Batch-Vorhersagen mit bereitgestellten Modellen in Fabric

Wie wenden Sie Ihre trainierten Machine-Learning-Modelle auf riesige, reale Datensätze an? Die effiziente Generierung von Batch-Vorhersagen ist eine Kernanforderung für moderne Data Engineering- und Data Science-Workflows.\n\nDieser Kurs führt Sie durch den Prozess des Ladens bereitgestellter Machine Learning-Modelle und der Ausführung von Batchinferenzen innerhalb des Fabric-Ökosystems. Sie werden vom Verständnis grundlegender prädiktiver Workflows zum Einrichten automatisierter, leistungsstarker Vorhersage-Pipelines übergehen, die problemlos große Datenmengen verarbeiten.\n\nWas Sie lernen werden:\n- Verstehen Sie die Kernkonzepte der Batch-Vorhersage und Modellbereitstellung in Fabric\n- Laden Sie registrierte Machine-Learning-Modelle aus der Workspace-Registrierung\n Wenden Sie Modelle auf große Datensätze an, indem Sie skalierbare Spark- und Python-Workflows verwenden.\n- Optimieren Sie die Inferenzleistung mit modernen Dataframe-Bibliotheken und paralleler Verarbeitung.\r- Schreiben Sie Vorhersageausgaben zurück in Lakehouses oder Data Warehouses für den nachgelagerten Verbrauch.\t- Implementieren Sie grundlegende MLOps-Überwachungspraktiken, um die Modellvorhersagedrift über time\n\nSie lernen zunächst die grundlegende Terminologie für die Bereitstellung von Machine Learning und die Fabric-Architektur kennen. Von dort aus gehen Sie Schritt für Schritt durch schriftliche Erklärungen und Python-Code-Snippets, die demonstrieren, wie Sie Modelle laden, Eingabedaten vorbereiten und Vorhersageergebnisse sicher speichern können.\n\nDieser Kurs richtet sich an Datenanalysten, angehende Datenwissenschaftler und Dateningenieure, die Modelle für maschinelles Lernen operationalisieren möchten. Es sind keine Vorkenntnisse mit Fabric erforderlich, aber grundlegende Kenntnisse mit Python sind hilfreich.\n\nLern Sie noch heute und nutzen Sie die Leistungsfähigkeit automatisierter Batch-Vorhersagen in Ihren Datenpipelines.