Lire en anglais

Partager via

Tutoriels : Bien démarrer avec l’IA et l’apprentissage automatique

  • Article

Les notebooks de cet article sont conçus pour vous aider à démarrer rapidement avec l’IA et l’apprentissage automatique sur Mosaic AI. 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 d’IA, 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.

Tutoriels ML classiques

Notebook Spécifications Fonctionnalités
Exemple de bout en bout Databricks Runtime ML Unity Catalog, modèle de classification, MLflow, optimisation automatisée des hyperparamètres avec Hyperopt et MLflow, XGBoost
Déployer et interroger un modèle personnalisé Databricks Runtime ML Unity Catalog, modèle de classification, MLflow, optimisation automatisée des hyperparamètres avec Hyperopt et MLflow
Apprentissage automatique avec scikit-learn Databricks Runtime ML Unity Catalog, modèle de classification, MLflow, optimisation automatisée des hyperparamètres avec Hyperopt et MLflow
Machine Learning avec MLlib Databricks Runtime ML Modèle de régression logistique, pipeline Spark, réglage automatisé des hyperparamètres avec l’API MLlib
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

Tutoriels sur l’IA

Notebook Spécifications Fonctionnalités
Prise en main des requêtes Databricks Runtime ML Unity Catalog, modèle de classification, MLflow, optimisation automatisée des hyperparamètres avec Hyperopt et MLflow, XGBoost
Interroger un point de terminaison de modèle externe OpenAI Databricks Runtime ML Unity Catalog, modèle de classification, MLflow, optimisation automatisée des hyperparamètres avec Hyperopt et MLflow
Créer et déployer une exécution de réglage fin du modèle Foundation Databricks Runtime ML Unity Catalog, modèle de classification, MLflow, optimisation automatisée des hyperparamètres avec Hyperopt et MLflow
Démonstration de RAG de 10 minutes Databricks Runtime ML Modèle de régression logistique, pipeline Spark, réglage automatisé des hyperparamètres avec l’API MLlib
Tutoriel sur l’IA générative Databricks Runtime ML Modèle de réseau neuronal, TensorBoard inline, réglage automatisé des hyperparamètres avec Hyperopt et MLflow, journalisation automatique, registre de modèles