Kurzy: Začínáme s AI a strojovým učením
Poznámkové bloky v této části jsou navržené tak, abyste mohli rychle začít s AI a strojovým učením na platformě Mosaic AI. Každý poznámkový blok můžete importovat do pracovního prostoru Azure Databricks a spustit je.
Tyto poznámkové bloky ukazují, jak používat Azure Databricks v průběhu životního cyklu AI, včetně načítání a přípravy dat; trénování, ladění a odvozování modelů; a nasazení a správu modelů.
Kurzy klasického strojového učení
| Poznámkový blok | Požadavky | Funkce |
|---|---|---|
| Kompletní příklad | Databricks Runtime ML | Katalog Unity, klasifikační model, MLflow, automatizované ladění hyperparametrů s Hyperopt a MLflow, XGBoost |
| Nasazení a dotazování vlastního modelu | Databricks Runtime ML | Katalog Unity, klasifikační model, MLflow, automatizované ladění hyperparametrů s Hyperoptem a MLflow |
| Strojové učení s využitím scikit-learn | Databricks Runtime ML | Katalog Unity, klasifikační model, MLflow, automatizované ladění hyperparametrů s Hyperoptem a MLflow |
| Strojové učení pomocí knihovny MLlib | Databricks Runtime ML | Model logistické regrese, kanál Sparku, automatizované ladění hyperparametrů pomocí rozhraní API knihovny MLlib |
| Hluboké učení s využitím TensorFlow Kerasu | Databricks Runtime ML | Model neurální sítě, vložený TensorBoard, automatizované ladění hyperparametrů s Hyperopt a MLflow, automatickélogování, ModelRegistry |
Kurzy k AI
| Poznámkový blok | Požadavky | Funkce |
|---|---|---|
| Začínáme s dotazováním LLM | Databricks Runtime ML | Katalog Unity, klasifikační model, MLflow, automatizované ladění hyperparametrů s Hyperopt a MLflow, XGBoost |
| Dotazování koncových bodů externího modelu OpenAI | Databricks Runtime ML | Katalog Unity, klasifikační model, MLflow, automatizované ladění hyperparametrů s Hyperoptem a MLflow |
| Vytvoření a nasazení spuštění trénování modelu AI v systému Mosaic | Databricks Runtime ML | Katalog Unity, klasifikační model, MLflow, automatizované ladění hyperparametrů s Hyperoptem a MLflow |
| 10minutová ukázka RAG | Databricks Runtime ML | Model logistické regrese, kanál Sparku, automatizované ladění hyperparametrů pomocí rozhraní API knihovny MLlib |
| Kuchařka AI: Rozšířený kurz RAG | Databricks Runtime ML | Model neurální sítě, vložený TensorBoard, automatizované ladění hyperparametrů s Hyperopt a MLflow, automatickélogování, ModelRegistry |