Oktatóanyagok: Az ml használatának első lépései
A cikkben szereplő jegyzetfüzetek az Azure Databricks gépi tanulásának gyors megkezdésére szolgálnak. Az egyes jegyzetfüzeteket importálhatja az Azure Databricks-munkaterületre a futtatásukhoz.
Ezek a jegyzetfüzetek bemutatják, hogyan használható az Azure Databricks a gépi tanulási életciklus során, beleértve az adatok betöltését és előkészítését; modell betanítása, finomhangolása és következtetése; valamint a modell üzembe helyezését és kezelését. Emellett olyan hasznos eszközöket is bemutatnak, mint a Hyperopt az automatizált hiperparaméter-finomhangoláshoz, az MLflow nyomon követéséhez és a modell fejlesztéséhez szükséges autologginghoz, valamint a Modellregisztrációs adatbázis a modellkezeléshez.
scikit-learn jegyzetfüzetek
Jegyzetfüzet | Követelmények | Funkciók |
---|---|---|
Gépi tanulási oktatóanyag | Databricks Runtime ML | Unity Catalog, besorolási modell, MLflow, automatizált hiperparaméter-finomhangolás Hyperopt és MLflow használatával |
Végpontok közötti példa | Databricks Runtime ML | Unity Catalog, besorolási modell, MLflow, automatizált hiperparaméter-finomhangolás Hyperopt és MLflow használatával, XGBoost |
Apache Spark MLlib notebook
Jegyzetfüzet | Követelmények | Funkciók |
---|---|---|
Gépi tanulás az MLlib használatával | Databricks Runtime ML | Logisztikai regressziós modell, Spark-folyamat, automatizált hiperparaméter-finomhangolás az MLlib API használatával |
Mélytanulási jegyzetfüzet
Jegyzetfüzet | Követelmények | Funkciók |
---|---|---|
Mély tanulás a TensorFlow Keras használatával | Databricks Runtime ML | Neurális hálózati modell, beágyazott TensorBoard, automatikus hiperparaméter-finomhangolás Hyperopt és MLflow használatával, autologging, ModelRegistry |
Visszajelzés
https://aka.ms/ContentUserFeedback.
Hamarosan elérhető: 2024-ben fokozatosan kivezetjük a GitHub-problémákat a tartalom visszajelzési mechanizmusaként, és lecseréljük egy új visszajelzési rendszerre. További információ:Visszajelzés küldése és megtekintése a következőhöz: