Samouczki: wprowadzenie do sztucznej inteligencji i uczenia maszynowego
Notesy w tej sekcji zostały zaprojektowane tak, aby szybko rozpocząć pracę ze sztuczną inteligencją i uczeniem maszynowym w usłudze Mosaic AI. Aby je uruchomić, możesz zaimportować każdy notes do obszaru roboczego usługi Azure Databricks.
Te notesy ilustrują sposób korzystania z usługi Azure Databricks w całym cyklu życia sztucznej inteligencji, w tym ładowania i przygotowywania danych; trenowanie, dostrajanie i wnioskowanie modelu; oraz wdrażanie i zarządzanie modelami.
Samouczki dotyczące klasycznego uczenia maszynowego
| Notes | Wymagania | Funkcje |
|---|---|---|
| Przykład kompleksowego | Databricks Runtime ML | Katalog aparatu Unity, model klasyfikacji, MLflow, automatyczne dostrajanie hiperparametrów za pomocą biblioteki Hyperopt i MLflow, XGBoost |
| Wdrażanie i wykonywanie zapytań względem modelu niestandardowego | Databricks Runtime ML | Katalog aparatu Unity, model klasyfikacji, MLflow, automatyczne dostrajanie hiperparametrów za pomocą funkcji Hyperopt i MLflow |
| Uczenie maszynowe za pomocą biblioteki scikit-learn | Databricks Runtime ML | Katalog aparatu Unity, model klasyfikacji, MLflow, automatyczne dostrajanie hiperparametrów za pomocą funkcji Hyperopt i MLflow |
| Uczenie maszynowe za pomocą biblioteki MLlib | Databricks Runtime ML | Model regresji logistycznej, potok Spark, automatyczne dostrajanie hiperparametrów przy użyciu interfejsu API MLlib |
| Uczenie głębokie za pomocą biblioteki TensorFlow Keras | Databricks Runtime ML | Model sieci neuronowej, wbudowany tablica TensorBoard, automatyczne dostrajanie hiperparametrów za pomocą funkcji Hyperopt i MLflow, automatyczne rejestrowanie, ModelRegistry |
Samouczki dotyczące sztucznej inteligencji
| Notes | Wymagania | Funkcje |
|---|---|---|
| Wprowadzenie do wykonywania zapytań w usłudze LLMs | Databricks Runtime ML | Katalog aparatu Unity, model klasyfikacji, MLflow, automatyczne dostrajanie hiperparametrów za pomocą biblioteki Hyperopt i MLflow, XGBoost |
| Wykonywanie zapytań względem punktów końcowych modelu zewnętrznego OpenAI | Databricks Runtime ML | Katalog aparatu Unity, model klasyfikacji, MLflow, automatyczne dostrajanie hiperparametrów za pomocą funkcji Hyperopt i MLflow |
| Tworzenie i wdrażanie przebiegu dostrajania modelu podstawowego | Databricks Runtime ML | Katalog aparatu Unity, model klasyfikacji, MLflow, automatyczne dostrajanie hiperparametrów za pomocą funkcji Hyperopt i MLflow |
| 10-minutowy pokaz agenta mozaiki sztucznej inteligencji | Databricks Runtime ML | Mozaika struktura agenta sztucznej inteligencji, ocena agenta, MLflow, dane syntetyczne |
| Pokaz demo agenta Mosaic AI — zaprezentuj własne dane | Databricks Runtime ML | Mozaika struktura agenta sztucznej inteligencji, ocena agenta, MLflow, dane syntetyczne, indeks wyszukiwania wektorów |
| Samouczek dotyczący generowania sztucznej inteligencji | Databricks Runtime ML | Model sieci neuronowej, wbudowany tablica TensorBoard, automatyczne dostrajanie hiperparametrów za pomocą funkcji Hyperopt i MLflow, automatyczne rejestrowanie, ModelRegistry |