Sdílet prostřednictvím

Kurzy: Začínáme s AI a strojovým učením

  • Článek

Poznámkové bloky v této části jsou navržené tak, abyste mohli rychle začít s AI a strojovým učením na platformě Mosaic AI. Každý poznámkový blok můžete importovat do pracovního prostoru Azure Databricks a spustit je.

Tyto poznámkové bloky ukazují, jak používat Azure Databricks v průběhu životního cyklu AI, včetně načítání a přípravy dat; trénování, ladění a odvozování modelů; a nasazení a správu modelů.

Kurzy klasického strojového učení

Poznámkový blok Požadavky Funkce
Kompletní příklad Databricks Runtime ML Katalog Unity, klasifikační model, MLflow, automatizované ladění hyperparametrů s Hyperopt a MLflow, XGBoost
Nasazení a dotazování vlastního modelu Databricks Runtime ML Katalog Unity, klasifikační model, MLflow, automatizované ladění hyperparametrů s Hyperoptem a MLflow
Strojové učení s využitím scikit-learn Databricks Runtime ML Katalog Unity, klasifikační model, MLflow, automatizované ladění hyperparametrů s Hyperoptem a MLflow
Strojové učení pomocí knihovny MLlib Databricks Runtime ML Model logistické regrese, kanál Sparku, automatizované ladění hyperparametrů pomocí rozhraní API knihovny MLlib
Hluboké učení s využitím TensorFlow Kerasu Databricks Runtime ML Model neurální sítě, vložený TensorBoard, automatizované ladění hyperparametrů s Hyperopt a MLflow, automatickélogování, ModelRegistry

Kurzy k AI

Poznámkový blok Požadavky Funkce
Začínáme s dotazováním LLM Databricks Runtime ML Katalog Unity, klasifikační model, MLflow, automatizované ladění hyperparametrů s Hyperopt a MLflow, XGBoost
Dotazování koncových bodů externího modelu OpenAI Databricks Runtime ML Katalog Unity, klasifikační model, MLflow, automatizované ladění hyperparametrů s Hyperoptem a MLflow
Vytvoření a nasazení jemného ladění základního modelu Databricks Runtime ML Katalog Unity, klasifikační model, MLflow, automatizované ladění hyperparametrů s Hyperoptem a MLflow
10minutová ukázka RAG Databricks Runtime ML Model logistické regrese, kanál Sparku, automatizované ladění hyperparametrů pomocí rozhraní API knihovny MLlib
Kurz generující AI Databricks Runtime ML Model neurální sítě, vložený TensorBoard, automatizované ladění hyperparametrů s Hyperopt a MLflow, automatickélogování, ModelRegistry