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 spuštění trénování modelu AI v systému Mosaic 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
Kuchařka AI: Rozšířený kurz RAG Databricks Runtime ML Model neurální sítě, vložený TensorBoard, automatizované ladění hyperparametrů s Hyperopt a MLflow, automatickélogování, ModelRegistry