在Azure Databricks上生成、部署和管理机器学习应用程序。 集成平台将整个 ML 生命周期从数据准备到生产监视统一。
开始
请尝试快速入门、对模型进行 vibe 编码，并使用笔记本。
| 指南 | Description |
|---|---|
| 入门：在 Databricks 上构建第一个机器学习模型 | 使用 scikit-learn 生成和部署简单的分类模型。 |
| Databricks 笔记本 | 支持 Python、R、Scala 和 SQL 的协作开发环境。 |
| 概念：Azure Databricks上的数据科学和机器学习 | 了解Azure Databricks数据科学和机器学习背后的核心概念。 |
训练经典机器学习模型
进行特征工程、创建机器学习模型并跟踪实验。
| 功能 / 特点 | Description |
|---|---|
| 特征存储库 | 执行功能工程，管理 Unity 目录中的功能，并在生产环境中提供功能。 |
| 模型训练示例 | 探索使用常用库训练经典 ML 模型的端到端示例。 |
| 用于 ML 的 Databricks Runtime | 使用 scikit-learn、XGBoost、MLflow 和其他 ML 库预先配置的群集，以及对深度学习框架的支持。 |
| MLflow 跟踪 | 跟踪试验、比较模型性能以及管理完整的模型开发生命周期。 |
训练深度学习模型
使用托管计算和内置框架开发深度学习模型。
| 功能 / 特点 | Description |
|---|---|
| 分布式训练示例 | 探索使用 Ray、TorchDistributor 和 DeepSpeed 的分布式深度学习示例。 |
| DL 最佳做法 | 了解框架选择、数据加载、分布式缩放和管理深度学习模型生命周期。 |
| Databricks 上的 Ray | 使用分布式计算缩放 ML 工作负荷，以便进行大规模模型训练和推理。 |
部署和提供模型
使用可缩放的终结点将模型部署到生产环境，以便进行实时、流式处理或批处理推理。
监视和管理 ML 系统
通过全面的监视和治理工具确保模型质量、数据完整性和合规性。
| 功能 / 特点 | Description |
|---|---|
| Unity Catalog | 使用统一的访问控制、世系跟踪和发现来管理数据、功能、模型和函数。 |
| MLflow 用于模型 | 管理从试验和模型到评估和部署的完整 ML 生命周期。 |
实现机器学习工作流生产化
使用自动化工作流程、CI/CD 集成和生产就绪的管道扩展机器学习操作。
| 功能 / 特点 | Description |
|---|---|
| Unity 目录中的模型 | 使用 Unity 目录中的模型注册表进行集中治理，并管理模型生命周期，包括部署。 |
| Lakeflow 作业 | 为 ML 管道生成自动化工作流。 |
| 声明式自动化包 | 将 Azure Databricks 基础设施作为代码进行管理，以支持 CI/CD，包括机器学习训练和部署。 |
| MLOps 工作流 | 通过自动化训练、测试和部署管道了解端到端 MLOps。 |