Gépi tanulás az Azure Databricksben

Gépi tanulási alkalmazások létrehozása, üzembe helyezése és kezelése Azure Databricks. Az integrált platform egyesíti a teljes ml-életciklust az adat-előkészítéstől az éles monitorozásig.

AI-ügynököket keres? Lásd: Build agents on Azure Databricks.

Első lépések

Próbáljon ki egy gyorsútmutatót, kódoljon egy modellt, és használjon notebookokat.

Guide	Description
Első lépések: Az első gépi tanulási modell létrehozása a Databricksen	Egyszerű besorolási modell létrehozása és üzembe helyezése a scikit-learn használatával.
Genie Code használata adatelemzéshez	Egy ügynök használatával feltárhatja az adatokat, modelleket hozhat létre és iterálhat.
Databricks-jegyzetfüzetek	Együttműködési fejlesztési környezet Python, R, Scala és SQL támogatásával.
Fogalmak: Adatelemzés és gépi tanulás a Azure Databricks	Ismerje meg az adatelemzés és a gépi tanulás alapfogalmait a Azure Databricks.

Klasszikus gépi tanulási modellek betanítása

Mérnökfunkciók, gépi tanulási modellek létrehozása és kísérletek nyomon követése.

Feature	Description
Jellemzőtár	Végezzen jellemzőtervezést, kezelje a jellemzőket a Unity Catalogban, és tegye elérhetővé a jellemzőket éles környezetben.
Modellbetanítási példák	Ismerje meg a klasszikus ml-modellek népszerű kódtárakkal való betanításának teljes körű példáit.
Databricks Runtime for ML	Előre konfigurált klaszterek scikit-learnnel, XGBoosttal, MLflow-val és más gépi tanulási könyvtárakkal, valamint a mélytanulási keretrendszerek támogatásával.
MLflow-nyomkövetés	Kövesse nyomon a kísérleteket, hasonlítsa össze a modell teljesítményét, és kezelje a teljes modellfejlesztési életciklust.

Mélytanulási modellek betanítása

Felügyelt számítási és beépített keretrendszerek használata mélytanulási modellek fejlesztéséhez.

Feature	Description
AI-futtatókörnyezet	Kiszolgáló nélküli GPU-számítás használata egyéni mélytanulási betanításokhoz és következtetési számítási feladatokhoz.
Elosztott betanítási példák	Példák az elosztott mély tanulásra a Ray, a TorchDistributor és a DeepSpeed használatával.
A DL bevált gyakorlatai	Megismerheti a keretrendszer kiválasztását, az adatok betöltését, az elosztott skálázást és a mélytanulási modell életciklusának kezelését.
Ray a Databricksen	Az ml-számítási feladatok skálázása elosztott számítástechnikával a nagy léptékű modell betanításához és következtetéséhez.

Modellek üzembe helyezése és kiszolgálása

Telepítsen modelleket éles környezetbe skálázható végpontokkal valós idejű, streaming vagy kötegelt következtetéshez.

Feature	Description
Modell szolgáltatás	Egyéni modellek és LLM-ek üzembe helyezése REST-végpontként automatikus méretezéssel és GPU-támogatással.
AI-átjáró	Szabályozhatja és monitorozhatja a Azure Databricks által kiszolgált modellekhez való hozzáférést a használat nyomon követésével, a hasznos adatok naplózásával és a biztonsági vezérlőkkel.
Kötegelt következtetés	Modellek telepítése kötegelt és streamalapú következtetéshez és előrejelzésekhez nagy adathalmazokon.
Alapmodell API-k	A Databricks által üzemeltetett korszerű AI-modellek elérése és lekérdezése.

Ml-rendszerek monitorozása és szabályozása

A modellminőség, az adatintegritás, valamint az átfogó monitorozási és szabályozási eszközöknek való megfelelőség biztosítása.

Feature	Description
Unity-katalógus	Az adatok, szolgáltatások, modellek és függvények szabályozása egységes hozzáférés-vezérléssel, vonalkövetéssel és felderítéssel.
MLflow modellekhez	A teljes ml-életciklus kezelése a kísérletektől és modellektől a kiértékelésig és az üzembe helyezésig.
Anomáliadetektálás	Az adatok frissességének és teljességének monitorozása a katalógus szintjén.
Adatprofilozás	Automatikus riasztásokkal és kiváltó okok elemzésével monitorozza az adatminőséget, a modell teljesítményét és az előrejelzés eltérését.

Gépi tanulási munkafolyamatok gyártásba állítása

A gépi tanulási műveletek méretezése automatizált munkafolyamatokkal, CI/CD integrációval és éles üzemre kész csővezetékekkel.

Feature	Description
Modellek a Unity Katalógusban	A Unity Katalógusban található modellregisztrációs adatbázis használatával központosított szabályozást és a modell életciklusának kezelését, beleértve az üzembe helyezéseket is.
Lakeflow-feladatok	Automatizált munkafolyamatok létrehozása ml-folyamatokhoz.
Deklaratív automatizációs csomagok	Az Azure Databricks-infrastruktúrát kódként kezelheti CI/CD-hez, beleértve az ML-modellek betanítását és telepítését.
MLOps-munkafolyamatok	Ismerje meg a teljes körű MLOps-t automatizált betanítási, tesztelési és üzembehelyezési folyamatokkal.