Condividi tramite


Esercitazione: Inizia a usare l’IA e il machine learning

I notebook di questa sezione sono progettati per iniziare rapidamente a usare l'intelligenza artificiale e l'apprendimento automatico in Mosaic AI. È possibile importare ogni notebook nell'account di Azure Databricks ed eseguirli.

I notebook illustrano come usare Azure Databricks nell'intero ciclo di vita dell’IA inclusi il caricamento e la preparazione dei dati, il training, l'ottimizzazione e l'inferenza dei modelli e la distribuzione e la gestione dei modelli.

Tutorial classici per il machine learning

Notebook Requisiti Funzionalità
Esempio end-to-end Databricks Runtime ML Unity Catalog, modello di classificazione, MLflow, ottimizzazione automatizzata degli iperparametri con Hyperopt e MLflow, XGBoost
Creare e distribuire un modello personalizzato Databricks Runtime ML Unity Catalog, modello di classificazione, MLflow, ottimizzazione automatizzata degli iperparametri con Hyperopt e MLflow
Machine Learning con scikit-learn Databricks Runtime ML Unity Catalog, modello di classificazione, MLflow, ottimizzazione automatizzata degli iperparametri con Hyperopt e MLflow
Machine Learning con MLlib Databricks Runtime ML Modello di regressione logistica, pipeline Spark, ottimizzazione automatizzata degli iperparametri tramite l'API MLlib
Deep Learning con TensorFlow Keras Databricks Runtime ML Modello di rete neurale, TensorBoard inline, ottimizzazione automatizzata degli iperparametri con Hyperopt e MLflow, autologging, ModelRegistry

Tutorial IA

Notebook Requisiti Funzionalità
Introduzione all'esecuzione di query su LLM Databricks Runtime ML Unity Catalog, modello di classificazione, MLflow, ottimizzazione automatizzata degli iperparametri con Hyperopt e MLflow, XGBoost
Eseguire query sugli endpoint del modello esterno OpenAI Databricks Runtime ML Unity Catalog, modello di classificazione, MLflow, ottimizzazione automatizzata degli iperparametri con Hyperopt e MLflow
Creare e implementare un'esecuzione del training del modello Mosaic AI Databricks Runtime ML Unity Catalog, modello di classificazione, MLflow, ottimizzazione automatizzata degli iperparametri con Hyperopt e MLflow
Demo RAG di 10 minuti Databricks Runtime ML Modello di regressione logistica, pipeline Spark, ottimizzazione automatizzata degli iperparametri tramite l'API MLlib
Ricettario intelligenza artificiale: Tutorial avanzato RAG Databricks Runtime ML Modello di rete neurale, TensorBoard inline, ottimizzazione automatizzata degli iperparametri con Hyperopt e MLflow, autologging, ModelRegistry