Strojové učení na Azure Databricks

Sestavte, nasaďte a spravujte aplikace strojového učení na Azure Databricks. Integrovaná platforma sjednocuje celý životní cyklus strojového učení od přípravy dat až po monitorování produkčního prostředí.

Hledáte generativní AI a AI agenty? Viz Vytváření agentů AI v Azure Databricks.

Začínáme

Vyzkoušejte úvodní příručku, vytvořte model pomocí vibe codingu a použijte notebooky.

Guide	Description
Začínáme: Vytvoření prvního modelu strojového učení v Databricks	Sestavte a nasaďte jednoduchý klasifikační model pomocí scikit-learn.
Použití kódu Genie pro datové vědy	Pomocí agenta AI můžete zkoumat data, vytvářet modely a iterovat.
Poznámkové bloky Databricks	Vývojové prostředí pro spolupráci s podporou Python, R, Scala a SQL
Koncepty: Datové vědy a strojové učení na Azure Databricks	Seznamte se se základními koncepty datových věd a strojového učení na Azure Databricks.

Trénování klasických modelů strojového učení

Funkce inženýrů, vytváření modelů strojového učení a sledování experimentů

Feature	Description
Úložiště atributů	Proveďte přípravu funkcí, spravujte funkce v katalogu Unity a obsluhujte funkce v produkčním prostředí.
Příklady trénování modelů	Prozkoumejte kompletní příklady pro trénování klasických modelů ML s oblíbenými knihovnami.
Databricks Runtime pro ML	Předem nakonfigurované clustery se scikit-learn, XGBoost, MLflow a dalšími knihovnami ML a podporou architektur hlubokého učení.
Sledování MLflow	Sledujte experimenty, porovnejte výkon modelu a spravujte kompletní životní cyklus vývoje modelu.

Trénování modelů hlubokého učení

Použití spravovaných výpočetních a integrovaných architektur k vývoji modelů hlubokého učení

Feature	Description
AI Runtime	Pro vlastní trénování a odvozování úloh hlubokého učení používejte bezserverové výpočetní prostředí GPU.
Příklady distribuovaného trénování	Prozkoumejte příklady distribuovaného hlubokého učení pomocí Raye, TorchDistributoru a DeepSpeed.
Osvědčené postupy DL	Seznamte se s výběrem architektury, načítáním dat, distribuovaným škálováním a správou životního cyklu modelu hlubokého učení.
Ray na Databricks	Škálování úloh ML pomocí distribuovaných výpočtů pro trénování a odvozování modelů ve velkém měřítku

Nasazení a obsluha modelů

Nasaďte modely do produkčního prostředí se škálovatelnými koncovými body pro odvozování v reálném čase, streamování nebo dávkové odvozování.

Feature	Description
Obsluha modelu	Nasaďte vlastní modely a LLM jako koncové body REST s podporou automatického škálování a GPU.
AI Gateway	Řízení a monitorování přístupu k modelům obsluhovaných na Azure Databricks pomocí sledování využití, protokolování datové části a bezpečnostních prvků
Dávkové odvození	Nasaďte modely pro dávkové a streamované odvozování a předpovědi u velkých datových sad.
Rozhraní API základního modelu	Přístup k špičkovým modelům GenAI hostovaným službou Databricks a jejich dotazování

Monitorování a řízení systémů ML

Zajistěte kvalitu modelu, integritu dat a dodržování předpisů pomocí komplexních nástrojů pro monitorování a zásady správného řízení.

Feature	Description
Katalog Unity	Řiďte data, vlastnosti, modely a funkce s jednotným řízením přístupu, sledováním původu a objevováním.
MLflow pro modely	Spravujte celý životní cyklus ML od experimentů a modelů až po vyhodnocení a nasazení.
Detekce anomálií	Sledujte aktuálnost a úplnost dat na úrovni katalogu.
Profilace dat	Monitorování kvality dat, výkonu modelu a odchylky předpovědí pomocí automatizovaných výstrah a analýzy původní příčiny

Uvedení workflow strojového učení do produkčního provozu

Škálování operací strojového učení pomocí automatizovaných pracovních postupů, integrace CI/CD a kanálů připravených pro produkční prostředí

Feature	Description
Modely v katalogu Unity	Registr modelů v katalogu Unity slouží k centralizovaným zásadám správného řízení a ke správě životního cyklu modelu, včetně nasazení.
Lakeflow Úlohy	Vytváření automatizovaných pracovních postupů pro kanály ML
Deklarativní balíčky automatizace	Spravujte infrastrukturu Azure Databricks formou kódu pro účely CI/CD, včetně trénování a nasazování modelů ML.
Pracovní postupy MLOps	Přečtěte si o kompletním MLOps pomocí automatizovaného trénování, testování a kanálů nasazení.