Självstudier på 10 minuter: Kom igång med maskininlärning på Azure Databricks

  • Artikel
  • 2 minuter för att läsa

Notebook-anteckningsböckerna i det här avsnittet är utformade för att komma igång snabbt med maskininlärning på Azure Databricks. De illustrerar hur du använder Azure Databricks hela livscykeln för maskininlärning, inklusive inläsning och förberedelse av data. modellträning, justering och slutsatsledning; och modelldistribution och -hantering. De visar användbara verktyg som Hyperopt för automatisk justering av hyperparametrar, MLflow-spårning och autologging för modellutveckling och Model Registry för modellhantering.

scikit-learn notebooks

Notebook-fil Krav Funktioner
Snabbstart för maskininlärning Databricks Runtime 7.5 ML eller högre Klassificeringsmodell, MLflow, automatisk justering av hyperparametrar med Hyperopt och MLflow
Maskininlärning med Model Registry Databricks Runtime 7.0 ML eller högre Klassificeringsmodell, MLflow, automatisk justering av hyperparametrar med Hyperopt och MLflow, Model Registry
Exempel på slutpunkt till slutpunkt Databricks Runtime 6.5 ML eller senare Klassificeringsmodell, MLflow, automatisk justering av hyperparametrar med Hyperopt och MLflow, XGBoost, Model Registry, Model Serving

Apache Spark MLlib Notebook

Notebook-fil Krav Funktioner
Maskininlärning med MLlib Databricks Runtime 5.5 LTS ML eller högre Logistic Regression-modell, Spark-pipeline, automatisk justering av hyperparametrar med hjälp av MLlib API

Notebook-dator för djupinlärning

Notebook-fil Krav Funktioner
Djupinlärning med TensorFlow Keras Databricks Runtime 7.0 ML eller högre Modell för neuralt nätverk, infogade TensorBoard, automatiserad hyperparameterjustering med Hyperopt och MLflow, autologging, ModelRegistry