Tutorials: Erste Schritte mit KI und Machine Learning
Die Notebooks in diesem Abschnitt sollen Ihnen beim schnellen Einstieg in KI und Machine Learning auf Mosaic AI 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 KI-Lebenszyklus, einschließlich Laden und Vorbereiten von Daten, Modelltraining, Tuning und Inferenz sowie Modellimplementierung und -verwaltung.
Klassische ML-Lernprogramme
| Notebook | Anforderungen | Features |
|---|---|---|
| End-to-End-Beispiel | Databricks Runtime ML | Unity Catalog, Klassifizierungsmodell, MLflow, automatisierte Hyperparameteroptimierung mit Hyperopt und MLflow, XGBoost |
| Bereitstellen und Abfragen eines benutzerdefinierten Modells | Databricks Runtime ML | Unity Catalog, Klassifizierungsmodell, MLflow, automatisierte Hyperparameteroptimierung mit Hyperopt und MLflow |
| Machine Learning mit Scikit-learn | Databricks Runtime ML | Unity Catalog, Klassifizierungsmodell, MLflow, automatisierte Hyperparameteroptimierung mit Hyperopt und MLflow |
| Machine Learning mit MLlib | Databricks Runtime ML | Logistisches Regressionsmodell, Spark-Pipeline, automatisierte Hyperparameteroptimierung mithilfe der MLlib-API |
| Deep Learning mit TensorFlow Keras | Databricks Runtime ML | Modell für neuronale Netze, TensorBoard (inline), automatisierte Hyperparameteroptimierung mit Hyperopt und MLflow, automatische Protokollierung, ModelRegistry |
KI-Lernprogramme
| Notebook | Anforderungen | Features |
|---|---|---|
| Erste Schritte beim Abfragen von LLMs | Databricks Runtime ML | Unity Catalog, Klassifizierungsmodell, MLflow, automatisierte Hyperparameteroptimierung mit Hyperopt und MLflow, XGBoost |
| Abfragen externer OpenAI-Modellendpunkte | Databricks Runtime ML | Unity Catalog, Klassifizierungsmodell, MLflow, automatisierte Hyperparameteroptimierung mit Hyperopt und MLflow |
| Erstellen und Bereitstellen einer Mosaic AI Model Training-Ausführung | Databricks Runtime ML | Unity Catalog, Klassifizierungsmodell, MLflow, automatisierte Hyperparameteroptimierung mit Hyperopt und MLflow |
| 10-minütige RAG-Demo | Databricks Runtime ML | Logistisches Regressionsmodell, Spark-Pipeline, automatisierte Hyperparameteroptimierung mithilfe der MLlib-API |
| KI-Cookbook: Erweitertes RAG-Tutorial | Databricks Runtime ML | Modell für neuronale Netze, TensorBoard (inline), automatisierte Hyperparameteroptimierung mit Hyperopt und MLflow, automatische Protokollierung, ModelRegistry |