本部分中的教程演示了如何在经典 ML 和 gen AI 工作负载的 AI 生命周期中使用 Azure Databricks。
如果你不熟悉 Azure Databricks 上的 AI，请参阅 快速入门：Databricks 上的生成 AI 和机器学习 ，获取旨在快速开始使用 AI 的笔记本和教程的特选列表。
经典 ML 教程
可以将每个笔记本导入 Azure Databricks 工作区以运行它们。
| 笔记本 | 功能 |
|---|---|
| 部署和查询自定义模型 | Unity Catalog，分类模型，MLflow，模型服务，Hugging Face Transformer，PyFunc 模型 |
| 使用 scikit-learn 进行机器学习 | Unity Catalog、分类模型、MLflow、使用 Optuna 和 MLflow 进行自动化超参数调整 |
| 使用 MLlib 的机器学习 | 逻辑回归模型、Spark 管道，使用 MLlib API 的自动超参数优化 |
| 使用 TensorFlow Keras 的深度学习 | 神经网络模型、内联 TensorBoard、通过 Hyperopt 和 MLflow 实现的自动超参数优化、自动日志记录、模型注册表 |
深度学习教程
| 笔记本 | 要求 | 功能 |
|---|---|---|
| 端到端 PyTorch 示例 | Databricks 运行时机器学习 | Unity Catalog、PyTorch、MLflow、使用 Optuna 和 MLflow 进行的自动超参数优化 |
Gen AI 教程
可以将每个笔记本导入 Azure Databricks 工作区以运行它们。
| 笔记本 | 功能 |
|---|---|
| 查询 OpenAI 外部模型终结点 | OpenAI API、MLflow、外部模型、Databricks Secrets |
| 创建和部署基础模型微调运行 | 基础模型微调， databricks_genai SDK |
| 生成、评估和部署生产级 AI 代理 | 马赛克 AI 代理框架， 代理评估， MLflow， 综合数据 |