Självstudier: Kom igång med AI och maskininlärning
Notebook-filerna i det här avsnittet är utformade för att snabbt komma igång med AI och maskininlärning i Mosaic AI. Du kan importera varje notebook-fil till din Azure Databricks-arbetsyta för att köra dem.
De här notebook-filerna visar hur du använder Azure Databricks under AI-livscykeln, inklusive datainläsning och förberedelse. modellträning, justering och slutsatsdragning; och modelldistribution och hantering.
Klassiska ML-självstudier
| Notebook-fil | Krav | Funktioner |
|---|---|---|
| Exempel från slutpunkt till slutpunkt | Databricks Runtime ML | Unity Catalog, klassificeringsmodell, MLflow, automatisk hyperparameterjustering med Hyperopt och MLflow, XGBoost |
| Distribuera och fråga en anpassad modell | Databricks Runtime ML | Unity Catalog, klassificeringsmodell, MLflow, automatisk hyperparameterjustering med Hyperopt och MLflow |
| Maskininlärning med scikit-learn | Databricks Runtime ML | Unity Catalog, klassificeringsmodell, MLflow, automatisk hyperparameterjustering med Hyperopt och MLflow |
| Maskininlärning med MLlib | Databricks Runtime ML | Logistic regression model, Spark pipeline, automated hyperparameter tuning using MLlib API |
| Djupinlärning med TensorFlow Keras | Databricks Runtime ML | Neural nätverksmodell, infogad TensorBoard, automatisk hyperparameterjustering med Hyperopt och MLflow, automatisk loggning, ModelRegistry |
AI-självstudier
| Notebook-fil | Krav | Funktioner |
|---|---|---|
| Kom igång köra frågor mot LLM:er | Databricks Runtime ML | Unity Catalog, klassificeringsmodell, MLflow, automatisk hyperparameterjustering med Hyperopt och MLflow, XGBoost |
| Fråga openAI-slutpunkter för externa modeller | Databricks Runtime ML | Unity Catalog, klassificeringsmodell, MLflow, automatisk hyperparameterjustering med Hyperopt och MLflow |
| Skapa och distribuera en Mosaic AI Model Training-körning | Databricks Runtime ML | Unity Catalog, klassificeringsmodell, MLflow, automatisk hyperparameterjustering med Hyperopt och MLflow |
| 10-minuters RAG-demo | Databricks Runtime ML | Logistic regression model, Spark pipeline, automated hyperparameter tuning using MLlib API |
| AI-kokbok: Avancerad RAG-självstudie | Databricks Runtime ML | Neural nätverksmodell, infogad TensorBoard, automatisk hyperparameterjustering med Hyperopt och MLflow, automatisk loggning, ModelRegistry |