Dela via

Handledning i artificiell intelligens och maskininlärning

Prova någon av de här guiderna för att komma igång. Du kan importera dessa notebooks till Databricks-arbetsytan.

Handledning Beskrivning
Klassisk ML Ett end-to-end-exempel på att träna en klassisk ML-modell i Databricks.
scikit-learn Använd ett av de mest populära Python-biblioteken för maskininlärning för att träna maskininlärningsmodeller.
MLlib Exempel på hur du använder Apache Spark-maskininlärningsbiblioteket.
Djupinlärning med PyTorch Exempel från slutpunkt till slutpunkt på träning av en djupinlärningsmodell i Databricks med PyTorch.
TensorFlow TensorFlow är ett ramverk med öppen källkod som stöder djupinlärning och numeriska beräkningar på processorer, GPU:er och kluster av GPU:er.
Mosaic AI-modellhantering Distribuera och fråga en klassisk ML-modell med hjälp av Mosaic AI Model Serving.
API:er för grundmodell Foundation-modell-API:er ger åtkomst till populära grundmodeller från slutpunkter som är tillgängliga direkt från Databricks-arbetsytan.
Snabbstart för Agent Framework Använd Mosaic AI Agent Framework för att skapa en agent, lägga till ett verktyg i agenten och distribuera agenten till en Databricks-modell som betjänar slutpunkten.
Spåra en GenAI-app Spåra en appens körningsflöde med full insyn i varje steg.
Utvärdera en GenAI-app Använd MLflow 3 för att skapa, spåra och utvärdera en GenAI-app.
Snabbstart för mänsklig återkoppling Samla in feedback från slutanvändare och använd den feedbacken för att utvärdera genAI-appens kvalitet.
Skapa, utvärdera och distribuera en hämtningsagent Skapa en AI-agent som kombinerar hämtning med verktyg.
Fråga OpenAI-modeller Skapa en extern modellslutpunkt för att fråga OpenAI-modeller.