Vstup a výstup dat
Důležité
Podpora studia Machine Learning (Classic) skončí 31. srpna 2024. Doporučujeme do tohoto data přejít na službu Azure Machine Learning.
Od 1. prosince 2021 nebude možné vytvářet nové prostředky studia Machine Learning (Classic). Do 31. srpna 2024 můžete pokračovat v používání stávajících prostředků studia Machine Learning (Classic).
- přečtěte si informace o přesunu projektů strojového učení z ML Studio (classic) do Azure Machine Learning.
- přečtěte si další informace o Azure Machine Learning.
Dokumentace ke studiu ML (Classic) se vyřazuje z provozu a v budoucnu se nemusí aktualizovat.
Poznámka
platí pro: jenom Machine Learning Studio (classic)
podobné moduly přetažení jsou k dispozici v návrháři Azure Machine Learning.
v tomto článku jsou uvedené moduly, které můžete použít pro import a export dat a modelů v aplikaci Machine Learning Studio (classic).
Kromě použití modulů můžete přímo nahrávat a stahovat datové sady z místních souborů na vašem počítači nebo v síti. další informace najdete v tématu Upload stávajících dat do experimentu Machine Learning.
tady jsou některé ze zdrojů, které můžete použít k importu a exportu dat a modelů v Machine Learning studiu (classic):
- získejte data ze zdrojů v cloudu, jako je například Azure SQL Database, Azure SQL Data Warehouse, Azure Storage a Azure Cosmos DB. můžete také importovat data, která jsou poskytována jako veřejná webová adresa URL, získat data ze systému Hadoop pomocí dotazu na podregistr nebo zadat dotaz na místní SQL server.
- Načtěte kolekci imagí z úložiště objektů BLOB v Azure, které se použijí v úlohách klasifikace imagí.
- Extrahujte data ze souborů zip, které jste nahráli do Machine Learning. Datové sady můžete použít v experimentech.
- malé datové sady vytvoříte tak, že zadáte v uživatelském rozhraní Machine Learning Studio (classic). To může být užitečné při vytváření malých testovacích datových sad.
- uložte výsledky nebo mezilehlé data do úložiště tabulek Azure, Blob storage, SQL databáze nebo dotazu na podregistr.
- Získejte trained model z adresy URL nebo úložiště objektů BLOB a pak ho použijte v experimentu.
Poznámka
moduly v této skupině přesunují data do nebo z Machine Learning studia (classic). Moduly nemůžete použít k filtrování, přetypování nebo transformaci dat během procesu importu nebo exportu.
další informace o tom, jak transformovat a filtrovat data v Machine Learning studiu (classic), najdete v tématu transformace dat.
Zdroje informací
Následující články představují běžné scénáře dat ve službě Machine Learning:
Začínáme
Naučte se spravovat data pro strojové učení v cloudu. Informace v tomto článku jsou založené na špičkovém standardu DM. Tento článek poskytuje ucelené návody, které předvádějí integraci strojového učení s datovými řešeními cloudu, jako je Azure HDInsight a SQL Database.
Tento článek popisuje, jak získat data do Azure a pak vytvořit experiment.
Pokročilé vědecké zpracování dat
naučte se instalovat klientskou knihovnu Machine Learning pythonu a pak ji použít pro přístup k metadatům a práci s datovými sadami.
Ukázkové experimenty
Seznam modulů
Kategorie vstup a výstup dat zahrnuje následující moduly:
- Zadat data ručně: umožňuje vytvořit malé datové sady zadáním hodnot.
- Export dat: zapisuje datovou sadu na adresy url webu nebo různé formy cloudového úložiště v Azure, jako jsou tabulky, objekty blob nebo databáze SQL.
- Import dat: načte data z externích zdrojů na webu a z různých forem cloudového úložiště v Azure, jako je tabulka úložiště, Blob storage, SQL Database, SQL Data Warehouse, Azure Cosmos DB nebo dotaz na podregistr. data můžete také importovat z místní databáze SQL Server.
- Model vyškolený od zatížení: Získá vycvičený model z adresy URL nebo úložiště objektů blob, který se má použít v experimentu bodování.
- UNPACKgetdatasets: dekomprimuje datovou sadu uloženou ve formátu zip a potom přidá datovou sadu do svého pracovního prostoru.