Tutoriales de 10 minutos: Introducción al aprendizaje automático en Azure Databricks

  • Artículo
  • Tiempo de lectura: 2 minutos

Los cuadernos de esta sección están diseñados para que empiece a trabajar rápidamente con el aprendizaje automático en Azure Databricks. Muestran cómo usar Azure Databricks a lo largo del ciclo de vida del aprendizaje automático, lo que incluye la carga y preparación de datos; el entrenamiento, ajuste e inferencia de modelos, y la implementación y administración de modelos. También muestran herramientas útiles, como Hyperopt, que se usa para la optimización automatizada de hiperparámetros, el seguimiento y registro automático de MLflow para el desarrollo de modelos, y el registro de modelos para la administración de modelos.

Cuadernos de scikit-learn

Notebook Requisitos Características
Inicio rápido de Machine Learning Databricks Runtime 7.5 ML o superior Modelo de clasificación, MLflow, ajuste automático de hiperparámetros con Hyperopt y MLflow
Aprendizaje automático con registro de modelos Databricks Runtime 7.0 ML o superior Modelo de clasificación, MLflow, ajuste automático de hiperparámetros con Hyperopt y MLflow, registro de modelos
Ejemplo de un extremo a otro Databricks Runtime 6.5 ML o posterior Modelo de clasificación, MLflow, ajuste automático de hiperparámetros con Hyperopt y MLflow, XGBoost, registro de modelos, servicio de modelos

Cuaderno de Apache Spark MLlib

Notebook Requisitos Características
Aprendizaje automático con MLlib Databricks Runtime 5.5 LTS ML o superior Modelo de regresión logística, canalización de Spark, ajuste automático de hiperparámetros mediante MLlib API

Cuaderno de aprendizaje profundo

Notebook Requisitos Características
Aprendizaje profundo con TensorFlow Keras Databricks Runtime 7.0 ML o superior Modelo de red neuronal, TensorBoard en línea, ajuste automático de hiperparámetros con Hyperopt y MLflow, registro automático, ModelRegistry