Esercitazioni: Introduzione a ML

I notebook di questo articolo sono progettati per iniziare rapidamente a usare Machine Learning in Azure Databricks. È possibile importare ogni notebook nell'area di lavoro di Azure Databricks per eseguirli.

Questi notebook illustrano come usare Azure Databricks in tutto il ciclo di vita di Machine Learning, inclusi il caricamento e la preparazione dei dati; training del modello, ottimizzazione e inferenza; e la distribuzione e la gestione dei modelli. Illustrano anche strumenti utili come Hyperopt per l'ottimizzazione automatizzata degli iperparametri, il rilevamento di MLflow e l'assegnazione automatica dei tag per lo sviluppo di modelli e il Registro modelli per la gestione dei modelli.

notebook scikit-learn

Notebook	Requisiti	Funzionalità
Esercitazione su Machine Learning	Machine Learning di Databricks Runtime	Modello di classificazione, MLflow, ottimizzazione automatizzata degli iperparametri con Hyperopt e MLflow
Esempio end-to-end	Machine Learning di Databricks Runtime	Modello di classificazione, MLflow, ottimizzazione automatizzata degli iperparametri con Hyperopt e MLflow, XGBoost, Registro modelli, Model Serving

Notebook MLlib di Apache Spark

Notebook	Requisiti	Funzionalità
Machine Learning con MLlib	Machine Learning di Databricks Runtime	Modello di regressione logistica, pipeline Spark, ottimizzazione automatizzata degli iperparametri tramite l'API MLlib

Notebook di Deep Learning

Notebook	Requisiti	Funzionalità
Deep Learning con TensorFlow Keras	Machine Learning di Databricks Runtime	Modello di rete neurale, TensorBoard inline, ottimizzazione automatizzata degli iperparametri con Hyperopt e MLflow, autologging, ModelRegistry