現在你和團隊已經把先前的機器學習流程移轉到 Databricks 環境,你正要開始一個新的機器學習專案。
你要開發一個新的推薦引擎,會利用先前書評的脈絡資訊。因為是開發新模型,你還不確定使用哪個框架或參數組合能得到最佳模型。這正是使用 MLFlow 來追蹤所有模型執行的好時機,之後你就能從中挑出表現最好的模型。
本練習屬於課程
將理論付諸實踐,立即體驗我們的互動練習
了解雲端資料策略中的新 Lakehouse 範式,以及 Databricks Lakehouse 平台如何讓你的資料架構現代化。認識 Databricks 平台的基礎元件,以及它們如何彼此整合。
學習使用 Databricks 的功能來處理、轉換與清理你的資料。實作 Delta 儲存格式、Delta Live Tables 與 Workflows 等能力,將它們結合起來建立端到端的資料管線。
將 Databricks Lakehouse 平台作為你的資料倉儲解決方案,以支援商業智慧(BI)情境。使用 Databricks 內建、為 SQL 最佳化的功能,在你的資料上建立查詢與儀表板。
使用 Databricks 以受管的 MLFlow 管理你的機器學習管線。透過 Feature Store、Model Registry 與 Model Serving Endpoints,從端到端走過模型開發生命週期,在 Lakehouse 中打造健全的 MLOps 平台。
當前練習