Utilizarea Databricks pentru machine learning

Concepte Databricks

Kevin Barlow

Data Practitioner

Ciclul de viață al machine learning

¹ https://www.datacamp.com/blog/machine-learning-lifecycle-explained

Planificare și pregătire

Ciclul ML - EDA

Planificarea pentru machine learning

Ce am la dispoziție?

Disponibilitatea datelor
Cerințe de business
Oameni de știință/analiști de date

Echipa de date și resurse

Ce doresc să obțin?

Cazuri de utilizare
Conformitate juridică și de securitate
Rezultate de business

Rezultate de business

ML Runtime

Extensie a infrastructurii de calcul Databricks
Optimizat pentru aplicații de machine learning
Include cele mai comune biblioteci și framework-uri
- scikit-learn, SparkML, TensorFlow
- MLFlow
Funcționează cu gestionarea bibliotecilor de cluster

Databricks ML Runtime

Analiza exploratorie a datelor

import pandas as pd
pd.describe(df)

# Spark DF
df.summary()

dbutils.data.summarize()

import bamboolib as bam
df

EDA în Databricks

Tabele și magazine de caracteristici

Date brute

count	category	price	shelf_loc	rating
4	horror	12.50	end	3
6	romance	13.99	top	4.5
12	sci-fi	16.50	bottom	5
31	romance	9.99	bottom	3.5
23	fantasy	24.99	top	4
18	horror	19.99	end	2.5
19	cooking	17.50	end	4.5
7	fantasy	12.99	top	3
37	sci-fi	14.99	bottom	5

Tabel de caracteristici

count	category	price	shelf_loc	rating
4	1	12.50	1	3
6	2	13.99	2	4.5
12	3	16.50	3	5
31	2	9.99	3	3.5
23	4	24.99	2	4
18	1	19.99	1	2.5
19	5	17.50	1	4.5
7	4	12.99	2	3
37	3	14.99	3	5

Databricks Feature Store

Stocare centralizată pentru seturi de date cu caracteristici
Descoperire și reutilizare facilă a caracteristicilor pentru modele ML
Trasabilitate upstream și downstream

Databricks Feature Store

from databricks import feature_store

fs = feature_store.FeatureStoreClient()

fs.create_table(
    name=table_name,
    primary_keys=["wine_id"],
    df=features_df,
    schema=features_df.schema,
    description="wine features"
)

Să exersăm!

Concepte Databricks