Självstudie: ML-modeller från slutpunkt till slutpunkt på Azure Databricks
Maskininlärning i verkligheten är rörigt. Datakällor innehåller saknade värden, inkluderar redundanta rader eller får inte plats i minnet. Funktionsutveckling kräver ofta domänexpertis och kan vara omständlig. Modellering blandar alltför ofta datavetenskap och systemteknik, vilket kräver inte bara kunskap om algoritmer utan även maskinarkitektur och distribuerade system.
Azure Databricks förenklar den här processen. Följande notebook-fil på 10 minuter visar ett exempel från slutpunkt till slutpunkt på maskininlärningsmodeller för tabelldata.
Du kan importera den här notebook-filen och köra den själv, eller kopiera kodfragment och idéer för eget bruk.
Notebook-fil
Om din arbetsyta är aktiverad för Unity Catalog använder du den här versionen av notebook-filen:
Använda scikit-learn med MLflow-integrering på Databricks (Unity Catalog)
Om arbetsytan inte är aktiverad för Unity Catalog använder du den här versionen av notebook-filen: