AI- és gépi tanulási oktatóanyagok

Első lépésként próbálja ki az alábbi oktatóanyagok egyikét. Ezeket a jegyzetfüzeteket importálhatja a Databricks-munkaterületre.

Útmutató	Leírás
Klasszikus ml	Teljes körű példa egy klasszikus ml-modell betanítására a Databricksben.
scikit-learn	Gépi tanulási modellek betanítása az egyik legnépszerűbb Python-kódtár használatával.
MLlib	Példák az Apache Spark gépi tanulási kódtár használatára.
Mély tanulás a PyTorch használatával	Teljes körű példa egy mélytanulási modell betanítására a Databricksben PyTorch használatával.
TensorFlow	A TensorFlow egy nyílt forráskódú keretrendszer, amely támogatja a processzorokon, GPU-kon és GPU-fürtökön történő mélytanulást és numerikus számításokat.
Mozaik AI-modell kiszolgálása	Klasszikus ML-modell üzembe helyezése és lekérdezése a Mozaik AI-modell szolgáltatásával.
Alapmodell API-k	Az alapmodell API-k hozzáférést biztosítanak a népszerű alapmodellekhez a Databricks-munkaterületről közvetlenül elérhető végpontokról.
Az ügynök-keretrendszer rövid útmutatója	A Mozaik AI-ügynök keretrendszerével létrehozhat egy ügynököt, hozzáadhat egy eszközt az ügynökhöz, és üzembe helyezheti az ügynököt egy végpontot kiszolgáló Databricks-modellben.
GenAI-alkalmazás nyomkövetése	Kövesse nyomon egy alkalmazás végrehajtási folyamatát, biztosítva a láthatóságot minden lépésben.
GenAI-alkalmazás kiértékelése	GenAI-alkalmazás létrehozása, nyomon követése és kiértékelése az MLflow 3 használatával.
Emberi visszajelzés – rövid útmutató	Gyűjtse össze a végfelhasználói visszajelzéseket, és használja ezt a visszajelzést a GenAI-alkalmazás minőségének értékeléséhez.
Lekéréses ügynök létrehozása, kiértékelése és üzembe helyezése	Hozzon létre egy AI-ügynököt, amely egyesíti a lekérést az eszközökkel.
OpenAI-modellek lekérdezése	Hozzon létre egy külső modellvégpontot az OpenAI-modellek lekérdezéséhez.