教程：开始使用 AI 和机器学习
本部分中的笔记本旨在让你快速开始使用 Mosaic AI 上的 AI 和机器学习。 可以将每个笔记本导入 Azure Databricks 工作区以运行它们。
这些笔记本演示了如何在整个 AI 生命周期中使用 Azure Databricks - 生命周期涵盖数据加载和准备，模型训练、优化和推理，以及模型部署和管理。
经典 ML 教程
| 笔记本 | 要求 | 功能 |
|---|---|---|
| 端到端示例 | Databricks Runtime ML | Unity Catalog、分类模型、MLflow、通过 Hyperopt 和 MLflow 实现的自动超参数优化、XGBoost |
| 部署和查询自定义模型 | Databricks Runtime ML | Unity Catalog、分类模型、MLflow、通过 Hyperopt 和 MLflow 实现的自动超参数优化 |
| 使用 scikit-learn 进行机器学习 | Databricks Runtime ML | Unity Catalog、分类模型、MLflow、通过 Hyperopt 和 MLflow 实现的自动超参数优化 |
| 使用 MLlib 的机器学习 | Databricks Runtime ML | 逻辑回归模型、Spark 管道，使用 MLlib API 的自动超参数优化 |
| 使用 TensorFlow Keras 的深度学习 | Databricks Runtime ML | 神经网络模型、内联 TensorBoard、通过 Hyperopt 和 MLflow 实现的自动超参数优化、自动日志记录、模型注册表 |
AI 教程
| 笔记本 | 要求 | 功能 |
|---|---|---|
| 开始查询 LLM | Databricks Runtime ML | Unity Catalog、分类模型、MLflow、通过 Hyperopt 和 MLflow 实现的自动超参数优化、XGBoost |
| 查询 OpenAI 外部模型终结点 | Databricks Runtime ML | Unity Catalog、分类模型、MLflow、通过 Hyperopt 和 MLflow 实现的自动超参数优化 |
| 创建和部署基础模型微调运行 | Databricks Runtime ML | Unity Catalog、分类模型、MLflow、通过 Hyperopt 和 MLflow 实现的自动超参数优化 |
| 10 分钟 RAG 演示 | Databricks Runtime ML | 逻辑回归模型、Spark 管道，使用 MLlib API 的自动超参数优化 |
| 生成 AI 教程 | Databricks Runtime ML | 神经网络模型、内联 TensorBoard、通过 Hyperopt 和 MLflow 实现的自动超参数优化、自动日志记录、模型注册表 |