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