Strojové učení pro aplikace v Pythonu v Azure

Následující články vám pomůžou začít pracovat se službou Azure Machine Učení. Rozhraní REST API služby Azure Machine Učení v2, rozšíření Azure CLI a sada Python SDK urychlují životní cyklus produkčního strojového učení. Odkazy v tomto článku cílí na verzi 2, což se doporučuje, pokud spouštíte nový projekt strojového učení.

Začínáme

Pracovní prostor je prostředek nejvyšší úrovně pro Azure Machine Learning, který nabízí centralizované místo, kde můžete pracovat se všemi artefakty, které vytvoříte při použití služby Azure Machine Learning.

• Rychlý start: Začínáme se službou Azure Machine Učení
• Správa pracovních prostorů Azure Machine Učení na portálu nebo pomocí sady Python SDK (v2)
• Spouštění poznámkových bloků Jupyter ve vašem pracovním prostoru
• Kurz: Vývoj modelů na cloudové pracovní stanici

Modely nasazení

Nasaďte modely strojového učení pro odvozování v reálném čase.

• Kurz: Návrhář – nasazení modelu strojového učení
• Nasazení a určení skóre modelu strojového učení pomocí online koncového bodu

Automatizované strojové učení

Automatizované strojové učení, označované také jako automatizované strojové učení nebo AutoML, je proces automatizace časově náročných iterativních úloh vývoje modelů strojového učení.

• Trénování regresního modelu pomocí AutoML a Pythonu (SDK v1)
• Nastavení trénování AutoML pro tabulková data pomocí Azure Machine Učení CLI a Sady Python SDK (v2)

Přístup k datům

Pomocí služby Azure Machine Učení můžete přenést data z místního počítače nebo z existujícího cloudového úložiště.

• Vytváření a správa datových prostředků
• Kurz: Nahrání, přístup k datům a prozkoumání dat ve službě Azure Machine Učení
• Přístup k datům v úloze

Kanály Machine Learningu

Pomocí kanálů strojového učení vytvořte pracovní postup, který spojuje různé fáze ML.

• Použití Azure Pipelines se službou Azure Machine Učení
• Vytváření a spouštění kanálů strojového učení pomocí komponent se sadou Azure Machine Učení SDK v2
• Kurz: Vytvoření produkčních kanálů ML pomocí sady Python SDK v2 v poznámkovém bloku Jupyter