Oktatóanyagok: Az AI és a gépi tanulás használatának első lépései
Az ebben a szakaszban található jegyzetfüzetek úgy lettek kialakítva, hogy gyorsan elsajátítsa az AI-t és a gépi tanulást a Mozaik AI-n. Az egyes jegyzetfüzeteket importálhatja az Azure Databricks-munkaterületre a futtatásukhoz.
Ezek a jegyzetfüzetek bemutatják, hogyan használható az Azure Databricks az AI teljes életciklusa során, beleértve az adatok betöltését és előkészítését; modell betanítása, finomhangolása és következtetése; valamint a modell üzembe helyezését és kezelését.
Klasszikus gépi tanulási oktatóanyagok
| Jegyzetfüzet | Követelmények | Funkciók |
|---|---|---|
| Végpontok közötti példa | Databricks Runtime ML | Unity Catalog, besorolási modell, MLflow, automatizált hiperparaméter-finomhangolás Hyperopt és MLflow használatával, XGBoost |
| Egyéni modell üzembe helyezése és lekérdezése | Databricks Runtime ML | Unity Catalog, besorolási modell, MLflow, automatizált hiperparaméter-finomhangolás Hyperopt és MLflow használatával |
| Gépi tanulás scikit-learn használatával | Databricks Runtime ML | Unity Catalog, besorolási modell, MLflow, automatizált hiperparaméter-finomhangolás Hyperopt és MLflow használatával |
| Gépi tanulás az MLlib használatával | Databricks Runtime ML | Logisztikai regressziós modell, Spark-folyamat, automatizált hiperparaméter-finomhangolás az MLlib API használatával |
| Mély tanulás a TensorFlow Keras használatával | Databricks Runtime ML | Neurális hálózati modell, beágyazott TensorBoard, automatikus hiperparaméter-finomhangolás Hyperopt és MLflow használatával, autologging, ModelRegistry |
AI-oktatóanyagok
| Jegyzetfüzet | Követelmények | Funkciók |
|---|---|---|
| Az LLM-ek lekérdezésének első lépései | Databricks Runtime ML | Unity Catalog, besorolási modell, MLflow, automatizált hiperparaméter-finomhangolás Hyperopt és MLflow használatával, XGBoost |
| OpenAI külső modellvégpontok lekérdezése | Databricks Runtime ML | Unity Catalog, besorolási modell, MLflow, automatizált hiperparaméter-finomhangolás Hyperopt és MLflow használatával |
| Mozaik AI-modell betanítási futtatása létrehozása és üzembe helyezése | Databricks Runtime ML | Unity Catalog, besorolási modell, MLflow, automatizált hiperparaméter-finomhangolás Hyperopt és MLflow használatával |
| 10 perces RAG bemutató | Databricks Runtime ML | Logisztikai regressziós modell, Spark-folyamat, automatizált hiperparaméter-finomhangolás az MLlib API használatával |
| AI-szakácskönyv: Speciális RAG oktatóanyag | Databricks Runtime ML | Neurális hálózati modell, beágyazott TensorBoard, automatikus hiperparaméter-finomhangolás Hyperopt és MLflow használatával, autologging, ModelRegistry |