通过上述各章节的指南，我们完整演示了在 Azure Databricks 上的动手实践过程。从环境搭建、数据分析处理，到机器学习模型的构建调优、部署，以及 Delta Lake 在数据湖上的高级特性运用。体会到 Azure Databricks 提供的一站式数据分析与机器学习平台的强大之处：环境整合：开发者可以在 Notebook 中无缝完成数据工程和机器学习的所有步骤，利用云上弹性 Spark

为了实现GitOps完全的私有化部署，完成最后一块拼图，将代码仓库gitlab也安装到本地环境。

我们完成了在 Azure Databricks 上使用 MLflow 的机器学习全流程实战：环境搭建： 从创建Databricks集群和Notebook开始，为项目提供计算资源和开发环境。数据加载与预处理： 获取公开数据集并进行清洗和特征工程，保证数据质量，为模型训练做好准备。模型训练与追踪： 使用 MLflow Tracking 记录实验过程，包括模型的代码、超参数、性能指标，以及输出的arti

由于我Kubernetes试验环境中使用local-path本地盘作为StorageClass不能解决多个节点共享使用的问题，因此准备使用nfs共享盘作为默认SC，在我的一台k8s机群节点上挂一块盘并做成nfs，然后作为k8s机群的存储使用，记录一下操作步骤。

本可以直接使用Docker Hub存储库中推荐的官方jenkins/jenkins映像，此镜像包含Jenkins的当前长期支持（LTS）版本，但是，此镜像不包含Docker CLI，也没有与常用的Blue Ocean插件及其功能捆绑在一起。前期使用GitHub/GitLab+Tekton+ArgoCD实现了GitOps的动手实验，现在计划换做Jenkins实现pinpeline的功能实现GitOp