Zelfstudie: End-to-end ML-modellen in Azure Databricks
Machine learning in de echte wereld is rommelig. Gegevensbronnen bevatten ontbrekende waarden, bevatten redundante rijen of passen mogelijk niet in het geheugen. Functie-engineering vereist vaak domeinexpertise en kan tijdrovend zijn. Modellering combineert te vaak data science en systems engineering, waarbij niet alleen kennis van algoritmen, maar ook van machinearchitectuur en gedistribueerde systemen vereist is.
Azure Databricks vereenvoudigt dit proces. In het volgende zelfstudienotitieblok van tien minuten ziet u een end-to-end voorbeeld van het trainen van machine learning-modellen op tabellaire gegevens.
U kunt dit notebook zelf importeren en uitvoeren, of codefragmenten en ideeën kopiëren voor uw eigen gebruik.
Notebook
Als uw werkruimte is ingeschakeld voor Unity Catalog, gebruikt u deze versie van het notebook:
Scikit-learn gebruiken met MLflow-integratie in Databricks (Unity Catalog)
Als uw werkruimte niet is ingeschakeld voor Unity Catalog, gebruikt u deze versie van het notebook:
Scikit-learn gebruiken met MLflow-integratie in Databricks
Feedback
https://aka.ms/ContentUserFeedback.
Binnenkort beschikbaar: In de loop van 2024 zullen we GitHub-problemen geleidelijk uitfaseren als het feedbackmechanisme voor inhoud en deze vervangen door een nieuw feedbacksysteem. Zie voor meer informatie:Feedback verzenden en weergeven voor