Esercitazioni su intelligenza artificiale e Machine Learning

Provare una di queste esercitazioni per iniziare. È possibile importare questi notebook nell'area di lavoro di Databricks.

Tutoriale	Descrizione
ML Classico	Esempio end-to-end di addestramento di un modello di Machine Learning tradizionale in Databricks.
scikit-learn	Usare una delle librerie Python più diffuse per l'apprendimento automatico per eseguire il training di modelli di Machine Learning.
MLlib	Esempi di come usare la libreria di Machine Learning apache Spark.
Deep Learning con PyTorch	Esempio completo di addestramento di un modello di deep learning in Databricks usando PyTorch.
TensorFlow	TensorFlow è un framework open source che supporta calcoli numerici e di apprendimento avanzato su CPU, GPU e cluster di GPU.
Servizio di Modelli AI Mosaic	Distribuire ed eseguire query su un modello di Machine Learning classico usando Mosaic AI Model Serving.
API del modello di base	Le API del modello di base forniscono l'accesso ai modelli di base più diffusi dagli endpoint disponibili direttamente dall'area di lavoro di Databricks.
Guida introduttiva al framework di Agent	Usare Mosaic AI Agent Framework per creare un agente, aggiungere uno strumento all'agente e distribuire l'agente in un modello di Databricks che gestisce l'endpoint.
Tracciare un'app GenAI	Tracciare il flusso di esecuzione di un'app con visibilità in ogni passaggio.
Valutare un'app GenAI	Usare MLflow 3 per creare, tracciare e valutare un'app GenAI.
Guida introduttiva al feedback umano	Raccogliere commenti e suggerimenti degli utenti finali e usarli per valutare la qualità dell'app GenAI.
Compilare, valutare e distribuire un agente di recupero	Creare un agente di intelligenza artificiale che combina il recupero con gli strumenti.
Eseguire query sui modelli OpenAI	Creare un endpoint del modello esterno per eseguire query sui modelli OpenAI.