Databricks Machine Learning Associate: treino e operação

Objetivos e percurso

Preparação independente alinhada com os quatro domínios do guia de Machine Learning Associate ainda ligado pela página oficial em outubro de 2026. Aprende a rever trials AutoML, preservar a semântica temporal de features, registar experiências MLflow e distinguir promoção de modelos de deployment efetivo. As aulas ligam preparação de dados, pipelines, pesquisa de parâmetros e métricas à utilização operacional. Sete casos fictícios incluem pressão para promover uma métrica inválida, inputs antigos que substituem lookups, orçamento de treino, capacidade de revisão e identidade removida de um endpoint. Inclui 28 fontes primárias, progresso e avaliação interna de 28 decisões em 60 minutos. Explica diferenças entre termos do blueprint e funcionalidades dos runtimes atuais; esta cobertura inicial não é um mock completo nem substitui prática supervisionada.

Para quem: Profissionais de dados, Python, APS e projetos que preparam e operam modelos de machine learning.

Pré-requisitos: Python, SQL e noções de estatística e ML. O exame não impõe pré-requisitos; recomenda experiência prática.

340 minutos de estudo estimados

• Inspeciona experiências e valida dependências antes de aceitar uma métrica.
• Evita fuga temporal e diferenças silenciosas entre treino e inferência.
• Liga resultados a versões e distingue registo de deployment.
• Prepara features sem usar informação do conjunto reservado.
• Compara alternativas com custo e validação controlados.
• Interpreta erros na unidade e no contexto da decisão operacional.
• Escolhe o modo de consumo e controla identidade, versão e tráfego.

Módulos

1. Ambiente, AutoML e reprodutibilidade
2. Features temporais e consistência
3. MLflow, registo e promoção
4. Dados, preparação e validação
5. Treino, pipelines e pesquisa de parâmetros
6. Métricas, decisão e generalização
7. Inferência, serving e recuperação

Continua a aprender

Dados e IA

• Python
• SQL
• Databricks Certified Data Engineer Associate
• AWS Certified Machine Learning Engineer - Associate
• AWS Certified AI Practitioner

Referências e versão

2025-03-01

• Databricks Certified Machine Learning Associate · 2026-10-01
• Machine Learning Associate exam guide effective 1 March 2025 · 2026-10-01
• AutoML trial notebooks and runtime support · 2026-10-01
• Hyperparameter tuning and Hyperopt runtime changes · 2026-10-01
• Hyperopt fmin Trials and SparkTrials concepts · 2026-10-01
• MLflow 3 installation and migration · 2026-10-01
• Model lifecycle in Unity Catalog · 2026-10-01
• Feature engineering and serving overview · 2026-10-01
• Feature tables in Unity Catalog · 2026-10-01
• Point-in-time feature lookups · 2026-10-01
• Train and score with feature metadata · 2026-10-01
• Track experiments and training runs · 2026-10-01
• Deploy models using Model Serving · 2026-10-01
• Create custom model serving endpoints and identity · 2026-10-01
• Traffic routing across served models · 2026-10-01
• Delta Lake streaming reads and writes · 2026-10-01
• Lakeflow Spark Declarative Pipelines · 2026-10-01
• Prevent inconsistent preprocessing and data leakage · 2026-10-01
• Imputation of missing values · 2026-10-01
• Cross-validation and time series splits · 2026-10-01
• OneHotEncoder unknown categories · 2026-10-01
• Precision and recall interpretation · 2026-10-01
• Mean absolute error · 2026-10-01
• Model evaluation metrics · 2026-10-01
• GridSearchCV folds and refit · 2026-10-01
• Transforming regression targets · 2026-10-01
• Spark ML Estimators Transformers and Pipelines · 2026-10-01
• PySpark DataFrame summary statistics · 2026-10-01