Kurzy: Začínáme s ML

Poznámkové bloky v tomto článku jsou navržené tak, abyste mohli rychle začít se strojovým učením v Azure Databricks. 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 strojového učení, včetně načítání a přípravy dat; trénování, ladění a odvozování modelů; a nasazení a správu modelů. Předvádějí také užitečné nástroje, jako je Hyperopt pro automatizované ladění hyperparametrů, sledování MLflow a automatickélogování pro vývoj modelů a registr modelů pro správu modelů.

Poznámkové bloky scikit-learn

Poznámkový blok	Požadavky	Funkce
Kurz strojového učení	Databricks Runtime ML	Klasifikační model, MLflow, automatizované ladění hyperparametrů s Hyperoptem a MLflow
Kompletní příklad	Databricks Runtime ML	Klasifikační model, MLflow, automatizované ladění hyperparametrů s Hyperopt a MLflow, XGBoost, Registr modelů, Obsluha modelů

Poznámkový blok Apache Spark MLlib

Poznámkový blok	Požadavky	Funkce
Strojové učení pomocí knihovny MLlib	Databricks Runtime ML	Model logistické regrese, kanál Sparku, automatizované ladění hyperparametrů pomocí rozhraní API knihovny MLlib

Poznámkový blok hlubokého učení

Poznámkový blok	Požadavky	Funkce
Hluboké učení s využitím TensorFlow Kerasu	Databricks Runtime ML	Model neurální sítě, vložený TensorBoard, automatizované ladění hyperparametrů s Hyperopt a MLflow, automatickélogování, ModelRegistry