Självstudier: Kom igång med ML
Notebook-filerna i den här artikeln är utformade för att komma igång snabbt med maskininlärning i Azure Databricks. Du kan importera varje notebook-fil till din Azure Databricks-arbetsyta för att köra dem.
Dessa notebook-filer visar hur du använder Azure Databricks under hela maskininlärningslivscykeln, inklusive datainläsning och förberedelse. modellträning, justering och slutsatsdragning; och modelldistribution och hantering. De visar också användbara verktyg som Hyperopt för automatisk justering av hyperparametrar, MLflow-spårning och automatisk loggning för modellutveckling och Modellregister för modellhantering.
scikit-learn notebook-filer
Notebook-fil | Krav | Funktioner |
---|---|---|
Självstudie om maskininlärning | Databricks Runtime ML | Unity Catalog, klassificeringsmodell, MLflow, automatisk hyperparameterjustering med Hyperopt och MLflow |
Exempel från slutpunkt till slutpunkt | Databricks Runtime ML | Unity Catalog, klassificeringsmodell, MLflow, automatisk hyperparameterjustering med Hyperopt och MLflow, XGBoost |
Apache Spark MLlib-notebook-fil
Notebook-fil | Krav | Funktioner |
---|---|---|
Maskininlärning med MLlib | Databricks Runtime ML | Logistic regression model, Spark pipeline, automated hyperparameter tuning using MLlib API |
Notebook-fil för djupinlärning
Notebook-fil | Krav | Funktioner |
---|---|---|
Djupinlärning med TensorFlow Keras | Databricks Runtime ML | Neural nätverksmodell, infogad TensorBoard, automatisk hyperparameterjustering med Hyperopt och MLflow, automatisk loggning, ModelRegistry |
Feedback
https://aka.ms/ContentUserFeedback.
Kommer snart: Under hela 2024 kommer vi att fasa ut GitHub-problem som feedbackmekanism för innehåll och ersätta det med ett nytt feedbacksystem. Mer information finns i:Skicka och visa feedback för