Tutorials: Erste Schritte mit ML
Die Notebooks in diesem Abschnitt sollen Ihnen beim schnellen Einstieg in Machine Learning in Azure Databricks helfen. Sie können jedes Notizbuch in Ihren Azure Databricks-Arbeitsbereich importieren, um sie auszuführen.
Diese Notebooks veranschaulichen die Verwendung von Azure Databricks während des gesamten Lebenszyklus des maschinellen Lernens, einschließlich Laden und Vorbereiten von Daten; Modelltraining, Tuning und Inferenz; und Modellbereitstellung und -verwaltung. Sie veranschaulichen hilfreiche Tools wie Hyperopt für die automatisierte Hyperparameteroptimierung, MLflow-Nachverfolgung und automatische Protokollierung für die Modellentwicklung und Modellregistrierung für die Modellverwaltung.
scikit-learn-Notebooks
Notebook | Anforderungen | Features |
---|---|---|
Machine Learning-Tutorial | Databricks Runtime ML | Unity Catalog, Klassifizierungsmodell, MLflow, automatisierte Hyperparameteroptimierung mit Hyperopt und MLflow |
End-to-End-Beispiel | Databricks Runtime ML | Unity Catalog, Klassifizierungsmodell, MLflow, automatisierte Hyperparameteroptimierung mit Hyperopt und MLflow, XGBoost |
Apache Spark MLlib-Notebook
Notebook | Anforderungen | Features |
---|---|---|
Machine Learning mit MLlib | Databricks Runtime ML | Logistisches Regressionsmodell, Spark-Pipeline, automatisierte Hyperparameteroptimierung mithilfe der MLlib-API |
Deep Learning-Notebook
Notebook | Anforderungen | Features |
---|---|---|
Deep Learning mit TensorFlow Keras | Databricks Runtime ML | Modell für neuronale Netze, TensorBoard (inline), automatisierte Hyperparameteroptimierung mit Hyperopt und MLflow, automatische Protokollierung, ModelRegistry |
Feedback
https://aka.ms/ContentUserFeedback.
Bald verfügbar: Im Laufe des Jahres 2024 werden wir GitHub-Issues stufenweise als Feedbackmechanismus für Inhalte abbauen und durch ein neues Feedbacksystem ersetzen. Weitere Informationen finden Sie unterFeedback senden und anzeigen für