Kom igång-självstudier om Azure Databricks

Självstudierna i det här avsnittet introducerar kärnfunktioner och leder dig genom grunderna i att använda Azure Databricks-plattformen.

Information om träningsresurser online finns i Hämta kostnadsfri Databricks-utbildning.

Om du inte har något Azure Databricks-konto registrerar du dig för en kostnadsfri utvärderingsversion.

Datautforskning

Handledning Beskrivning
Fråga efter och visualisera data Använd en Databricks-notebook-fil för att fråga efter exempeldata som lagras i Unity Catalog och visualisera sedan frågeresultaten i notebook-filen.
Importera och visualisera CSV-data från en anteckningsbok Använd en Databricks-notebook-fil för att importera data från en CSV-fil från https://health.data.ny.gov till Unity Catalog-volymen.
Skapa en tabell Skapa en tabell och bevilja behörigheter i Azure Databricks med hjälp av datastyrningsmodellen för Unity Catalog.
Utforska instrumentpaneler och kör frågor mot data i Genie One Navigera i Genie One-gränssnittet som är utformat för företagsanvändare. Visa instrumentpaneler, ställ frågor om data på naturligt språk och identifiera tillgångar som delas med dig.

Datateknik

Handledning Beskrivning
Bygg en ETL-pipeline med Lakeflow-pipelines Skapa och driftsätt en ETL-pipeline (extrahera, transformera och läsa in) för dataorkestrering med Lakeflow-pipelines och Auto Loader.
Bygg en ETL-pipeline med Apache Spark Utveckla och distribuera din första ETL-pipeline (extrahera, transformera och läsa in) för dataorkestrering med Apache Spark™.

AI och maskininlärning

Handledning Beskrivning
Träna och implementera en ML-modell Skapa en klassificeringsmodell för maskininlärning med hjälp av scikit-learn-biblioteket på Databricks för att förutsäga om ett vin anses vara av "hög kvalitet". Den här självstudien illustrerar också användningen av MLflow för att spåra modellutvecklingsprocessen och Hyperopt för att automatisera justering av hyperparametrar.
Träna och spåra en deep learning-modell Träna en djupinlärningsmodell på Databricks och spåra träningskörningar, hyperparametrar och mätvärden med MLflow 3.
Bygg och distribuera en agent Använd Agent Bricks CLI för att skapa en agentstruktur, kör den lokalt och distribuera den till agentens runtime.

Få hjälp

  • Om du har frågor om hur du konfigurerar Azure Databricks och behöver livehjälp kan du skicka ett e-postmeddelande help@databricks.comtill .
  • Om din organisation inte har någon Azure Databricks-supportprenumeration, eller om du inte är en auktoriserad kontakt för företagets supportprenumeration, kan du få svar från Databricks Community.