Inicio
Cursos
Conceitos de Databricks

Implementação de um modelo no Databricks

Este exercício faz parte do curso

Conceitos de Databricks

InicianteNível de habilidade

4.7+

Saiba mais sobre o novo paradigma de Lakehouse para sua estratégia de dados na nuvem e como a plataforma Databricks Lakehouse pode modernizar sua arquitetura de dados. Entenda os componentes fundamentais da plataforma Databricks e como eles se encaixam.

Exercise 1: Introdução à plataforma Databricks Lakehouse Exercise 2: Por que escolher uma Lakehouse?Exercise 3: Benefícios do Databricks Lakehouse Exercise 4: Decisões arquitetônicas Exercise 5: Principais recursos da plataforma Databricks Lakehouse Exercise 6: Por que a Delta?Exercise 7: Telas de dados para diferentes personas Exercise 8: Recursos para cada pessoa de dados Exercise 9: Administração de um espaço de trabalho do Databricks Exercise 10: Gerenciar e adicionar usuários Exercise 11: Exemplo de configuração de um espaço de trabalho do Databricks Exercise 12: Plano de controle vs. Plano de dados Exercise 13: Configurar o espaço de trabalho do Databricks

Saiba como processar, transformar e limpar seus dados usando a funcionalidade do Databricks. Pratique o uso de recursos como o formato de armazenamento Delta, Delta Live Tables e fluxos de trabalho para criar um pipeline de dados de ponta a ponta.

Exercise 1: Como começar a usar o Databricks Exercise 2: Recursos do Data Explorer Exercise 3: Configuração de um notebook Exercise 4: Configurações do cluster Exercise 5: Fundamentos de engenharia de dados na Databricks Exercise 6: DataFrames Exercise 7: Leitura de um banco de dados Exercise 8: Escrever uma tabela externa Exercise 9: Transformações de dados em Databricks Exercise 10: Carregamento em arquivos hospedados Exercise 11: Selecionando o idioma certo Exercise 12: Etapas do pipeline de dados Exercise 13: Orquestração de dados em Databricks Exercise 14: Automações possíveis no Databricks Exercise 15: Benefícios das mesas Delta Live Exercise 16: Exemplo de pipeline de dados de ponta a ponta no Databricks Exercise 17: Etapas do pipeline de dados

Use a plataforma Databricks Lakehouse como sua solução de armazenamento de dados para seus casos de uso de Business Intelligence (BI). Use os recursos incorporados otimizados do SQL no Databricks para criar consultas e painéis em seus dados.

Exercise 1: Visão geral do Databricks SQL Exercise 2: Benefícios do Databricks SQL Exercise 3: Databricks SQL no fluxo de trabalho de dados Exercise 4: Databricks SQL vs. outros bancos de dados Exercise 5: Como começar a usar o Databricks SQL Exercise 6: Escolhendo seu armazém SQL Exercise 7: SQL Editor vs. notebooks Exercise 8: Criando a tabela usSales Exercise 9: Databricks SQL consultas e painéis de controle Exercise 10: Compreensão dos ativos do Databricks SQL Exercise 11: Uso de parâmetros em consultas Exercise 12: Criando um painel do Databricks SQL Exercise 13: Criar uma consulta de revisão do usuário

Use o Databricks para gerenciar seus pipelines de aprendizado de máquina com o MLFlow gerenciado. Siga o ciclo de vida de desenvolvimento de modelos de ponta a ponta com o Feature Store, o Model Registry e os Model Serving Endpoints para criar uma plataforma robusta de MLOps na casa do lago.

Exercise 1: Visão geral do Lakehouse AI Exercise 2: Benefícios da Lakehouse para ML Exercise 3: MLOtarefas ps no Databricks Exercise 4: Usando o Databricks para aprendizado de máquina Exercise 5: EDA em Databricks Exercise 6: Por que o tempo de execução do ML?Exercise 7: Explorando dados em um notebook Exercise 8: Treinamento de modelos com MLFlow em Databricks Exercise 9: Nó único vs. vários nós ML Exercise 10: Databricks para cientistas de dados cidadãos Exercise 11: Usando MLFlow para rastreamento Exercise 12: Implementação de um modelo no Databricks

Exercício atual

Exercise 13: Modelos e o registro de modelos Exercise 14: Por que a Databricks para implantação de modelos?Exercise 15: Exemplo de pipeline de aprendizado de máquina de ponta a ponta Exercise 16: Pipeline ML de ponta a ponta Exercise 17: Resumo