Samouczki dotyczące sztucznej inteligencji i uczenia maszynowego

Wypróbuj jeden z tych samouczków, aby rozpocząć pracę. Możesz zaimportować te notesy do obszaru roboczego usługi Databricks.

Poradnik	Opis
Klasyczne uczenie maszynowe	Kompleksowy przykład trenowania klasycznego modelu uczenia maszynowego w usłudze Databricks.
scikit-learn	Użyj jednej z najpopularniejszych bibliotek języka Python do uczenia maszynowego, aby wytrenować modele uczenia maszynowego.
MLlib	Przykłady korzystania z biblioteki uczenia maszynowego platformy Apache Spark.
Uczenie głębokie przy użyciu narzędzia PyTorch	Przykład kompleksowego wytrenowania modelu uczenia głębokiego w usłudze Databricks przy użyciu PyTorch.
TensorFlow	TensorFlow to platforma typu open source, która obsługuje uczenie głębokie i obliczenia liczbowe na procesorach CPU, procesorach GPU i klastrach procesorów GPU.
Serwowanie modelu sztucznej inteligencji Mosaic	Wdrażanie i wykonywanie zapytań względem klasycznego modelu uczenia maszynowego przy użyciu Mosaic AI Model Serving.
Interfejsy API modelu bazowego	Interfejsy API modeli podstawowych zapewniają dostęp do popularnych modeli bazowych z punktów końcowych bezpośrednio dostępnych w obszarze roboczym Databricks.
Szybki przewodnik frameworku agentów	Użyj frameworku Mosaic AI Agent, aby stworzyć agenta, dodać narzędzie do agenta i wdrożyć agenta na punkt końcowy obsługi modelu w Databricks.
Śledzenie aplikacji GenAI	Śledzenie przepływu wykonywania aplikacji z wglądem w każdy krok.
Ocena aplikacji GenAI	Użyj platformy MLflow 3, aby utworzyć, śledzić i oceniać aplikację GenAI.
Szybki start: Opinie użytkowników	Zbierz opinie użytkowników końcowych i skorzystaj z tej opinii, aby ocenić jakość aplikacji GenAI.
Kompilowanie, ocenianie i wdrażanie agenta pobierania	Utwórz agenta sztucznej inteligencji, który łączy pobieranie z narzędziami.
Wykonywanie zapytań względem modeli OpenAI	Tworzenie zewnętrznego punktu końcowego modelu w celu wykonywania zapytań dotyczących modeli OpenAI.