Kommentar
Åtkomst till den här sidan kräver auktorisering. Du kan prova att logga in eller ändra kataloger.
Åtkomst till den här sidan kräver auktorisering. Du kan prova att ändra kataloger.
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 notebook-fil | 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 fråga efter 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 |
|---|---|
| Skapa 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. |
| Skapa 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 distribuera 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 djupinlärningsmodell | Träna en djupinlärningsmodell på Databricks och spåra träningskörningar, hyperparametrar och mätvärden med MLflow 3. |
| Fråga LLM:er och prototypagenter utan kod | Använd AI Playground för att köra frågor mot stora språkmodeller (LLM) och jämföra resultat sida vid sida, skapa en verktygsanropsagent och exportera agenten till kod. |
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.