Tutoriels : Prise en main du ML

Les notebooks de cet article sont conçus pour vous aider à démarrer rapidement avec le Machine Learning sur Azure Databricks. Vous pouvez importer chaque notebook dans votre espace de travail Azure Databricks pour l’exécuter.

Ces notebooks montrent comment utiliser Azure Databricks tout au long du cycle de vie du Machine Learning, notamment le chargement et la préparation des données, l’entraînement, le réglage et l’inférence des modèles, ainsi que le déploiement et la gestion des modèles. Ils décrivent également des outils utiles tels que Hyperopt pour le réglage automatisé des hyperparamètres, le suivi de MLflow et la journalisation automatique pour le développement de modèles, ainsi que le registre de modèles pour la gestion des modèles.

Notebooks scikit-learn

Notebook	Spécifications	Fonctionnalités
Didacticiel de Machine Learning	Databricks Runtime ML	Modèle de classification, MLflow, réglage automatisé des hyperparamètres avec Hyperopt et MLflow
Exemple de bout en bout	Databricks Runtime ML	Modèle de classification, MLflow, réglage automatisé des hyperparamètres avec Hyperopt et MLflow, XGBoost, registre de modèles, utilisation de modèles

Notebook Apache Spark MLlib

Notebook	Spécifications	Fonctionnalités
Machine Learning avec MLlib	Databricks Runtime ML	Modèle de régression logistique, pipeline Spark, réglage automatisé des hyperparamètres avec l’API MLlib

Notebook Deep Learning

Notebook	Spécifications	Fonctionnalités
Deep Learning avec TensorFlow Keras	Databricks Runtime ML	Modèle de réseau neuronal, TensorBoard inline, réglage automatisé des hyperparamètres avec Hyperopt et MLflow, journalisation automatique, registre de modèles