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 |