Irakurri ingelesez

Partekatu honen bidez:

Tutoriales: Introducción a la inteligencia artificial y al aprendizaje automático

  • Artikulua

Los cuadernos de esta sección están diseñados para que empiece a trabajar rápidamente con la inteligencia artificial y el aprendizaje automático en Mosaic AI. 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 de la IA, lo que incluye la carga y preparación de datos; el entrenamiento, ajuste e inferencia de modelos, y la implementación y administración de modelos.

Tutoriales de ML clásicos

Notebook Requisitos Características
Ejemplo de un extremo a otro Databricks Runtime ML Unity Catalog, modelo de clasificación, MLflow, ajuste automatizado de hiperparámetros con Hyperopt y MLflow, XGBoost
Implementación y consulta de un modelo personalizado Databricks Runtime ML Unity Catalog, modelo de clasificación, MLflow, ajuste automatizado de hiperparámetros con Hyperopt y MLflow
Aprendizaje automático con scikit-learn Databricks Runtime ML Unity Catalog, modelo de clasificación, MLflow, ajuste automatizado de hiperparámetros con Hyperopt y MLflow
Aprendizaje automático con MLlib Databricks Runtime ML Modelo de regresión logística, canalización de Spark, ajuste automático de hiperparámetros mediante MLlib API
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

Tutoriales de IA

Notebook Requisitos Características
Comenzar con búsquedas de LLM Databricks Runtime ML Unity Catalog, modelo de clasificación, MLflow, ajuste automatizado de hiperparámetros con Hyperopt y MLflow, XGBoost
Consultar puntos de conexión del modelo externo de OpenAI Databricks Runtime ML Unity Catalog, modelo de clasificación, MLflow, ajuste automatizado de hiperparámetros con Hyperopt y MLflow
Creación e implementación de una ejecución de ajuste adecuado de Foundation Model Databricks Runtime ML Unity Catalog, modelo de clasificación, MLflow, ajuste automatizado de hiperparámetros con Hyperopt y MLflow
Demostración de RAG de 10 minutos Databricks Runtime ML Modelo de regresión logística, canalización de Spark, ajuste automático de hiperparámetros mediante MLlib API
Tutorial de ia generativa Databricks Runtime ML Modelo de red neuronal, TensorBoard en línea, ajuste automático de hiperparámetros con Hyperopt y MLflow, registro automático, ModelRegistry