Tutoriels : Bien démarrer avec l’IA et l’apprentissage automatique
Les notebooks de cet article sont conçus pour vous aider à démarrer rapidement avec l’IA et l’apprentissage automatique sur Mosaic AI. Vous pouvez importer chaque notebook dans votre espace de travail Azure Databricks pour l’exécuter.
Ces notebooks montrent comment utiliser Azure Databricks tout au long du cycle de vie d’IA, notamment le chargement et la préparation des données, l’entraînement, le réglage et l’inférence des modèles, ainsi que le déploiement et la gestion des modèles.
Tutoriels ML classiques
| Notebook | Spécifications | Fonctionnalités |
|---|---|---|
| Exemple de bout en bout | Databricks Runtime ML | Unity Catalog, modèle de classification, MLflow, optimisation automatisée des hyperparamètres avec Hyperopt et MLflow, XGBoost |
| Déployer et interroger un modèle personnalisé | Databricks Runtime ML | Unity Catalog, modèle de classification, MLflow, optimisation automatisée des hyperparamètres avec Hyperopt et MLflow |
| Apprentissage automatique avec scikit-learn | Databricks Runtime ML | Unity Catalog, modèle de classification, MLflow, optimisation automatisée des hyperparamètres avec Hyperopt et MLflow |
| Machine Learning avec MLlib | Databricks Runtime ML | Modèle de régression logistique, pipeline Spark, réglage automatisé des hyperparamètres avec l’API MLlib |
| Deep Learning avec TensorFlow Keras | Databricks Runtime ML | Modèle de réseau neuronal, TensorBoard inline, réglage automatisé des hyperparamètres avec Hyperopt et MLflow, journalisation automatique, registre de modèles |
Tutoriels sur l’IA
| Notebook | Spécifications | Fonctionnalités |
|---|---|---|
| Prise en main des requêtes | Databricks Runtime ML | Unity Catalog, modèle de classification, MLflow, optimisation automatisée des hyperparamètres avec Hyperopt et MLflow, XGBoost |
| Interroger un point de terminaison de modèle externe OpenAI | Databricks Runtime ML | Unity Catalog, modèle de classification, MLflow, optimisation automatisée des hyperparamètres avec Hyperopt et MLflow |
| Créer et déployer une exécution de formation de modèle Mosaic AI | Databricks Runtime ML | Unity Catalog, modèle de classification, MLflow, optimisation automatisée des hyperparamètres avec Hyperopt et MLflow |
| Démonstration de RAG de 10 minutes | Databricks Runtime ML | Modèle de régression logistique, pipeline Spark, réglage automatisé des hyperparamètres avec l’API MLlib |
| Fiches pratiques pour l’IA : Tutoriel RAG avancé | Databricks Runtime ML | Modèle de réseau neuronal, TensorBoard inline, réglage automatisé des hyperparamètres avec Hyperopt et MLflow, journalisation automatique, registre de modèles |