Zelfstudies: Aan de slag met ML

De notebooks in dit artikel zijn ontworpen om u snel op weg te helpen met machine learning in Azure Databricks. U kunt elk notebook importeren in uw Azure Databricks-werkruimte om deze uit te voeren.

Deze notebooks laten zien hoe u Azure Databricks gebruikt gedurende de levenscyclus van machine learning, inclusief het laden en voorbereiden van gegevens; modeltraining, afstemming en deductie; en modelimplementatie en -beheer. Ze demonstreren ook nuttige hulpprogramma's, zoals Hyperopt voor geautomatiseerde afstemming van hyperparameters, MLflow-tracering en automatische logboekregistratie voor modelontwikkeling en Modelregister voor modelbeheer.

scikit-learn-notebooks

Notebook Vereisten Functies
Zelfstudie over machine learning Databricks Runtime ML Classificatiemodel, MLflow, geautomatiseerde afstemming van hyperparameters met Hyperopt en MLflow
End-to-end-voorbeeld Databricks Runtime ML Classificatiemodel, MLflow, geautomatiseerde afstemming van hyperparameters met Hyperopt en MLflow, XGBoost, modelregister, modelverdiening

Apache Spark MLlib-notebook

Notebook Vereisten Functies
Machine learning met MLlib Databricks Runtime ML Logistiek regressiemodel, Spark-pijplijn, geautomatiseerde afstemming van hyperparameters met behulp van MLlib-API

Deep Learning-notebook

Notebook Vereisten Functies
Deep Learning met TensorFlow Keras Databricks Runtime ML Neuraal netwerkmodel, inline TensorBoard, geautomatiseerde afstemming van hyperparameters met Hyperopt en MLflow, autologging, ModelRegistry