Esercitazione: Inizia a usare l’IA e il machine learning
I notebook di questa sezione sono progettati per iniziare rapidamente a usare l'intelligenza artificiale e l'apprendimento automatico in Mosaic AI. È possibile importare ogni notebook nell'account di Azure Databricks ed eseguirli.
I notebook illustrano come usare Azure Databricks nell'intero ciclo di vita dell’IA inclusi il caricamento e la preparazione dei dati, il training, l'ottimizzazione e l'inferenza dei modelli e la distribuzione e la gestione dei modelli.
Tutorial classici per il machine learning
| Notebook | Requisiti | Funzionalità |
|---|---|---|
| Esempio end-to-end | Databricks Runtime ML | Unity Catalog, modello di classificazione, MLflow, ottimizzazione automatizzata degli iperparametri con Hyperopt e MLflow, XGBoost |
| Creare e distribuire un modello personalizzato | Databricks Runtime ML | Unity Catalog, modello di classificazione, MLflow, ottimizzazione automatizzata degli iperparametri con Hyperopt e MLflow |
| Machine Learning con scikit-learn | Databricks Runtime ML | Unity Catalog, modello di classificazione, MLflow, ottimizzazione automatizzata degli iperparametri con Hyperopt e MLflow |
| Machine Learning con MLlib | Databricks Runtime ML | Modello di regressione logistica, pipeline Spark, ottimizzazione automatizzata degli iperparametri tramite l'API MLlib |
| Deep Learning con TensorFlow Keras | Databricks Runtime ML | Modello di rete neurale, TensorBoard inline, ottimizzazione automatizzata degli iperparametri con Hyperopt e MLflow, autologging, ModelRegistry |
Tutorial IA
| Notebook | Requisiti | Funzionalità |
|---|---|---|
| Introduzione all'esecuzione di query su LLM | Databricks Runtime ML | Unity Catalog, modello di classificazione, MLflow, ottimizzazione automatizzata degli iperparametri con Hyperopt e MLflow, XGBoost |
| Eseguire query sugli endpoint del modello esterno OpenAI | Databricks Runtime ML | Unity Catalog, modello di classificazione, MLflow, ottimizzazione automatizzata degli iperparametri con Hyperopt e MLflow |
| Creare e distribuire un'esecuzione di ottimizzazione del modello Foundation | Databricks Runtime ML | Unity Catalog, modello di classificazione, MLflow, ottimizzazione automatizzata degli iperparametri con Hyperopt e MLflow |
| Demo RAG di 10 minuti | Databricks Runtime ML | Modello di regressione logistica, pipeline Spark, ottimizzazione automatizzata degli iperparametri tramite l'API MLlib |
| Esercitazione sull'intelligenza artificiale generativa | Databricks Runtime ML | Modello di rete neurale, TensorBoard inline, ottimizzazione automatizzata degli iperparametri con Hyperopt e MLflow, autologging, ModelRegistry |