자습서: Get AI 및 기계 학습으로 시작
이 섹션의 Notebook은 Mosaic AI에서 AI 및 기계 학습을 빠르게 시작할 get 있도록 설계되었습니다. Azure Databricks 작업 영역으로 각 Notebook을 가져와서 실행할 수 있습니다.
이러한 Notebooks는 데이터 로드 및 준비, 모델 학습, 튜닝, 유추, 모델 배포 및 관리를 포함하여 전체 AI 수명 주기 동안 Azure Databricks를 사용하는 방법을 보여줍니다.
클래식 ML 자습서
| Notebook | 요구 사항 | 기능 |
|---|---|---|
| 엔드투엔드 예제 | Databricks Runtime ML | Unity Catalog, 분류 모델, MLflow, Hyperopt 및 MLflow를 사용한 자동화된 하이퍼파라미터 튜닝, XGBoost |
| 사용자 지정 모델 배포 및 쿼리 | Databricks Runtime ML | Unity Catalog, 분류 모델, MLflow, Hyperopt와 MLflow를 사용한 하이퍼파라미터 자동 튜닝 |
| scikit-learn을 사용한 기계 학습 | Databricks Runtime ML | Unity Catalog, 분류 모델, MLflow, Hyperopt 및 MLflow를 사용한 자동화된 하이퍼파라미터 튜닝 |
| MLlib를 사용하여 기계 학습 | Databricks Runtime ML | 로지스틱 회귀 모델, Spark 파이프라인, MLlib API를 사용하여 자동화된 하이퍼 매개 변수 조정 |
| TensorFlow Keras를 사용한 딥 러닝 | Databricks Runtime ML | 신경망 모델, 인라인 TensorBoard, Hyperopt 및 MLflow를 사용한 자동화된 하이퍼 매개 변수 튜닝, 자동 로깅, ModelRegistry |
AI 자습서
| Notebook | 요구 사항 | 기능 |
|---|---|---|
| Get LLM에 대한 쿼리를 시작했습니다 | Databricks Runtime ML | Unity Catalog, 분류 모델, MLflow, Hyperopt 및 MLflow를 사용한 자동화된 하이퍼파라미터 튜닝, XGBoost |
| OpenAI 외부 모델 엔드포인트 쿼리 | Databricks Runtime ML | Unity Catalog, 분류 모델, MLflow, Hyperopt와 MLflow를 사용한 자동화된 하이퍼파라미터 튜닝 |
| Foundation Model 미세 조정 실행 만들기 및 배포 | Databricks Runtime ML | Unity Catalog, 분류 모델, MLflow, Hyperopt 및 MLflow를 사용한 자동화된 하이퍼파라미터 튜닝 |
| 10분 Mosaic AI 에이전트 데모 | Databricks Runtime ML | Mosaic AI 에이전트 프레임워크, 에이전트 평가, MLflow, 합성 데이터 |
| Mosaic AI 에이전트 데모 - 사용자 고유의 데이터 활용 | Databricks Runtime ML | Mosaic AI 에이전트 프레임워크, 에이전트 평가, MLflow, 합성 데이터, 벡터 검색 인덱스 |
| 생성 AI 자습서 | Databricks Runtime ML | 신경망 모델, 인라인 TensorBoard, Hyperopt 및 MLflow를 사용한 자동화된 하이퍼 매개 변수 튜닝, 자동 로깅, ModelRegistry |