Agent Evaluation on Databricks - Mandarin Chinese

本综合课程提供了一份在 Databricks 上开发传统机器学习模型的实用指南，重点介绍使用主流 ML 库进行实践演示和工作流程。学员将浏览关键 ML 技术，包括回归和集群化，同时充分利用 Databricks 的强大功能。课程涵盖用于模型追踪的 MLflow 集成、用于功能管理的 Databricks 特征存储，以及用于超参数调优的 Optuna。此外，学员还将学习如何借助 Genie Code 加速模型开发——这是 Databricks 的 AI 驱动编程助手，利用自然语言、MCP 连接、指令和技能来指南完整的 ML 生命周期。课程结束时，学员将具备在 Databricks 环境中高效开发、优化和部署机器学习模型的实际应用技能。

注意：1. 这是 'Machine Learning with Databricks' 系列课程中的第二门课程。2. 对于 SCORM 课程文件，请确保完成内容后关闭 SCORM 窗口。请勿点击 ‘Next Lesson’ 按钮，否则可能导致 SCORM 模块无法标记为已完成。

本课程涵盖在 Databricks 上部署和监控生成式 AI 智能体的端到端生命周期。学员将学习如何使用 Declarative Automation Bundles（DABs）将智能体部署为 Databricks Apps，通过模型上下文协议（MCP）集成工具，使用 MLflow Tracing 对智能体进行埋点，以及使用评分器、多轮评判器和在线评估来评估生产质量。通过动手演示和实验，学员将获得在 Databricks 平台上构建、观测和监控生产级 AI 智能体的实践经验。

注意：对于 SCORM 讲授文件，请确保在完成内容后关闭 SCORM 窗口。请勿点击“Next Lesson”按钮，否则可能导致 SCORM 模块无法被标记为已完成。

本课程旨在介绍三种主要的机器学习部署策略，并阐述每种策略在 Databricks 上的实现方式。在探索模型部署基础知识之后，课程将深入讲解批处理推理，提供动手演示和实验，帮助学员在批处理推理场景中使用模型，同时介绍性能优化的相关注意事项。课程第二部分全面涵盖管道部署，最后一部分则聚焦于实时部署。学员将参与动手演示和实验，使用 Model Serving 部署模型，并利用服务端点进行实时推理。

注意：

这是 'Machine Learning with Databricks’ 系列课程中的第三门课程。对于 SCORM 课程文件，请确保完成内容后关闭 SCORM 窗口。请勿点击 ‘Next Lesson’ 按钮，否则可能导致 SCORM 模块无法标记为已完成。