Tutorial AI dan pembelajaran mesin

Coba salah satu tutorial ini untuk memulai. Anda dapat mengimpor buku catatan ini ke ruang kerja Databricks Anda.

Panduan	Deskripsi
ML Klasik	Contoh penerapan end-to-end pelatihan model Machine Learning (ML) klasik di Databricks.
scikit-learn	Gunakan salah satu pustaka Python paling populer untuk pembelajaran mesin untuk melatih model pembelajaran mesin.
MLlib	Contoh cara menggunakan pustaka pembelajaran mesin Apache Spark.
Pembelajaran mendalam menggunakan PyTorch	Contoh proses end-to-end pelatihan model pembelajaran mendalam di Databricks menggunakan PyTorch.
TensorFlow	TensorFlow adalah kerangka kerja sumber terbuka yang mendukung komputasi pembelajaran mendalam dan numerik pada CPU, GPU, dan kluster GPU.
Penerapan Model AI Mosaik	Menyebarkan dan mengkueri model ML klasik menggunakan Mosaic AI Model Serving.
Model dasar API	API model foundation menyediakan akses ke model fondasi populer dari titik akhir yang tersedia langsung dari ruang kerja Databricks.
Panduan cepat kerangka kerja agen	Gunakan Mosaic AI Agent Framework untuk membangun agen, menambahkan alat ke agen, dan menyebarkan agen ke model Databricks yang melayani titik akhir.
Melacak aplikasi GenAI	Lacak alur eksekusi aplikasi dengan visibilitas ke setiap langkah.
Mengevaluasi aplikasi GenAI	Gunakan MLflow 3 untuk membuat, melacak, dan mengevaluasi aplikasi GenAI.
Mulai cepat umpan balik manusia	Kumpulkan umpan balik pengguna akhir dan gunakan umpan balik tersebut untuk mengevaluasi kualitas aplikasi GenAI Anda.
Membangun, mengevaluasi, dan menyebarkan agen pemulihan informasi	Buat agen AI yang menggabungkan pengambilan informasi dengan alat.
Mengkueri model OpenAI	Buat titik akhir model eksternal untuk mengkueri model OpenAI.