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 agenty AI? Viz Build agents on 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 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 AI hostovaným 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.