다음 자습서 중 하나를 사용하여 시작해 보세요. 해당 노트북을 Databricks 작업 영역으로 가져올 수 있습니다.
| 튜토리얼 | 설명 |
|---|---|
| 클래식 ML | Databricks에서 클래식 ML 모델을 학습하는 엔드 투 엔드 예제입니다. |
| scikit-learn | 기계 학습에 가장 인기 있는 Python 라이브러리 중 하나를 사용하여 기계 학습 모델을 학습시킵니다. |
| MLlib | Apache Spark 기계 학습 라이브러리를 사용하는 방법의 예입니다. |
| PyTorch를 사용한 딥 러닝 | PyTorch를 사용하여 Databricks에서 딥 러닝 모델을 학습하는 엔드 투 엔드 예제입니다. |
| TensorFlow | TensorFlow는 CPU, GPU 및 GPU 클러스터에 대한 딥 러닝 및 숫자 계산을 지원하는 오픈 소스 프레임워크입니다. |
| 모자이크 AI 모델 서비스 | Mosaic AI Model Serving를 사용하여 클래식 ML 모델을 배포하고 쿼리합니다. |
| 파운데이션 모델 API | 기본 모델 API는 Databricks 작업 영역에서 직접 사용할 수 있는 엔드포인트에서 인기 있는 기본 모델에 대한 액세스를 제공합니다. |
| 에이전트 프레임워크 빠른 시작 | Mosaic AI 에이전트 프레임워크를 사용하여 에이전트를 빌드하고, 에이전트에 도구를 추가하고, 엔드포인트를 제공하는 Databricks 모델에 에이전트를 배포합니다. |
| GenAI 앱 추적 | 모든 단계에 대한 가시성을 사용하여 앱의 실행 흐름을 추적합니다. |
| GenAI 앱 평가 | MLflow 3을 사용하여 GenAI 앱을 만들고, 추적하고, 평가합니다. |
| 인간 피드백 빠른 시작 | 최종 사용자 피드백을 수집하고 해당 피드백을 사용하여 GenAI 앱의 품질을 평가합니다. |
| OpenAI 모델 쿼리 | OpenAI 모델을 쿼리하는 외부 모델 엔드포인트를 만듭니다. |
| AI 런타임을 사용하여 LLM 미세 조정 | 서버리스 GPU가 있는 AI 런타임의 LoRA를 사용하여 Qwen2-0.5B 모델을 미세 조정합니다. |