Tutoriales: Introducción a ML
Los cuadernos de este artículo están diseñados para que empiece a trabajar rápidamente con el aprendizaje automático en Azure Databricks. Puede importar cada cuaderno al área de trabajo de Azure Databricks para ejecutarlos.
Estos cuadernos muestran cómo usar Azure Databricks a lo largo del ciclo de vida del aprendizaje automático, lo que incluye la carga y preparación de datos; el entrenamiento, ajuste e inferencia de modelos, y la implementación y administración de modelos. También muestran herramientas útiles, como Hyperopt, que se usa para la optimización automatizada de hiperparámetros, el seguimiento y registro automático de MLflow para el desarrollo de modelos, y el registro de modelos para la administración de modelos.
Cuadernos de scikit-learn
Notebook | Requisitos | Características |
---|---|---|
Tutorial sobre aprendizaje automático | Databricks Runtime ML | Unity Catalog, modelo de clasificación, MLflow, ajuste automatizado de hiperparámetros con Hyperopt y MLflow |
Ejemplo de un extremo a otro | Databricks Runtime ML | Unity Catalog, modelo de clasificación, MLflow, ajuste automatizado de hiperparámetros con Hyperopt y MLflow, XGBoost |
Cuaderno de Apache Spark MLlib
Notebook | Requisitos | Características |
---|---|---|
Aprendizaje automático con MLlib | Databricks Runtime ML | Modelo de regresión logística, canalización de Spark, ajuste automático de hiperparámetros mediante MLlib API |
Cuaderno de aprendizaje profundo
Notebook | Requisitos | Características |
---|---|---|
Aprendizaje profundo con TensorFlow Keras | Databricks Runtime ML | Modelo de red neuronal, TensorBoard en línea, ajuste automático de hiperparámetros con Hyperopt y MLflow, registro automático, ModelRegistry |
Comentarios
https://aka.ms/ContentUserFeedback.
Próximamente: A lo largo de 2024 iremos eliminando gradualmente GitHub Issues como mecanismo de comentarios sobre el contenido y lo sustituiremos por un nuevo sistema de comentarios. Para más información, vea:Enviar y ver comentarios de