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