Visão Geral

Este Curso Deep Learning with Databricks, começa abordando os conceitos básicos de redes neurais e a API tensorflow.keras. Em seguida, focaremos no uso do Spark para dimensionar nossos modelos, incluindo treinamento distribuído, ajuste de hiperparâmetros e inferência, e, enquanto isso, aproveitamos o MLflow para rastrear, versionar e gerenciar esses modelos. Você aplicará bibliotecas de interpretabilidade do modelo para explicar as previsões do modelo. Além disso, você aprenderá os conceitos por trás das Redes Neurais Convolucionais (CNNs) e transferirá o aprendizado e os aplicará para resolver tarefas de classificação de imagens. Vamos encerrar o curso cobrindo Redes Neurais Recorrentes (RNNs) e modelos baseados em atenção para aplicações de processamento de linguagem natural (NLP).

Objetivo

Após realizar este Curso Deep Learning with Databricks, você será capaz de:

• Crie modelos de aprendizado profundo usando tensorflow.keras
• Ajuste hiperparâmetros em escala com HyperOpt e Spark
• Acompanhe, versione e gerencie experimentos usando o MLflow
• Execute inferência distribuída em escala usando UDFs de pandas
• Dimensione e treine modelos de aprendizado profundo distribuídos usando Horovod
• Aplique bibliotecas de interpretabilidade de modelo, como SHAP, para entender as previsões de modelo
• Use CNNs e transfira o aprendizado para tarefas de classificação de imagens
• Use RNNs, modelos baseados em atenção e transfira o aprendizado para tarefas de PNL

Pre-Requisitos

• Experiência intermediária com Python/pandas
• Experiência na criação de modelos de aprendizado de máquina
• Familiaridade com Apache Spark

Materiais

Conteúdo Programatico

Module I

1. Neural network and tf.keras fundamentals
   
2. Improve models by adding data standardization, callbacks, checkpointing, etc.
3. Track and version models with MLflow
4. Distributed inference with pandas UDFs
5. Distributed hyperparameter tuning with HyperOpt
6. Distributed model training with Horovod

Module II

1. Distributed model training with Horovod and Petastorm
   
2. Model interpretability with LIME and SHAP
3. CNNs for image classification and transfer learning
4. Deploy REST endpoint using MLflow Model Serving on Databricks
5. Bucketing
6. Optimization with Adaptive Query Execution (AQE)
7. Textual embeddings, RNNs, attention-based models, and transfer learning for named entity recognition (NER)