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.
Eksplorasi data
| Panduan | Deskripsi |
|---|---|
| Mengkueri dan memvisualisasikan data | Gunakan buku catatan Databricks untuk mengkueri data sampel yang disimpan di Katalog Unity 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 dari https://health.data.ny.gov ke dalam volume Katalog Unity Anda. |
| Buat tabel | Buat tabel dan berikan hak istimewa di Azure Databricks menggunakan model tata kelola data Unity Catalog. |
| Menjelajahi dasbor dan mengkueri data di Genie One | Navigasikan antarmuka Genie One yang dirancang untuk pengguna bisnis. Lihat dasbor, ajukan pertanyaan data bahasa alami, dan temukan aset yang dibagikan dengan Anda. |
Rekayasa Data
| Panduan | Deskripsi |
|---|---|
| Membangun alur ETL menggunakan alur Lakeflow | Buat dan terapkan pipeline ETL (ekstrak, transformasi, dan muat) untuk orkestrasi data menggunakan pipeline Lakeflow 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 Spark™. |
AI dan pembelajaran mesin
| Panduan | Deskripsi |
|---|---|
| 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. |
| Melatih dan melacak model pembelajaran mendalam | Latih model pembelajaran mendalam pada Databricks dan lacak eksekusi pelatihan, hiperparameter, dan metrik dengan MLflow 3. |
| 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. |
Dapatkan bantuan
- Jika Anda memiliki pertanyaan tentang menyiapkan Azure Databricks dan memerlukan bantuan langsung, silakan email 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.