Självstudier: Kom igång med ML

Notebook-filerna i den här artikeln är utformade för att komma igång snabbt med maskininlärning i Azure Databricks. Du kan importera varje notebook-fil till din Azure Databricks-arbetsyta för att köra dem.

Dessa notebook-filer visar hur du använder Azure Databricks under hela maskininlärningslivscykeln, inklusive datainläsning och förberedelse. modellträning, justering och slutsatsdragning; och modelldistribution och hantering. De visar också användbara verktyg som Hyperopt för automatisk justering av hyperparametrar, MLflow-spårning och automatisk loggning för modellutveckling och Modellregister för modellhantering.

scikit-learn notebook-filer

Notebook-fil	Behov	Funktioner
Självstudie om maskininlärning	Databricks Runtime ML	Klassificeringsmodell, MLflow, automatisk hyperparameterjustering med Hyperopt och MLflow
Exempel från slutpunkt till slutpunkt	Databricks Runtime ML	Klassificeringsmodell, MLflow, automatisk hyperparameterjustering med Hyperopt och MLflow, XGBoost, Modellregister, Modellservering

Apache Spark MLlib-notebook-fil

Notebook-fil	Behov	Funktioner
Maskininlärning med MLlib	Databricks Runtime ML	Logistic regression model, Spark pipeline, automated hyperparameter tuning using MLlib API

Notebook-fil för djupinlärning

Notebook-fil	Behov	Funktioner
Djupinlärning med TensorFlow Keras	Databricks Runtime ML	Neural nätverksmodell, infogad TensorBoard, automatisk hyperparameterjustering med Hyperopt och MLflow, automatisk loggning, ModelRegistry