Maskininlärning på Azure Databricks

Skapa, distribuera och hantera maskininlärningsprogram på Azure Databricks. Den integrerade plattformen förenar hela ML-livscykeln från förberedelse av data till produktionsövervakning.

Letar du efter generativ AI och AI-agenter? Se Skapa AI-agenter på Azure Databricks.

Get started

Prova en snabbstart, vibekoda en modell och använd notebookar.

Guide Description
Kom igång: Skapa din första maskininlärningsmodell på Databricks Skapa och distribuera en enkel klassificeringsmodell med scikit-learn.
Använda Genie Code för datavetenskap Använd en AI-agent för att utforska data, skapa modeller och iterera.
Databricks-notebook-filer Samarbetsutvecklingsmiljö med stöd för Python, R, Scala och SQL.
Begrepp: Datavetenskap och maskininlärning på Azure Databricks Lär dig grundbegreppen bakom datavetenskap och maskininlärning på Azure Databricks.

Träna klassiska maskininlärningsmodeller

Utveckla funktioner, skapa maskininlärningsmodeller och spåra experiment.

Feature Description
Funktionsarkiv Utför funktionsutveckling, hantera funktioner i Unity Catalog och hantera funktioner i produktion.
Exempel på modellträning Utforska exempel från slutpunkt till slutpunkt för att träna klassiska ML-modeller med populära bibliotek.
Databricks Runtime för ML Förkonfigurerade kluster med scikit-learn, XGBoost, MLflow och andra ML-bibliotek samt stöd för ramverk för djupinlärning.
MLflow-spårning Spåra experiment, jämföra modellprestanda och hantera hela livscykeln för modellutveckling.

Träna djupinlärningsmodeller

Använd hanterad beräkning och inbyggda ramverk för att utveckla djupinlärningsmodeller.

Feature Description
AI Runtime Använd serverlös GPU-beräkning för anpassad djupinlärningsträning och slutsatsdragningsarbetsbelastningar.
Exempel på distribuerad utbildning Utforska exempel på distribuerad djupinlärning med Ray, TorchDistributor och DeepSpeed.
Metodtips för DL Lär dig mer om ramverksval, datainläsning, distribuerad skalning och hantering av livscykeln för djupinlärningsmodellen.
Ray på Databricks Skala ML-arbetsbelastningar med distribuerad databehandling för storskalig modellträning och slutsatsdragning.

Distribuera och hantera modeller

Distribuera modeller till produktion med skalbara slutpunkter för realtids-, strömnings- eller batchinferens.

Feature Description
Modelltjänst Distribuera anpassade modeller och LLM:er som REST-slutpunkter med stöd för automatisk skalning och GPU.
AI Gateway Styra och övervaka åtkomsten till modeller som hanteras på Azure Databricks med användningsspårning, nyttolastloggning och säkerhetskontroller.
Batch-slutsatsdragning Distribuera modeller för batch- och strömningsinferens och förutsägelse på stora datamängder.
API:er för grundmodell Få åtkomst till och fråga efter toppmoderna GenAI-modeller som hanteras av Databricks.

Övervaka och styra ML-system

Säkerställa modellkvalitet, dataintegritet och efterlevnad med omfattande övervaknings- och styrningsverktyg.

Feature Description
Unity-katalog Styr data, funktioner, modeller och funktioner med enhetlig åtkomstkontroll, ursprungsspårning och identifiering.
MLflow för modeller Hantera hela ML-livscykeln, från experiment och modeller till utvärdering och distribution.
Avvikelseidentifiering Övervaka datas färskhet och fullständighet på katalognivå.
Dataprofilering Övervaka datakvalitet, modellprestanda och prediktionsavvikelser med automatiserade aviseringar och grundorsaksanalys.

Produktionsanpassa ML-arbetsflöden

Skala maskininlärningsåtgärder med automatiserade arbetsflöden, CI/CD-integrering och produktionsklara pipelines.

Feature Description
Modeller i Unity-katalogen Använd modellregistret i Unity Catalog för centraliserad styrning och för att hantera modellens livscykel, inklusive distributioner.
Lakeflow-jobb Skapa automatiserade arbetsflöden för ML-pipelines.
Deklarativa Automationspaket Hantera Azure Databricks infrastruktur som kod för CI/CD, inklusive ML-utbildning och distribution.
MLOps-arbetsflöden Lär dig mer om MLOps från slutpunkt till slutpunkt med automatiserade tränings-, testnings- och distributionspipelines.
  • Last updated on