Öğreticiler: ML'i kullanmaya başlama
Bu makaledeki not defterleri, Azure Databricks'te makine öğrenmesine hızlı bir şekilde başlamanızı sağlamak için tasarlanmıştır. Her not defterini çalıştırmak için Azure Databricks çalışma alanınıza aktarabilirsiniz.
Bu not defterleri, veri yükleme ve hazırlama dahil olmak üzere makine öğrenmesi yaşam döngüsü boyunca Azure Databricks'in nasıl kullanılacağını gösterir; model eğitimi, ayarlama ve çıkarım; ve model dağıtımı ve yönetimi. Ayrıca otomatik hiper parametre ayarlaması için Hyperopt, model geliştirme için MLflow izleme ve otomatik kaydetme ve model yönetimi için Model Kayıt Defteri gibi yararlı araçlar da gösterilmektedir.
scikit-learn not defterleri
Not Defteri | Gereksinimler | Özellikler |
---|---|---|
Makine öğrenmesi öğreticisi | Databricks Runtime ML | Unity Kataloğu, sınıflandırma modeli, MLflow, Hyperopt ve MLflow ile otomatik hiper parametre ayarlama |
Uçtan uca örnek | Databricks Runtime ML | Unity Kataloğu, sınıflandırma modeli, MLflow, Hyperopt ve MLflow ile otomatik hiper parametre ayarlama, XGBoost |
Apache Spark MLlib not defteri
Not Defteri | Gereksinimler | Özellikler |
---|---|---|
MLlib ile makine öğrenmesi | Databricks Runtime ML | MLlib API kullanarak lojistik regresyon modeli, Spark işlem hattı, otomatik hiper parametre ayarlama |
Derin öğrenme not defteri
Not Defteri | Gereksinimler | Özellikler |
---|---|---|
TensorFlow Keras ile derin öğrenme | Databricks Runtime ML | Sinir ağı modeli, satır içi TensorBoard, Hyperopt ve MLflow ile otomatik hiper parametre ayarlama, otomatik kaydetme, Model Kayıt Defteri |
Geri Bildirim
https://aka.ms/ContentUserFeedback.
Çok yakında: 2024 boyunca, içerik için geri bildirim mekanizması olarak GitHub Sorunları’nı kullanımdan kaldıracak ve yeni bir geri bildirim sistemiyle değiştireceğiz. Daha fazla bilgi için bkz.Gönderin ve geri bildirimi görüntüleyin