Esercitazione: Inizia a usare l’IA e il machine learning
I notebook di questa sezione sono progettati per iniziare rapidamente a usare l'intelligenza artificiale e l'apprendimento automatico in Mosaic AI. È possibile importare ogni notebook nello spazio di lavoro di Azure Databricks ed eseguirlo.
I notebook illustrano come usare Azure Databricks nell'intero ciclo di vita dell’IA inclusi il caricamento e la preparazione dei dati, il training, l'ottimizzazione e l'inferenza dei modelli e la distribuzione e la gestione dei modelli.
Tutorial classici per il machine learning
| Notebook | Requisiti | Funzionalità |
|---|---|---|
| Esempio completo | Databricks Runtime ML | Unity Catalog, modello di classificazione, MLflow, ottimizzazione automatizzata degli iperparametri con Hyperopt e MLflow, XGBoost |
| Distribuire e interrogare un modello personalizzato | Databricks Runtime ML | Unity Catalog, modello di classificazione, MLflow, ottimizzazione automatizzata degli iperparametri con Hyperopt e MLflow |
| Machine Learning con scikit-learn | Databricks Runtime ML | Unity Catalog, modello di classificazione, MLflow, ottimizzazione automatizzata degli iperparametri con Hyperopt e MLflow |
| Machine Learning con MLlib | Databricks Runtime ML | Modello di regressione logistica, pipeline Spark, ottimizzazione automatizzata degli iperparametri tramite l'API MLlib |
| Deep Learning con TensorFlow Keras | Databricks Runtime ML | Modello di rete neurale, TensorBoard inline, ottimizzazione automatizzata degli iperparametri con Hyperopt e MLflow, autologging, ModelRegistry |
Tutorial di Intelligenza Artificiale
| Taccuino / Computer portatile | Requisiti | Funzionalità |
|---|---|---|
| Introduzione all'esecuzione di query su LLM | Databricks Runtime ML | Unity Catalog, modello di classificazione, MLflow, ottimizzazione automatizzata degli iperparametri con Hyperopt e MLflow, XGBoost |
| Eseguire query sugli endpoint dei modelli esterni di OpenAI | Databricks Runtime ML | Unity Catalog, modello di classificazione, MLflow, ottimizzazione automatizzata degli iperparametri con Hyperopt e MLflow |
| Creare e distribuire un'esecuzione di ottimizzazione del modello Foundation | Databricks Runtime ML | Unity Catalog, modello di classificazione, MLflow, ottimizzazione automatizzata degli iperparametri con Hyperopt e MLflow |
| Intelligenza artificiale generativa: guida rapida | Databricks Runtime ML | Framework Mosaic AI per agenti, Valutazione degli agenti, MLflow, dati sintetici |