本部分中的教程演示了如何在经典 ML 和 gen AI 工作负载的 AI 生命周期中使用 Azure Databricks。
可以将每个笔记本导入 Azure Databricks 工作区以运行它们。
笔记本 | 功能 |
---|---|
使用 scikit-learn 进行机器学习 | Unity Catalog、分类模型、MLflow、使用 Optuna 和 MLflow 进行自动化超参数调整 |
使用 MLlib 的机器学习 | 逻辑回归模型、Spark 管道,使用 MLlib API 的自动超参数优化 |
使用 TensorFlow Keras 的深度学习 | 神经网络模型、内联 TensorBoard、通过 Hyperopt 和 MLflow 实现的自动超参数优化、自动日志记录、模型注册表 |
笔记本 | 要求 | 功能 |
---|---|---|
端到端 PyTorch 示例 | Databricks 运行时机器学习 | Unity Catalog、PyTorch、MLflow、使用 Optuna 和 MLflow 进行的自动超参数优化 |