Tutorials für Künstliche Intelligenz und maschinelles Lernen

Probieren Sie eine dieser Lernprogramme aus, um zu beginnen. Sie können diese Notizbücher in Ihren Databricks-Arbeitsbereich importieren.

Tutorial	Description
Classic ML	End-to-End-Beispiel für die Schulung eines klassischen ML-Modells in Databricks.
scikit-learn	Verwenden Sie eine der beliebtesten Python-Bibliotheken für maschinelles Lernen, um Machine Learning-Modelle zu trainieren.
MLlib	Beispiele für die Verwendung der Apache Spark Machine Learning-Bibliothek.
Deep Learning mit PyTorch	End-to-End-Beispiel für die Schulung eines Deep Learning-Modells in Databricks mithilfe von PyTorch.
TensorFlow	TensorFlow ist ein Open-Source-Framework, das Deep-Learning- und numerische Berechnungen für CPUs, GPUs und Cluster von GPUs unterstützt.
Mosaik KI-Modellbereitstellung	Bereitstellen und Abfragen eines klassischen ML-Modells mit Mosaik AI Model Serving.
Foundation-Modell-APIs	Foundation-Modell-APIs bieten Zugriff auf beliebte Foundation-Modelle von Endpunkten, die direkt über den Databricks-Arbeitsbereich verfügbar sind.
Schnellstart des Agent-Frameworks	Verwenden Sie Mosaic AI Agent Framework, um einen Agenten zu erstellen, einem Agenten ein Tool hinzuzufügen und den Agenten an einem Databricks-Modell-Bereitstellungsendpunkt bereitzustellen.
Verfolgen einer GenAI-App	Verfolgen Sie den Ausführungsfluss einer App mit Einblick in jeden Schritt.
Bewerten einer GenAI-App	Verwenden Sie MLflow 3 zum Erstellen, Nachverfolgen und Auswerten einer GenAI-App.
Schnellstart für menschliches Feedback	Sammeln Sie Endbenutzerfeedback, und verwenden Sie dieses Feedback, um die Qualität Ihrer GenAI-App zu bewerten.
Erstellen, Auswerten und Bereitstellen eines Abruf-Agents	Erstellen Sie einen KI-Agent, der den Abruf mit Tools kombiniert.
OpenAI-Modelle abfragen	Erstellen Sie einen externen Modellendpunkt zum Abfragen von OpenAI-Modellen.