AI- és ML-modellek betanítása

Ez a szakasz bemutatja, hogyan taníthat be gépi tanulást és AI-modelleket a Mozaik AI-n.

Mozaik autoML

A Mozaik AutoML leegyszerűsíti a gépi tanulás adathalmazokra való alkalmazását azáltal, hogy automatikusan megtalálja a legjobb algoritmust és hiperparaméter-konfigurációt. Az AutoML alacsony kódú felhasználói felületet és Python API-t is kínál.

A Mozaik AI-modell betanítása

A Databricksen végzett Mozaik AI-modellbetanítás (korábbi nevén Alapmodell-betanítás) lehetővé teszi a nagyméretű nyelvi modellek (LLM-ek) testreszabását saját adataival. Ez a folyamat magában foglalja egy már meglévő alapmodell betanításának finomhangolását, ami jelentősen csökkenti a modell alapszintű betanításához képest szükséges adatokat, időt és számítási erőforrásokat. A legfontosabb funkciók a következők:

• Felügyelt finomhangolás: A modell átalakítása az új feladatokhoz strukturált parancssori adatok betanításával.
• További előzetes betanítás: A modell továbbfejlesztése további szöveges adatokkal új ismeretek hozzáadásához vagy egy adott tartományra való összpontosításhoz.
• Csevegés befejezése: A modell betanítása csevegési naplókba a beszélgetési képességek javítása érdekében.

Nyílt forráskódú kódtár példák

Tekintse meg a gépi tanulásra vonatkozó példákat számos nyílt forráskód gépi tanulási kódtárból, beleértve az Optuna és a Hyperopt használatával végzett hiperparaméter-finomhangolási példákat is.

Mély tanulás

Példák és ajánlott eljárások az elosztott mélytanulási képzéshez, így mélytanulási modelleket fejleszthet és finomíthat az Azure Databricksben.

Ajánlók

Megtudhatja, hogyan taníthat be mélytanuláson alapuló javaslatmodelleket az Azure Databricksben. A hagyományos ajánlási modellekhez képest a mélytanulási modellek jobb minőségű eredményeket érhetnek el, és nagyobb mennyiségű adatra méretezhetők.