Catatan
Akses ke halaman ini memerlukan otorisasi. Anda dapat mencoba masuk atau mengubah direktori.
Akses ke halaman ini memerlukan otorisasi. Anda dapat mencoba mengubah direktori.
Tutorial di bagian ini memperkenalkan fitur inti dan memandu Anda melalui dasar-dasar bekerja dengan platform Azure Databricks.
Untuk informasi tentang sumber daya pelatihan online, lihat Dapatkan pelatihan Databricks gratis.
Jika Anda tidak memiliki akun Azure Databricks, daftar untuk uji coba gratis.
| Panduan | Detail lebih lanjut |
|---|---|
| Mengkueri dan memvisualisasikan data | Gunakan buku catatan Databricks untuk mengkueri data sampel yang disimpan di Unity Catalog menggunakan SQL, Python, Scala, dan R, lalu visualisasikan hasil kueri di buku catatan. |
| Mengimpor dan memvisualisasikan data CSV dari buku catatan | Gunakan buku catatan Databricks untuk mengimpor data dari file CSV yang berisi data nama bayi dari https://health.data.ny.gov ke dalam volume Katalog Unity Anda menggunakan Python, Scala, dan R. Anda juga belajar mengubah nama kolom, memvisualisasikan data, dan menyimpan ke tabel. |
| Buat tabel | Buat tabel dan berikan hak istimewa di Databricks menggunakan model tata kelola data Unity Catalog. |
| Membangun alur ETL menggunakan Alur Deklaratif Lakeflow Spark | Membuat dan menyebarkan alur ETL (ekstrak, transformasi, dan muat) untuk orkestrasi data menggunakan Lakeflow Spark Declarative Pipelines dan Auto Loader. |
| Membangun alur ETL menggunakan Apache Spark | Kembangkan dan sebarkan alur ETL pertama Anda (ekstrak, transformasi, dan muat) untuk orkestrasi data dengan Apache Sparkā¢. |
| Melatih dan menyebarkan model ML | Bangun model klasifikasi pembelajaran mesin menggunakan pustaka scikit-learn di Databricks untuk memprediksi apakah anggur dianggap "berkualitas tinggi". Tutorial ini juga menggambarkan penggunaan MLflow untuk melacak proses pengembangan model, dan Hyperopt untuk mengotomatiskan penyetelan hiperparameter. |
| Mengkueri LLM dan agen AI prototipe dengan tanpa kode | Gunakan AI Playground untuk mengkueri model bahasa besar (LLM) dan membandingkan hasil secara berdampingan, membuat prototipe agen AI panggilan alat, dan mengekspor agen Anda ke kode. |
| Menyambungkan ke Azure Data Lake Storage | Sambungkan dari Azure Databricks ke Azure Data Lake Storage menggunakan OAuth 2.0 dengan perwakilan layanan ID Microsoft Entra. |
Dapatkan bantuan
- Jika Anda memiliki pertanyaan tentang menyiapkan Azure Databricks dan memerlukan bantuan langsung, silakan email onboarding-help@databricks.com.
- Jika organisasi Anda tidak memiliki langganan dukungan Azure Databricks, atau jika Anda bukan kontak resmi untuk langganan dukungan perusahaan Anda, Anda bisa mendapatkan jawaban dari Komunitas Databricks.