Delen via

Zelfstudies voor AI en machine learning

Probeer een van deze handleidingen om aan de slag te gaan. U kunt deze notebooks importeren in uw Databricks-werkruimte.

Handleiding Beschrijving
Klassieke ML End-to-end-voorbeeld van het trainen van een klassiek ML-model in Databricks.
scikit-learn Gebruik een van de populairste Python-bibliotheken voor machine learning om machine learning-modellen te trainen.
MLlib Voorbeelden van het gebruik van de Apache Spark Machine Learning-bibliotheek.
Deep Learning met Behulp van PyTorch End-to-end-voorbeeld van het trainen van een Deep Learning-model in Databricks met behulp van PyTorch.
TensorFlow TensorFlow is een opensource-framework dat ondersteuning biedt voor deep learning en numerieke berekeningen op CPU's, GPU's en clusters met GPU's.
Mozaïek AI-model bedienen Implementeer en voer query's uit op een klassiek ML-model met behulp van Mosaic AI Model Serving.
Foundation-model-API's Foundation-model-API's bieden toegang tot populaire basismodellen vanuit eindpunten die rechtstreeks vanuit de Databricks-werkruimte beschikbaar zijn.
Snelstartgids voor agent framework Gebruik Mosaic AI Agent Framework om een agent te bouwen, een hulpprogramma toe te voegen aan de agent en de agent te implementeren in een Databricks-model dat het eindpunt bedient.
Een GenAI-app traceren Traceer de uitvoeringsstroom van een app met inzicht in elke stap.
Een GenAI-app evalueren Gebruik MLflow 3 om een GenAI-app te maken, traceren en evalueren.
Snelstartgids voor menselijke feedback Verzamel feedback van eindgebruikers en gebruik die feedback om de kwaliteit van uw GenAI-app te evalueren.
Een ophaalagent bouwen, evalueren en implementeren Bouw een AI-agent die het ophalen combineert met hulpprogramma's.
Query's uitvoeren op OpenAI-modellen Maak een extern modeleindpunt om query's uit te voeren op OpenAI-modellen.