VIP20
本课程属于：089-Databricks AI与机器学习平台工程 后端、数据与云原生工程 · 共 20 门相关课程，组合学习更完整。
查看所属VIP全部课程 →
← 返回所属目录 咨询 / 购买

Databricks模型生命周期管理与生产部署

共计 30 章节
可可资料掘金营 · 点击在线试看
01
课程导入与Databricks模型生命周期全景
目标=学习目标 · MLOps核心概念 · Databricks在模型生命周期中…
Databricks课程导入
02
Databricks工作区与计算资源准备
目标=工作区配置 · 集群类型选择 · DBR版本管理
Databricks工作区
03
数据准备与特征工程基础
目标=使用Delta Lake管理训… · 特征表创建 · 数据版本控制
数据准备特征工程基础
04
使用MLflow跟踪实验
目标=MLflow Tracking… · 实验与运行管理 · 参数/指标/工件记录
MLflow使用
05
模型训练与超参数调优
目标=使用Scikit-learn · XGBoost · PyTorch等训练模型
模型训练超参数调优
06
模型注册与版本管理
目标=MLflow Model Re… · 注册模型 · 版本控制
模型注册版本管理
07
模型评估与验证
目标=离线评估指标 · 交叉验证 · 混淆矩阵与ROC曲线
模型评估验证
08
特征存储与在线推理准备
目标=Databricks Feat… · 创建特征表 · 训练/服务一致性
特征存储线推理准备
09
模型签名与输入输出模式
目标=定义模型签名 · 推理输入输出格式 · 使用MLflow签名进行验证
模型签名输入输出模式
10
模型打包与依赖管理
目标=Conda环境导出 · requirements.txt · 自定义模型封装
模型打包依赖管理
11
批量推理与作业调度
目标=使用Databricks Jo… · 作业集群配置 · 调度与触发
批量推理作业调度
12
实时推理与模型服务
目标=Databricks Mode… · 创建服务端点 · 自动扩缩容
实时推理模型服务
13
使用REST API进行模型推理
目标=获取端点URL与令牌 · 构造请求 · 处理响应
RESTAPI
14
模型服务监控与日志
目标=服务端点指标 · 请求日志 · 延迟与吞吐量监控
模型服务监控日志
15
模型漂移检测与数据质量监控
目标=使用Lakehouse Mon… · 定义漂移指标 · 数据质量约束
模型漂移检测数据质量监控
16
自动化模型再训练流水线
目标=使用Delta Live Ta… · 触发条件 · 版本更新
自动化模型再训练…Delta
17
CI/CD for ML on Databricks
目标=使用GitHub Action… · Repos集成 · 自动化测试
CI/CDfor
18
模型治理与合规
目标=Unity Catalog中的… · 访问控制 · 审计日志
模型治理合规
19
模型部署策略
目标=蓝绿部署 · 金丝雀发布 · A/B测试
模型部署策略目标=蓝绿部署
20
性能优化与成本管理
目标=推理优化（批处理 · 量化） · 集群自动缩放
性能优化成本管理
21
安全与密钥管理
目标=Databricks Secr… · 服务主体 · 访问ADLS/S3
安全密钥管理
22
使用MLflow Projects与Recipes
目标=标准化项目结构 · 可复现运行 · MLflow Recipes模板
MLflowProjects
23
模型解释性与可解释AI
目标=SHAP · LIME · 特征重要性
AI模型解释性
24
边缘部署与嵌入式模型
目标=使用Databricks模型导… · ONNX格式 · 在边缘设备部署
边缘部署嵌入式模型
25
多模型管理与路由
目标=管理多个模型版本 · 动态路由 · 模型别名
多模型管理路由
26
模型生命周期中的协作
目标=团队角色与权限 · 使用Comments与Tags · 评审流程
模型生命周期协作
27
故障排查与调试
目标=常见训练失败原因 · 推理错误 · 日志分析
故障排查调试
28
端到端案例
目标=客户流失预测：从数据探索 · 特征工程 · 训练
端到端案例目标=客户流失预…
29
端到端案例
目标=实时推荐系统 · Model Serving · 流式推理
端到端案例目标=实时推荐系…
30
课程总结与最佳实践
目标=回顾关键概念 · MLOps成熟度模型 · 持续改进
课程总结最佳实践