Poznámka
Přístup k této stránce vyžaduje autorizaci. Můžete se zkusit přihlásit nebo změnit adresáře.
Přístup k této stránce vyžaduje autorizaci. Můžete zkusit změnit adresáře.
Následující články vám pomůžou začít se službou Azure Machine Learning. Rozhraní REST API služby Azure Machine Learning v2, rozšíření Azure CLI a sada Python SDK jsou navržené tak, aby zjednodušily celý životní cyklus strojového učení a urychlily produkční pracovní postupy. Odkazy v tomto článku cílí na verzi 2, což se doporučuje, pokud spouštíte nový projekt strojového učení.
Začínáme
V Azure Machine Learning je pracovní prostor hlavním prostředkem, který organizuje a spravuje všechno, co vytváříte, jako jsou datové sady, modely a experimenty.
- Rychlý start: Začínáme se službou Azure Machine Learning
- Správa pracovních prostorů Azure Machine Learning na portálu nebo pomocí sady Python SDK (v2)
- Spouštění poznámkových bloků Jupyter ve vašem pracovním prostoru
- Kurz: Vývoj modelů na cloudové pracovní stanici
Nasazení modelů
Nasaďte modely pro předpovědi strojového učení v reálném čase s nízkou latencí.
- Kurz: Návrhář – nasazení modelu strojového učení
- Nasazení a určení skóre modelu strojového učení pomocí online koncového bodu
Automatizované strojové učení
Automatizované strojové učení (AutoML) odkazuje na proces zjednodušení vývoje modelů strojového učení tím, že automatizuje opakované a časově náročné úlohy.
- Trénování regresního modelu pomocí AutoML a Pythonu (SDK v1)
- Nastavení trénování AutoML pro tabulková data pomocí azure Machine Learning CLI a sady Python SDK (v2)
Přístup k datům
Pomocí služby Azure Machine Learning můžete importovat data z místního počítače nebo se připojit ke stávajícím službám cloudového úložiště.
- Vytváření a správa datových prostředků
- Kurz: Nahrání, přístup k datům a prozkoumání dat ve službě Azure Machine Learning
- Přístup k datům v úloze
Kanály strojového učení
Pomocí kanálů strojového učení můžete vytvářet pracovní postupy, které propojují různé fáze procesu ML.