Trénování modelů AI a ML

V této části se dozvíte, jak trénovat modely strojového učení a AI na platformě Mosaic AI.

Mosaic AutoML

Mosaic AutoML zjednodušuje proces použití strojového učení na datové sady tím, že automaticky vyhledá nejlepší algoritmus a konfiguraci hyperparametrů za vás. AutoML nabízí uživatelské rozhraní s nízkým kódem a také rozhraní API Pythonu.

Trénování modelu Puzzle AI

Rozhraní Databricks umožňuje přizpůsobit velké jazykové modely (LLM) pomocí vlastních dat . Tento proces zahrnuje vyladění trénování předem existujícího základního modelu, což výrazně snižuje objem dat, času a výpočetních prostředků požadovaných v porovnání s trénováním modelu od začátku. Mezi klíčové funkce patří:

• Vyladění pod dohledem: Přizpůsobte si model novým úkolům trénováním na základě strukturovaných dat odpovědí na výzvy.
• Pokračování předběžného trénování: Vylepšete model o další textová data, abyste mohli přidat nové znalosti nebo se zaměřit na konkrétní doménu.
• Dokončení chatu: Trénování modelu v protokolech chatu za účelem zlepšení konverzačních schopností.

Příklady opensourcové knihovny

Podívejte se na příklady trénování strojového učení ze široké škály opensourcových knihoven strojového učení, včetně příkladů ladění hyperparametrů pomocí Optuna a Hyperoptu.

Hluboké učení

Podívejte se na příklady a osvědčené postupy pro distribuované trénování hlubokého učení, abyste mohli vyvíjet a vyladit modely hlubokého učení v Azure Databricks.

Doporučené osoby

Naučte se trénovat modely doporučení založené na hlubokém učení v Azure Databricks. V porovnání s tradičními modely doporučení můžou modely hlubokého učení dosáhnout vyšších výsledků kvality a škálovat na větší objemy dat.