10minutové kurzy: Začínáme se strojovým učením na Azure Databricks

  • Článek
  • 2 min ke čtení

Poznámkové bloky v této části jsou navržené tak, aby vám rychle posouly strojové učení na Azure Databricks. Ukazují, jak používat Azure Databricks průběhu životního cyklu strojového učení, včetně načítání a přípravy dat. trénování, ladění a odvozování modelů; a nasazení a správa modelů. Předvede užitečné nástroje, jako je Hyperopt pro automatizované ladění hyperparametrů, sledování a automatické sledování MLflow pro vývoj modelů a registr modelů pro správu modelů.

Poznámkové bloky scikit-learn

Poznámkový blok Požadavky Funkce
Rychlé zprovoznění strojového učení Databricks Runtime 7.5 ML nebo vyšší Klasifikační model, MLflow, automatizované ladění hyperparametrů pomocí Hyperoptu a MLflow
Strojové učení s registrem modelů Databricks Runtime 7.0 ML nebo vyšší Klasifikační model, MLflow, automatizované ladění hyperparametrů pomocí Hyperoptu a MLflow, registr modelů
Kompletní příklad Databricks Runtime 6.5 ML nebo vyšší Klasifikační model, MLflow, automatizované ladění hyperparametrů s hyperoptem a MLflow, XGBoost, registr modelů, obsluhu modelů

Apache Spark poznámkového bloku MLlib

Poznámkový blok Požadavky Funkce
Strojové učení s MLlib Databricks Runtime 5.5 LTS ML nebo vyšší Logistický regresní model, kanál Sparku, automatizované ladění hyperparametrů pomocí rozhraní MLlib API

Poznámkový blok hlubokého učení

Poznámkový blok Požadavky Funkce
Hluboké učení s tensorFlow Kerasem Databricks Runtime 7.0 ML nebo vyšší Model neurální sítě, inline TensorBoard, automatizované ladění hyperparametrů pomocí Hyperoptu a MLflow, automatické označování, ModelRegistry