Kurzy: Začínáme s ML
Poznámkové bloky v tomto článku jsou navržené tak, abyste mohli rychle začít se strojovým učením v Azure Databricks. 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 strojového učení, včetně načítání a přípravy dat; trénování, ladění a odvozování modelů; a nasazení a správu modelů. Předvádějí také užitečné nástroje, jako je Hyperopt pro automatizované ladění hyperparametrů, sledování MLflow a automatickélogování pro vývoj modelů a registr modelů pro správu modelů.
Poznámkové bloky scikit-learn
Poznámkový blok | Požadavky | Funkce |
---|---|---|
Kurz strojového učení | Databricks Runtime ML | Katalog Unity, klasifikační model, MLflow, automatizované ladění hyperparametrů s Hyperoptem a MLflow |
Kompletní příklad | Databricks Runtime ML | Katalog Unity, klasifikační model, MLflow, automatizované ladění hyperparametrů s Hyperopt a MLflow, XGBoost |
Poznámkový blok Apache Spark MLlib
Poznámkový blok | Požadavky | Funkce |
---|---|---|
Strojové učení pomocí knihovny MLlib | Databricks Runtime ML | Model logistické regrese, kanál Sparku, automatizované ladění hyperparametrů pomocí rozhraní API knihovny MLlib |
Poznámkový blok hlubokého učení
Poznámkový blok | Požadavky | Funkce |
---|---|---|
Hluboké učení s využitím TensorFlow Kerasu | Databricks Runtime ML | Model neurální sítě, vložený TensorBoard, automatizované ladění hyperparametrů s Hyperopt a MLflow, automatickélogování, ModelRegistry |
Váš názor
https://aka.ms/ContentUserFeedback.
Připravujeme: V průběhu roku 2024 budeme postupně vyřazovat problémy z GitHub coby mechanismus zpětné vazby pro obsah a nahrazovat ho novým systémem zpětné vazby. Další informace naleznete v tématu:Odeslat a zobrazit názory pro