Azure Databricks'da makine öğrenmesi

Azure Databricks üzerinde makine öğrenmesi uygulamaları oluşturun, dağıtın ve yönetin. Tümleşik platform, veri hazırlamadan üretim izlemesine kadar ml yaşam döngüsünün tamamını birleştirir.

Üretken yapay zeka ve yapay zeka aracıları mı arıyorsunuz? Bkz. Azure Databricks üzerinde YZ aracıları oluşturma.

Get started

Hızlı bir başlangıç deneyin, verilerinizi hazırlayın veya düşük kodlu bir model oluşturun.

Guide	Description
Başlarken: Databricks'te ilk makine öğrenmesi modelinizi oluşturma	scikit-learn uçtan uca ile basit bir sınıflandırma modeli oluşturun.
AutoML	Otomatik özellik mühendisliğini ve hiper parametre ayarlamayı kullanarak minimum kodla yüksek kaliteli modelleri otomatik olarak oluşturun.
Makine öğrenmesi ve derin öğrenme için veri yükleme	ML ve derin öğrenme iş akışları için verileri yükleyin ve hazırlayın.
Önerilen modelleri eğitin	İki kuleli veya DLRM mimarisiyle bir öneri modeli eğitin.

Klasik makine öğrenmesi modellerini eğitin

Otomatik araçlar ve işbirliğine dayalı geliştirme ortamları ile makine öğrenmesi modelleri oluşturun.

Feature	Description
ML için Databricks Runtime	scikit-learn, XGBoost, MLflow ve diğer ML kitaplıklarıyla önceden yapılandırılmış kümelerin yanı sıra derin öğrenme çerçeveleri desteği.
MLflow izleme	Denemeleri izleyin, model performansını karşılaştırın ve model geliştirme yaşam döngüsünün tamamını yönetin.
Özellik mühendisliği	Otomatik veri işlem hatları ve özellik bulma ile özellik oluşturma, yönetme ve sunma.
Databricks defterleri	Python, R, Scala ve ML iş akışları için SQL desteğiyle işbirliğine dayalı geliştirme ortamı.

Derin öğrenme modellerini eğitin

Derin öğrenme modelleri geliştirmek için yönetilen işlem ve yerleşik çerçeveleri kullanın.

Feature	Description
Dağıtılmış eğitim	Ray, TorchDistributor ve DeepSpeed kullanarak dağıtılmış derin öğrenme örnekleri.
AI Çalışma Zamanı	Özel derin öğrenme eğitimi ve çıkarım iş yükleri için sunucusuz GPU işlem.
DL için en iyi uygulamalar	Çerçeve seçimi, veri yükleme, dağıtılmış ölçeklendirme ve derin öğrenme modeli yaşam döngüsünü yönetme yönergeleri.
PyTorch	PyTorch kullanarak tek düğümlü ve dağıtılmış eğitim.

Modelleri dağıtma ve sunma

Ölçeklenebilir uç noktalar, gerçek zamanlı çıkarım ve kurumsal düzeyde izleme ile modelleri üretime dağıtın.

Feature	Description
Model Sunumu	Otomatik ölçeklendirme ve GPU desteğiyle özel modelleri ve LLM'leri ölçeklenebilir REST uç noktaları olarak dağıtın.
AI Ağ Geçidi	Kullanım izleme, yük günlüğü ve güvenlik denetimleriyle Azure Databricks sunulan modellere erişimi idare edin ve izleyin.
Dış modeller	Databricks dışında barındırılan üçüncü taraf modelleri birleşik idare ve izleme ile tümleştirin.
Temel model API'leri	Databricks tarafından barındırılan en gelişmiş açık modellere erişin ve bu modelleri sorgulamak için kullanın.

ML sistemlerini izleme ve yönetme

Kapsamlı izleme ve idare araçlarıyla model kalitesini, veri bütünlüğünü ve uyumluluğu sağlayın.

Feature	Description
Unity Kataloğu	Birleşik erişim denetimi, köken izleme ve bulma ile verileri, özellikleri, modelleri ve işlevleri idare edin.
Veri profili oluşturma	Otomatik uyarılar ve kök neden analizi ile veri kalitesini, model performansını ve tahmin kaymalarını izleyin.
Anomali algılama	Katalog düzeyinde veri güncelliğini ve eksiksizliğini izleyin.
Modeller için MLflow	Geliştirme yaşam döngüsü boyunca denemeleri izleyin, Unity Kataloğu'nda modelleri yönetin, makine öğrenmesi modellerini dağıtın ve değerlendirin.

ML iş akışlarını üretime geçirin

Otomatik iş akışları, CI/CD tümleştirmesi ve üretime hazır işlem hatları ile makine öğrenmesi işlemlerini ölçeklendirin.

Feature	Description
Unity Kataloğu'ndaki modeller	Merkezi idare ve dağıtımlar dahil olmak üzere model yaşam döngüsünü yönetmek için Unity Kataloğu'ndaki model kayıt defterini kullanın.
Lakeflow İşleri	ML veri işleme için otomatik iş akışları ve üretime hazır ETL işlem hatları oluşturun.
Databricks üzerinde Ray	Büyük ölçekli model eğitimi ve çıkarım için dağıtılmış bilgi işlem ile ML iş yüklerini ölçeklendirin.
MLOps iş akışları	Otomatik eğitim, test ve dağıtım işlem hatları ile uçtan uca MLOps uygulayın.