Kurzy umělé inteligence a strojového učení

Vyzkoušejte jeden z těchto kurzů, abyste mohli začít. Tyto poznámkové bloky můžete importovat do pracovního prostoru Databricks.

Tutoriál	Popis
Klasické strojové učení	Kompletní příklad trénování klasického modelu ML v Databricks
scikit-learn	K trénování modelů strojového učení použijte jednu z nejoblíbenějších knihoven Pythonu.
MLlib	Příklady použití knihovny strojového učení Apache Spark
Hluboké učení s využitím PyTorchu	Kompletní příklad trénování modelu hlubokého učení v Databricks pomocí PyTorchu
TensorFlow	TensorFlow je opensourcová architektura, která podporuje hluboké učení a číselné výpočty v procesorech, GPU a clusterech GPU.
Nasazení modelu Mosaic AI	Nasazení klasického modelu ML a spouštění dotazů na něm pomocí služby Mosaic AI Model Serving.
Rozhraní API základního modelu	Rozhraní API základního modelu poskytují přístup k oblíbeným základním modelům z koncových bodů, které jsou dostupné přímo z pracovního prostoru Databricks.
Rychlý začátek agentního frameworku	K vytvoření agenta, přidání nástroje agentovi a nasazení agenta na koncový bod obsluhující model Databricks použijte Rámec Mosaic AI Agent.
Trasování aplikace GenAI	Trasování toku spuštění aplikace s přehledem o každém kroku
Vyhodnocení aplikace GenAI	Pomocí MLflow 3 můžete vytvořit, trasovat a vyhodnotit aplikaci GenAI.
Rychlý start pro zpětnou vazbu od lidí	Shromážděte zpětnou vazbu koncových uživatelů a použijte tuto zpětnou vazbu k vyhodnocení kvality aplikace GenAI.
Sestavení, vyhodnocení a nasazení agenta načítání	Sestavte agenta AI, který kombinuje načítání s nástroji.
Dotazování modelů OpenAI	Vytvořte koncový bod externího modelu pro dotazování modelů OpenAI.