写给大数据开发：在Databricks中自定义函数

news2025/1/9 18:50:28

你是否曾经在处理海量数据时感到力不从心?是否在重复编写相似代码时感到厌烦?如果是,那么Databricks中的自定义函数可能就是你一直在寻找的救星。在接下来的5分钟里,让我们一起探索如何利用这个强大的工具来revolutionize你的大数据开发工作流程。

目录

    • 为什么要在Databricks中使用自定义函数?
    • Databricks中自定义函数的类型
    • 如何在Databricks中创建自定义函数
      • 3.1 Python UDF
      • 3.2 Pandas UDF
      • 3.3 SQL UDF
    • 自定义函数的性能优化
    • 自定义函数的最佳实践
    • 常见问题和解决方案
    • 结语

为什么要在Databricks中使用自定义函数?

image.png

在大数据开发的世界里,效率就是生命。而Databricks的自定义函数(User-Defined Functions, UDFs)正是提升效率的利器。想象一下,你可以将那些反复使用的复杂逻辑封装成一个简单的函数调用,是不是很酷?

自定义函数不仅可以大大减少代码重复,还能提高代码的可读性和可维护性。更重要的是,它们能够seamlessly地集成到Spark SQL和DataFrame操作中,让你的数据处理pipeline更加流畅。

让我们来看一个简单的例子。假设你经常需要将温度从摄氏度转换为华氏度:

# 未使用自定义函数
df = spark.createDataFrame([(0,), (10,), (20,), (30,)], ["celsius"])
df_fahrenheit = df.withColumn("fahrenheit", (df.celsius * 9/5) + 32)

# 使用自定义函数
from pyspark.sql.functions import udf
from pyspark.sql.types import DoubleType

@udf(returnType=DoubleType())
def celsius_to_fahrenheit(celsius):
    return (celsius * 9/5) + 32

df_fahrenheit = df.withColumn("fahrenheit", celsius_to_fahrenheit(df.celsius))

看到区别了吗?使用自定义函数后,我们的代码变得更加清晰,而且可以在任何需要的地方重复使用这个转换逻辑。

Databricks中自定义函数的类型

image.png

Databricks支持多种类型的自定义函数,以满足不同的需求:

  1. Python UDF: 使用Python编写,适用于简单的操作。
  2. Pandas UDF: 利用Pandas库的高性能,适用于复杂的数据操作。
  3. SQL UDF: 直接在SQL查询中使用,适用于SQL重度用户。

每种类型都有其特定的用途和优势。接下来,我们将深入探讨如何创建和使用这些不同类型的自定义函数。

如何在Databricks中创建自定义函数

3.1 Python UDF

Python UDF是最简单和最常用的自定义函数类型。它们易于编写,适用于大多数简单到中等复杂度的操作。
image.png
让我们创建一个稍微复杂一点的Python UDF,用于计算给定文本中的单词数:

from pyspark.sql.functions import udf
from pyspark.sql.types import IntegerType

@udf(returnType=IntegerType())
def word_count(text):
    if text is None:
        return 0
    return len(text.split())

# 创建示例DataFrame
df = spark.createDataFrame([
    ("Hello world",),
    ("This is a longer sentence",),
    (None,),
    ("Databricks is awesome for big data",)
], ["text"])

# 应用UDF
result_df = df.withColumn("word_count", word_count(df.text))

# 显示结果
result_df.show(truncate=False)

输出结果:

+-----------------------------------+----------+
|text                               |word_count|
+-----------------------------------+----------+
|Hello world                        |2         |
|This is a longer sentence          |5         |
|null                               |0         |
|Databricks is awesome for big data |6         |
+-----------------------------------+----------+

在这个例子中,我们定义了一个word_count函数,它接受一个文本字符串作为输入,并返回单词数量。我们使用@udf装饰器将这个Python函数转换为Spark UDF,并指定返回类型为IntegerType()。

注意我们如何处理了None值,这在处理真实世界的数据时非常重要。始终记住要考虑边界情况和异常情况。

3.2 Pandas UDF

image.png

当你需要处理更复杂的数据操作时,Pandas UDF是一个很好的选择。Pandas UDF允许你利用Pandas库的高性能数据处理能力,同时还能与Spark的分布式计算框架无缝集成。

让我们创建一个Pandas UDF来计算移动平均值:

import pandas as pd
from pyspark.sql.functions import pandas_udf
from pyspark.sql.types import DoubleType

@pandas_udf(DoubleType())
def moving_average(values: pd.Series, window: int) -> pd.Series:
    return values.rolling(window=window, min_periods=1).mean()

# 创建示例DataFrame
df = spark.createDataFrame([
    (1, 10.0),
    (2, 20.0),
    (3, 15.0),
    (4, 30.0),
    (5, 25.0),
    (6, 40.0)
], ["id", "value"])

# 应用Pandas UDF
window_size = 3
result_df = df.withColumn("moving_avg", moving_average(df.value, window_size))

# 显示结果
result_df.show()

输出结果:

+---+-----+------------------+
| id|value|        moving_avg|
+---+-----+------------------+
|  1| 10.0|              10.0|
|  2| 20.0|              15.0|
|  3| 15.0|              15.0|
|  4| 30.0|21.666666666666668|
|  5| 25.0| 23.33333333333333|
|  6| 40.0| 31.66666666666667|
+---+-----+------------------+

在这个例子中,我们定义了一个moving_average函数,它使用Pandas的rolling函数计算移动平均值。我们使用@pandas_udf装饰器将这个函数转换为Pandas UDF。

注意Pandas UDF的语法与Python UDF略有不同。这里我们明确指定了输入和输出的类型都是pd.Series。这种类型提示不仅提高了代码的可读性,还能帮助Spark优化执行计划。

Pandas UDF特别适合于需要在一组值上进行操作的场景,比如时间序列分析、统计计算等。它能够充分利用Pandas的向量化操作,大大提高处理效率。

3.3 SQL UDF

如果你更喜欢使用SQL进行数据处理,Databricks也支持创建SQL UDF。这种类型的UDF直接在SQL查询中定义和使用,非常适合那些习惯于SQL的数据分析师和工程师。
image.png

让我们创建一个SQL UDF来计算给定数字的阶乘:

-- 创建SQL UDF
CREATE OR REPLACE FUNCTION factorial(n INT)
RETURNS INT
RETURN 
  CASE 
    WHEN n <= 1 THEN 1
    ELSE n * factorial(n-1)
  END;

-- 创建示例表
CREATE OR REPLACE TEMPORARY VIEW numbers AS
SELECT 1 AS n
UNION ALL SELECT 2
UNION ALL SELECT 3
UNION ALL SELECT 4
UNION ALL SELECT 5;

-- 使用SQL UDF
SELECT n, factorial(n) AS factorial_n
FROM numbers
ORDER BY n;

输出结果:

+---+-----------+
|  n|factorial_n|
+---+-----------+
|  1|          1|
|  2|          2|
|  3|          6|
|  4|         24|
|  5|        120|
+---+-----------+

在这个例子中,我们首先定义了一个名为factorial的SQL UDF。这个函数使用递归方法计算阶乘。然后,我们创建了一个临时视图numbers,并在查询中使用我们的UDF。

SQL UDF的一大优势是它可以直接在SQL查询中使用,无需切换到Python环境。这对于那些主要使用SQL进行数据分析的用户来说非常方便。

但是要注意,SQL UDF通常比Python UDF或Pandas UDF的性能稍差,特别是在处理复杂逻辑时。因此,在选择使用SQL UDF时,要权衡便利性和性能需求。

自定义函数的性能优化

image.png

虽然自定义函数为我们提供了强大的功能,但如果使用不当,也可能成为性能瓶颈。以下是一些优化自定义函数性能的技巧:

  1. 选择正确的UDF类型: 对于简单操作,使用Python UDF;对于复杂的数据操作,特别是涉及到向量化操作时,使用Pandas UDF。

  2. 最小化数据传输: UDF的执行涉及到数据从Spark执行器到UDF执行环境的序列化和反序列化。尽量在UDF内部完成尽可能多的操作,减少数据传输。

  3. 使用广播变量: 如果你的UDF需要使用大型查找表或配置数据,考虑使用Spark的广播变量。

  4. 批处理: Pandas UDF默认就是批处理的,但对于Python UDF,你可以使用pandas_udf的PandasUDFType.SCALAR类型来实现批处理。

  5. 避免在UDF中使用全局变量: 这可能导致不必要的数据shuffle。

让我们通过一个例子来说明如何优化UDF:

from pyspark.sql.functions import pandas_udf, PandasUDFType
import pandas as pd

# 假设这是一个大型查找表
lookup_table = {i: f"value_{i}" for i in range(1000000)}

# 使用广播变量
broadcast_lookup = spark.sparkContext.broadcast(lookup_table)

@pandas_udf("string", PandasUDFType.SCALAR)
def optimized_lookup(keys: pd.Series) -> pd.Series:
    # 使用广播变量进行查找
    return keys.map(lambda x: broadcast_lookup.value.get(x, "not_found"))

# 创建示例DataFrame
df = spark.createDataFrame([(i,) for i in range(10)], ["key"])

# 应用优化后的UDF
result_df = df.withColumn("value", optimized_lookup(df.key))

# 显示结果
result_df.show()

在这个例子中,我们使用了几种优化技巧:

  1. 我们使用了pandas_udf来创建一个批处理UDF,这比传统的Python UDF更高效。
  2. 我们使用了广播变量来分发大型查找表,避免了在每个任务中重复序列化和反序列化这个大表。
  3. 我们在UDF内部使用了Pandas的向量化操作(map),这比循环遍历每个元素要快得多。

通过这些优化,我们的UDF可以更高效地处理大量数据。

自定义函数的最佳实践

image.png

在Databricks中使用自定义函数时,遵循一些最佳实践可以帮助你写出更好的代码:

  1. 保持函数简单: 每个函数应该只做一件事,并且做好这件事。复杂的函数难以理解和维护。

  2. 适当的错误处理: 在函数中加入适当的错误处理逻辑,以防止因为异常数据导致整个作业失败。

  3. 详细的文档: 为你的函数添加清晰的文档字符串,说明函数的用途、参数和返回值。

  4. 测试: 在将UDF应用到大型数据集之前,先在小的数据样本上测试。

  5. 版本控制: 将你的UDF代码纳入版本控制系统,方便追踪修改和协作。

  6. 命名规范: 使用有意义的函数名和变量名,遵循PEP 8命名规范。

让我们通过一个例子来说明这些最佳实践：

from pyspark.sql.functions import udf
from pyspark.sql.types import StringType
import re

@udf(returnType=StringType())
def clean_and_standardize_text(text: str) -> str:
    """
    清理并标准化输入文本。
    
    此函数执行以下操作：
    1. 将文本转换为小写
    2. 移除所有非字母数字字符
    3. 将多个空格替换为单个空格
    4. 去除首尾空白字符
    
    参数：
    text (str): 需要清理的输入文本
    
    返回：
    str: 清理和标准化后的文本
    
    异常：
    TypeError: 如果输入不是字符串类型
    """
    if not isinstance(text, str):
        raise TypeError("Input must be a string")
    
    try:
        # 转换为小写
        text = text.lower()
        # 移除非字母数字字符
        text = re.sub(r'[^a-z0-9\s]', '', text)
        # 将多个空格替换为单个空格
        text = re.sub(r'\s+', ' ', text)
        # 去除首尾空白字符
        return text.strip()
    except Exception as e:
        # 记录错误，但返回原始输入，以避免任务失败
        print(f"Error processing text: {e}")
        return text

# 创建示例DataFrame
df = spark.createDataFrame([
    ("Hello, World! 123",),
    ("  Data   Science  is  AWESOME!!!  ",),
    ("Python & Spark",),
    (None,)
], ["text"])

# 应用UDF
result_df = df.withColumn("cleaned_text", clean_and_standardize_text(df.text))

# 显示结果
result_df.show(truncate=False)

这个例子展示了以下最佳实践：

  1. 函数简单明了：函数只做一件事 - 清理和标准化文本。
  2. 错误处理：我们检查了输入类型，并在处理过程中捕获了可能的异常。
  3. 详细文档：函数有清晰的文档字符串，解释了它的用途、参数和返回值。
  4. 命名规范：函数名clean_and_standardize_text清楚地表明了其功能。

通过遵循这些最佳实践，我们创建了一个健壮、可读、可维护的UDF。

常见问题和解决方案

image.png

在使用Databricks自定义函数时，开发者可能会遇到一些常见问题。让我们探讨其中的一些问题及其解决方案：

  1. 性能问题

问题：UDF执行速度慢，特别是在处理大型数据集时。

解决方案：

  • 使用Pandas UDF代替普通Python UDF
  • 减少UDF内的数据移动
  • 考虑使用内置函数代替UDF（如果可能的话）

示例：

from pyspark.sql.functions import pandas_udf
from pyspark.sql.types import DoubleType
import pandas as pd

# 低效的Python UDF
@udf(returnType=DoubleType())
def slow_square(x):
    return float(x ** 2)

# 高效的Pandas UDF
@pandas_udf(DoubleType())
def fast_square(x: pd.Series) -> pd.Series:
    return x ** 2

# 创建示例DataFrame
df = spark.range(1000000)

# 比较性能
%time df.withColumn("squared_slow", slow_square(df.id)).count()
%time df.withColumn("squared_fast", fast_square(df.id)).count()
  1. 序列化错误

问题：在UDF中使用不可序列化的对象时出现错误。

解决方案：

  • 确保UDF中使用的所有对象都是可序列化的
  • 使用@pandas_udf并在函数内部创建不可序列化的对象

示例：

from pyspark.sql.functions import pandas_udf
from pyspark.sql.types import StringType
import pandas as pd
import nltk

# 这会失败，因为nltk.tokenize.word_tokenize不可序列化
@udf(returnType=StringType())
def tokenize_udf_wrong(text):
    return " ".join(nltk.tokenize.word_tokenize(text))

# 这样可以工作
@pandas_udf(StringType())
def tokenize_udf_correct(text: pd.Series) -> pd.Series:
    nltk.download('punkt', quiet=True)
    return text.apply(lambda x: " ".join(nltk.tokenize.word_tokenize(x)))

# 创建示例DataFrame
df = spark.createDataFrame([("Hello world!",), ("How are you?",)], ["text"])

# 应用正确的UDF
result_df = df.withColumn("tokenized", tokenize_udf_correct(df.text))
result_df.show(truncate=False)
  1. 数据类型不匹配

问题：UDF的返回类型与预期不符。

解决方案：

  • 明确指定UDF的返回类型
  • 在UDF内部进行适当的类型转换

示例：

from pyspark.sql.functions import udf
from pyspark.sql.types import IntegerType, StringType

# 错误的UDF - 返回类型不匹配
@udf(returnType=IntegerType())
def length_udf_wrong(text):
    return len(text)  # 这会失败，因为Python的len()返回一个整数，但Spark期望一个可为null的整数

# 正确的UDF
@udf(returnType=IntegerType())
def length_udf_correct(text):
    if text is None:
        return None
    return len(text)

# 创建示例DataFrame
df = spark.createDataFrame([("hello",), (None,), ("world",)], ["text"])

# 应用正确的UDF
result_df = df.withColumn("length", length_udf_correct(df.text))
result_df.show()

通过理解这些常见问题和解决方案，你可以更有效地在Databricks中使用自定义函数，避免常见的陷阱，并编写更高效、更可靠的代码。

结语

在这篇博客中，我们深入探讨了Databricks中自定义函数的世界。从基本的Python UDF到高性能的Pandas UDF，再到灵活的SQL UDF，我们已经涵盖了广泛的主题。我们学习了如何创建这些函数，如何优化它们的性能，以及如何遵循最佳实践来编写高质量的代码。
image.png

自定义函数是Databricks生态系统中的一个强大工具。它们允许我们将复杂的逻辑封装在可重用的单元中，大大提高了代码的可读性和可维护性。通过正确使用UDF，我们可以显著提升数据处理的效率和灵活性。

然而，重要的是要记住，UDF并不是万能的解决方案。在某些情况下，使用Spark的内置函数或者重新设计数据处理流程可能是更好的选择。作为开发者，我们需要权衡使用UDF的便利性和潜在的性能影响。

最后，我鼓励你在自己的Databricks项目中尝试使用自定义函数。从小规模开始，逐步扩大应用范围。记住要经常测试和优化你的UDF，以确保它们在大规模数据集上也能高效运行。

随着你在Databricks中积累更多经验，你会发现自定义函数是你工具箱中不可或缺的一部分，能够帮助你更有效地处理各种数据挑战。

祝你在Databricks的旅程中一切顺利，happy coding！

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/2061456.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

kubernetes Pod 入门

kubernetes Pod 入门

一、Pod 的概念 kubernetes并不直接管理容器&#xff0c;它的最小管理单元是Pod。Pod是一个或多个容器的组合&#xff0c;这些容器贡献存储&#xff0c;网络&#xff0c;命名空间以及运行规范。在Pod中所有容器被统一安排和调度&#xff0c;在共享上下文中运行&#xff08;共享…
阅读更多...
一款基于BS的美食网站的设计与实现

一款基于BS的美食网站的设计与实现

TOC springboot586一款基于BS的美食网站的设计与实现--论文 选题背景 由于互联网技术的快速发展&#xff0c;使得各部门都是以数字化、信息化、无纸化的发展趋势&#xff0c;随着趋势的发展&#xff0c;各种决策系统、辅助系统也应运而生&#xff0c;其中&#xff0c;美食网…
阅读更多...
高性能Web服务器-- Nginx 的架构与安装详解

高性能Web服务器-- Nginx 的架构与安装详解

1.1 Nginx 概述 1.1.1 Nginx简介 Nginx&#xff1a;engine X &#xff0c;2002年开发&#xff0c;分为社区版和商业版(nginx plus ) 2019年3月11日 F5 Networks 6.7亿美元的价格收购 Nginx是免费的、开源的、高性能的HTTP和反向代理服务器、邮件代理服务器、以及TCP/UDP代理…
阅读更多...
如何用CWE API 来减轻软件产品中的安全风险

如何用CWE API 来减轻软件产品中的安全风险

本文分享自华为云开发者社区《用CWE API 减轻软件产品中的安全风险》作者&#xff1a; Uncle_Tom 1. CWE REST API 推出的目的 8 月 8 号&#xff0c;CWE™ 计划推出了“CWE REST API”。 CWE™计划由美国网络安全与基础设施安全局(Cybersecurity & Infrastructure Secur…
阅读更多...
PyTorch——Dataloader使用

PyTorch——Dataloader使用

一、Dataloader是啥 前面我在写PyTorch的第一篇文章里讲过Dataset是啥&#xff0c;Dataset就是将数据集分类&#xff0c;并且分析出这些数据集它的位置哪、大小多少、这个数据集一共有多少数据......等等信息 那么把Dataset比作一副扑克牌&#xff0c;那么如果你就让这副牌放在…
阅读更多...
《机器学习》 逻辑回归 大批量数据的下采样 ＜8＞

《机器学习》 逻辑回归 大批量数据的下采样 ＜8＞

一、案例文件 同样使用上节课的银行贷款案例&#xff0c;其文件内容大致如下&#xff1a;&#xff08;共28万多条&#xff0c;31列&#xff09; 现在要继续接着上节课的内容对模型进行优化 二、下采样流程 1、流程图示 2、具体流程介绍 1&#xff09;切分原数据集 大…
阅读更多...
77、ansible及常见模块

77、ansible及常见模块

ansible 一、ansible&#xff1a; 远程自动化运维 ansible是基于python开发的配置管理和应用部署工具。 也是自动化运维的重要工具。 可以批量配置&#xff0c;部署&#xff0c;管理上千台主机。 只需要在一台主机ansible就可以完成其他主机的操作。 1.1、操作模式&…
阅读更多...
Dell 服务器 PowerEdge T440 通过BIOS配置RAID阵列

Dell 服务器 PowerEdge T440 通过BIOS配置RAID阵列

目录 1.清除当前RAID磁盘阵列配置 1.1开机按F2进入System Setup管理界面&#xff1b; 1.2点击Device Settings; 1.3选择RAID controller in Slot 4:DELL PERC Configuration Utility&#xff1b;卡型号> 1.4选择Configuration Management&#xff1b; 1.5选择View Dis…
阅读更多...
Java 2.4 - JVM

Java 2.4 - JVM

一、Java 内存区域详解&#xff08;重点&#xff09; 本篇讨论的是 HotSpot 虚拟机 相比于 C 而言&#xff0c;程序员不需要对每个 new 操作都写对应的 delete / free 操作&#xff0c;这些操作我们会交给虚拟机去做。因此&#xff0c;如果不了解虚拟机的原理&#xff0c;一旦…
阅读更多...
React 学习——React.memo

React 学习——React.memo

1、默认情况下&#xff1a;子跟着父一起渲染 2、memo 缓存,只有props发生变化的时候才会重新渲染 import { memo, useState } from react; // 默认情况下&#xff1a;子跟着父一起渲染 //memo 缓存,只有props发生变化的时候才会重新渲染 const MemoSon memo(function Son()…
阅读更多...
Java使用Easy Excel对Excel进行操作

Java使用Easy Excel对Excel进行操作

Easy Excel使用教程API&#xff1a; 读Excel | Easy Excel 官网 使用代码示例&#xff1a; 需要自行创建一个Maven项目&#xff0c;然后pom文件中需要的依赖如下&#xff1a; <dependencies><!-- easyExcel 表格依赖 --><dependency><groupId>com.a…
阅读更多...
Qt实现tcp协议

Qt实现tcp协议

void Widget::readyRead_slot() {//读取服务器发来的数据QByteArray msg socket->readAll();QString str QString::fromLocal8Bit(msg);QStringList list str.split(:);if(list.at(0) userName){QString str2;for (int i 1; i < list.count(); i) {str2 list.at(i);…
阅读更多...
数据结构初阶（1）——算法的时间复杂度和空间复杂度

数据结构初阶（1）——算法的时间复杂度和空间复杂度

目录 1.算法效率 1.1 如何衡量一个算法的好坏 1.2算法的复杂度 2.时间复杂度 2.1时间复杂度的概念 2.2大O的渐进表示法 2.3常见时间复杂度计算举例 4. 常见复杂度对比 5.复杂度的oj练习 5.1消失的数字 5.2旋转数组 1.算法效率 1.1 如何衡量一个算法的好坏 代码不一…
阅读更多...
探索数据结构：并查集的分析与实现

探索数据结构：并查集的分析与实现

✨✨ 欢迎大家来到贝蒂大讲堂✨✨ &#x1f388;&#x1f388;养成好习惯&#xff0c;先赞后看哦~&#x1f388;&#x1f388; 所属专栏&#xff1a;数据结构与算法 贝蒂的主页&#xff1a;Betty’s blog 1. 并查集的引入 1.1 并查集的概念 并查集是一种树型数据结构&#xf…
阅读更多...
StarRocks 存算分离数据回收原理

StarRocks 存算分离数据回收原理

前言 StarRocks存算分离表中&#xff0c;垃圾回收是为了删除那些无用的历史版本数据&#xff0c;从而节约存储空间。考虑到对象存储按照存储容量收费&#xff0c;因此&#xff0c;节约存储空间对于降本增效尤为必要。 在系统运行过程中&#xff0c;有以下几种情况可能会需要删…
阅读更多...
详解华为项目管理，附华为高级项目管理内训材料

详解华为项目管理，附华为高级项目管理内训材料

&#xff08;一&#xff09;华为在项目管理中通过有效的沟通、灵活的组织结构、坚持不懈的努力、细致的管理和科学的考核体系&#xff0c;实现了持续的创新和发展。通过引进先进的管理模式&#xff0c;强调以客户需求为导向&#xff0c;华为不仅优化了技术管理和项目研发流程&a…
阅读更多...
el-table自定义样式，表头固定，数据过多时滚动

el-table自定义样式，表头固定，数据过多时滚动

最终效果&#xff1a;&#xff08;此处没体现出来滚动&#xff0c;数据没那么多&#xff09; 1.表头固定&#xff0c;设置表头样式&#xff0c;修改表格背景色 <div class"category-table"> <el-table ref"tableRef" class"common-table&quo…
阅读更多...
java之类和对象的介绍

java之类和对象的介绍

1.面向对象和面向过程的概念&#xff1a; 面向对象&#xff1a;面向对象是解决问题的一种思想&#xff0c;主要依靠对象之间的交互完成一件事。 面向过程&#xff1a;注重完成一件事情的过程&#xff0c;后续代码维护扩展较为麻烦。 以洗衣服为例&#xff0c;面向对象为传统…
阅读更多...
微软AI人工智能认证有哪些？

微软AI人工智能认证有哪些？

微软提供的人工智能认证主要包括以下几个方面&#xff1a; Azure AI Fundamentals&#xff08;AI900认证&#xff09;&#xff1a;这是一个基础认证&#xff0c;旨在展示与Microsoft Azure软件和服务开发相关的基本AI概念&#xff0c;以创建AI解决方案。它面向具有技术和非技术…
阅读更多...
C++学习路线分享

C++学习路线分享

我上大学学的第一门编程语言便是C&#xff0c;靠着那本饱受诟病的谭浩强版的教材度过了大一上学期。学的内容现在看来相当之浅&#xff0c;如果没记错的话只学了个基本的语法&#xff0c;考试的时候考一些冒泡&#xff0c;快排之类的东西就结束了。感觉那些有计算机教育背景的学…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023