À propos du cours

Certification Databricks🌐 Anglais & Français

Databricks Certified Machine Learning Professional

Code officiel : Machine Learning Professional

Disponible en anglais et en français — examens blancs complets dans les deux langues.

59questions à l’examen réel

120 mindurée officielle

200 $prix de l’examen

2 ansvalidité

Choisissez un abonnement (à partir de 9,90 €/mois, 47 certifications) et accédez immédiatement à l'examen blanc complet, ainsi qu'à ces 4 outils d'entraînement supplémentaires :

Glossaire — 25 termes clés

A/B Testing (déploiement)Stratégie de déploiement qui divise délibérément le trafic de production entre un modèle champion et un modèle challenger afin de collecter des échantillons comparables et d'effectuer des tests d'hypothèses statistiques sur leurs performances respectives.

Alias de modèle (Model Alias)Pointeur nommé et réassignable vers une version spécifique d'un modèle enregistré dans Unity Catalog, remplaçant le concept de stages (Staging, Production) du registre workspace. Il permet de promouvoir un modèle sans modifier le code applicatif.

AutoML (Databricks)Fonctionnalité Databricks qui explore automatiquement plusieurs algorithmes et configurations d'hyperparamètres, puis génère un notebook Python modifiable contenant le meilleur modèle trouvé ainsi que les résultats des essais.

Concept DriftType de dérive où la relation statistique entre les features d'entrée et la variable cible change au fil du temps, entraînant une dégradation des performances du modèle même si les distributions d'entrée restent stables. Sa détection nécessite obligatoirement des labels de vérité terrain.

Voir les 21 autres termes →

Étude de cas — 5 scénarios inclus

Détection de fraude en temps réel avec Feature Store et Model Serving

4,2 millionsVolume de transactions quotidiennes80 msLatence maximale de scoring acceptée18 moisFenêtre de données d'entraînement+37 % en un anAugmentation de la fraude constatée

Une néobanque européenne traite en moyenne 4,2 millions de transactions par jour. Face à une recrudescence de la fraude par usurpation d'identité (+37 % en un an), l'équipe Data Science doit déployer un modèle de détection de fraude capable de scorer chaque transaction en moins de 80 ms après sa réception. Les features utilisées incluent l'historique de comportement du titulaire du compte (fréquence de transactions, montants moyens, géolocalisation) ainsi que des features agrégées calculées sur des fenêtres glissantes de 24 h et 7 jours.\n\nL'équipe a décidé d'utiliser Databricks Feature Engineering dans Unity Catalog pour centraliser la gestion des features. Les features agrégées sont recalculées toutes les heures via un pipeline Spark Structured Streaming, puis écrites dans la feature table `fraud_catalog.features.account_behavior`. Le modèle final, un LightGBM entraîné sur 18 mois de données historiques, doit être exposé via un endpoint Databricks Model Serving.\n\nUn enjeu critique du projet est d'éviter toute fuite de données lors de la constitution du jeu d'entraînement, car les labels de fraude sont parfois rétroactivement confirmés plusieurs jours après la transaction. Par ailleurs, la direction compliance exige que chaque décision de refus de transaction puisse être expliquée individuellement, conformément aux obligations réglementaires du RGPD (Article 22).

Voir les questions d'analyse et réponses modèles →

Texte à trous — 25 phrases incluses

Pour valider statistiquement que le nouveau modèle de recommandation génère un meilleur taux de clics, l'équipe met en place un _____ en routant 30 % du trafic vers le challenger et 70 % vers le champion, puis applique un test de Student sur les métriques collectées après deux semaines.

Grâce à un _____ nommé 'production' pointant vers la version 12, le service applicatif peut toujours appeler le même URI sans modification de code lorsque l'équipe promeut une nouvelle version du modèle.

Pour établir rapidement une baseline solide sur leur problème de régression du prix immobilier, les data scientists lancent _____ sur leur table Delta et obtiennent en moins de 30 minutes un notebook modifiable contenant le meilleur pipeline XGBoost trouvé parmi les algorithmes explorés.

Voir les réponses et le reste des phrases →

Flashcards — 141 cartes incluses

Question

Une équipe migre son registre de modèles du registre du workspace vers Unity Catalog. Un développeur appelle `client.transition_model_version_stage(name, version, stage="Production")`. Que se passe-t-il ?

Appuyer pour voir la réponse ›

Réponse

L'appel lève une erreur — UC ne prend pas en charge les transitions basées sur des stages ; utilisez des alias à la place

Question

**Une équipe doit implémenter une porte de promotion qui compare l'AUC du challenger à celle du champion. L'alias champion ne doit être mis à jour que si le challenger s'améliore d'au moins 0,5 %. Quel outil exécute cette logique ?**

Appuyer pour voir la réponse ›

Réponse

Une tâche notebook dans un Databricks Job, utilisant `MlflowClient` pour comparer les métriques et `set_registered_model_alias` pour promouvoir

Voir les 139 autres cartes →

Commencer maintenant

Texte à trous — 25 phrases incluses

Voir les réponses et le reste des phrases →

Contenu du cours

Databricks Certified Machine Learning Professional – Examen Blanc (Français)

Présentation
Databricks ML Professional — Examen 1 (Français) (75 questions)
Fiche mémo
Databricks ML Professional — Examen 2 (Français) (72 questions)
Modalités
Documents
Flashcards — Révision express
Glossaire — Termes clés
Études de cas — Mise en situation
Texte à trous — Exercice de complétion

Databricks Certified Machine Learning Professional – Examen Blanc

À propos du cours