos; * Explorar la preparación de datos y la ingeniería de características utilizando Delta Lake; * Entrenar y ajustar modelos de machine learning utilizando bibliotecas populares dentro del entorno Databricks; * Rastrear experimentos y parámetros utilizando el seguimiento integrado de MLflow; * Registrar, versionar y gestionar modelos para su despliegue con el Registro de Modelos de MLflow; * Aplicar las mejores prácticas para el entrenamiento de modelos escalables y la automatización básica de pipelines. El curso comienza con la terminología esencial de Databricks y la navegación del espacio de trabajo, luego lo guía paso a paso a través de la preparación de datos, el entrenamiento de modelos, el seguimiento de experimentos y la gestión del ciclo de vida. Este curso está diseñado para aspirantes a científicos de datos, analistas e ingenieros de software que son nuevos en Databricks y desean aprender a operacionalizar modelos de machine learning. No se requiere experiencia previa en Databricks, aunque una comprensión básica de Python y los conceptos de machine learning es útil. Comience a leer hoy mismo para dominar las herramientas necesarias para construir flujos de trabajo de machine learning listos para producción.