Samouczki: wprowadzenie do uczenia maszynowego

Notesy w tym artykule zostały zaprojektowane w celu szybkiego rozpoczęcia pracy z uczeniem maszynowym w usłudze Azure Databricks. Aby je uruchomić, możesz zaimportować każdy notes do obszaru roboczego usługi Azure Databricks.

Te notesy ilustrują sposób korzystania z usługi Azure Databricks w całym cyklu życia uczenia maszynowego, w tym ładowania i przygotowywania danych; trenowanie, dostrajanie i wnioskowanie modelu; oraz wdrażanie i zarządzanie modelami. Demonstrują one również przydatne narzędzia, takie jak Hyperopt do automatycznego dostrajania hiperparametrów, śledzenie MLflow i automatyczne rejestrowanie na potrzeby tworzenia modeli oraz rejestr modeli na potrzeby zarządzania modelami.

Notesy biblioteki scikit-learn

Notes	Wymagania	Funkcje
Samouczek dotyczący uczenia maszynowego	Databricks Runtime ML	Model klasyfikacji, MLflow, automatyczne dostrajanie hiperparametrów za pomocą funkcji Hyperopt i MLflow
Przykład kompleksowego	Databricks Runtime ML	Model klasyfikacji, MLflow, automatyczne dostrajanie hiperparametrów za pomocą funkcji Hyperopt i MLflow, XGBoost, rejestru modeli, obsługi modeli

Notes biblioteki MLlib platformy Apache Spark

Notes	Wymagania	Funkcje
Uczenie maszynowe za pomocą biblioteki MLlib	Databricks Runtime ML	Model regresji logistycznej, potok Spark, automatyczne dostrajanie hiperparametrów przy użyciu interfejsu API MLlib

Notes uczenia głębokiego

Notes	Wymagania	Funkcje
Uczenie głębokie za pomocą biblioteki TensorFlow Keras	Databricks Runtime ML	Model sieci neuronowej, wbudowany tablica TensorBoard, automatyczne dostrajanie hiperparametrów za pomocą funkcji Hyperopt i MLflow, automatyczne rejestrowanie, ModelRegistry