kurz 10 minut: Začínáme se službou Machine Learning na Azure Databricks

Poznámkové bloky v této části jsou navržené tak, aby bylo možné rychle začít využívat Machine Learning na Azure Databricks. Ukazují, jak používat Azure Databricks v průběhu životního cyklu machine learningu, včetně načítání a přípravy dat; školení, optimalizace a odvozování modelů; a nasazení a Správa modelů. Předvádějí užitečné nástroje jako Hyperopt pro automatizované ladění parametrů, MLflow sledování a automatické protokolování pro vývoj modelů a registr modelu pro správu modelů.

scikit – Přečtěte si poznámkové bloky

Poznámkový blok Požadavky Funkce
Rychlé zprovoznění strojového učení Databricks Runtime 7,5 ML nebo vyšší Klasifikační model, MLflow, automatizované ladění parametrů s Hyperopt a MLflow
Machine Learning s registrem modelů Databricks Runtime 7,0 ML nebo vyšší Klasifikační model, MLflow, automatizované ladění parametrů s Hyperopt a MLflow, model Registry
Kompletní příklad Databricks Runtime 6.5 ML nebo vyšší Klasifikační model, MLflow, automatizované ladění parametrů s Hyperopt a MLflow, XGBoost, Registry modelů, obsluhující model

Poznámkový blok Apache Spark MLlib

Poznámkový blok Požadavky Funkce
Machine Learning s MLlib Databricks Runtime 5,5 LTS ML nebo vyšší Logistické regresní modely, kanály Spark, automatizované ladění parametrů pomocí rozhraní MLlib API

Notebook pro hloubkové učení

Poznámkový blok Požadavky Funkce
Obsáhlý Learning s TensorFlowem Keras Databricks Runtime 7,0 ML nebo vyšší Neuronové Network model, line TensorBoard, automatizované ladění parametrů s Hyperopt a MLflow, autologging, ModelRegistry