Pembelajaran mesin di Azure Databricks

Membangun, menyebarkan, dan mengelola aplikasi pembelajaran mesin di Azure Databricks. Platform terintegrasi menyatukan seluruh siklus hidup ML dari persiapan data hingga pemantauan produksi.

Sedang mencari AI generatif dan agen AI? Lihat Membuat agen AI di Azure Databricks.

Get started

Coba panduan cepat, buat model dengan vibe coding, dan gunakan notebook.

Panduan Description
Memulai: Membangun model pembelajaran mesin pertama Anda di Databricks Bangun dan sebarkan model klasifikasi sederhana dengan scikit-learn.
Menggunakan Kode Genie untuk ilmu data Gunakan agen AI untuk menjelajahi data, membuat model, dan melakukan iterasi.
Buku catatan Databricks Lingkungan pengembangan kolaboratif dengan dukungan untuk Python, R, Scala, dan SQL.
Konsep: Ilmu data dan pembelajaran mesin di Azure Databricks Pelajari konsep inti di balik ilmu data dan pembelajaran mesin di Azure Databricks.

Melatih model pembelajaran mesin klasik

Rekayasa fitur, membuat model pembelajaran mesin, dan melacak eksperimen.

Feature Description
Penyimpanan Fitur Lakukan rekayasa fitur, kelola fitur di Unity Catalog, dan layani fitur dalam produksi.
Contoh pelatihan model Jelajahi contoh menyeluruh untuk melatih model ML klasik dengan pustaka populer.
Runtime Databricks untuk Machine Learning Kluster yang telah dikonfigurasi sebelumnya dengan scikit-learn, XGBoost, MLflow, dan pustaka ML lainnya, ditambah dukungan untuk kerangka kerja pembelajaran mendalam.
Pelacakan MLflow Lacak eksperimen, bandingkan performa model, dan kelola siklus hidup pengembangan model lengkap.

Melatih model pembelajaran mendalam

Gunakan komputasi terkelola dan kerangka kerja bawaan untuk mengembangkan model pembelajaran mendalam.

Feature Description
AI Runtime Gunakan komputasi GPU tanpa server untuk beban kerja pelatihan dan inferensi pembelajaran mendalam kustom.
Contoh pelatihan terdistribusi Jelajahi contoh pembelajaran mendalam terdistribusi menggunakan Ray, TorchDistributor, dan DeepSpeed.
Praktik terbaik DL Pelajari tentang pilihan kerangka kerja, pemuatan data, penskalaan terdistribusi, dan mengelola siklus hidup model pembelajaran mendalam.
Ray di Databricks Menskalakan beban kerja ML dengan komputasi terdistribusi untuk pelatihan dan inferensi model skala besar.

Menyebarkan dan menyajikan model

Sebarkan model ke produksi dengan titik akhir yang dapat diskalakan untuk inferensi real time, streaming, atau batch.

Feature Description
Penyajian Model Sebarkan model kustom dan LLM sebagai titik akhir REST dengan penskalakan otomatis dan dukungan GPU.
AI Gateway Mengatur dan memantau akses ke model yang dilayani di Azure Databricks dengan pelacakan penggunaan, pencatatan payload, dan kontrol keamanan.
Inferensi batch Sebarkan model untuk inferensi dan prediksi batch dan streaming pada himpunan data besar.
API model dasar Akses dan buat kueri pada model GenAI mutakhir yang dihosting di Databricks.

Memantau dan mengatur sistem ML

Memastikan kualitas model, integritas data, dan kepatuhan terhadap alat pemantauan dan tata kelola yang komprehensif.

Feature Description
Katalog Unity Mengatur data, fitur, model, dan fungsi dengan kontrol akses terpadu, pelacakan silsilah data, dan penemuan.
MLflow untuk Model Kelola siklus hidup ML lengkap, dari eksperimen dan model hingga evaluasi dan penyebaran.
Deteksi anomali Pantau kesegaran dan kelengkapan data di tingkat katalog.
Pembuatan profil data Pantau kualitas data, performa model, dan penyimpangan prediksi dengan pemberitahuan otomatis dan analisis akar penyebab.

Mengoperasionalkan alur kerja ML

Meningkatkan operasi pembelajaran mesin dengan proses kerja otomatis, integrasi CI/CD, dan pipeline siap produksi.

Feature Description
Model-Model pada Katalog Unity Gunakan registri model di Unity Catalog untuk tata kelola terpusat dan untuk mengelola siklus hidup model, termasuk penyebaran.
Pekerjaan Lakeflow Buat alur kerja otomatis untuk alur ML.
Bundel Otomatisasi Deklaratif Kelola infrastruktur Azure Databricks sebagai kode untuk CI/CD, termasuk pelatihan dan penyebaran ML.
Alur kerja MLOps Pelajari tentang MLOps end-to-end dengan pelatihan, pengujian, dan alur penyebaran otomatis.
  • Last updated on