Maschinelles Lernen für Python-Apps in Azure

Die folgenden Artikel helfen Ihnen bei den ersten Schritten mit Azure Machine Learning. Azure Machine Learning v2 REST-APIs, Azure CLI-Erweiterung und Python SDK sind so konzipiert, dass der gesamte Machine Learning-Lebenszyklus optimiert und Produktionsworkflows beschleunigt werden. Die Links in diesem Artikel zielen auf v2 ab, die empfohlen wird, wenn Sie ein neues Machine Learning-Projekt starten.

Erste Schritte

In Azure Machine Learning ist der Arbeitsbereich die Hauptressource, die alles organisiert und verwaltet, was Sie erstellen, z. B. Datasets, Modelle und Experimente.

• Schnellstart: Erste Schritte mit Azure Machine Learning
• Verwalten von Azure Machine Learning-Arbeitsbereichen im Portal oder mit dem Python SDK (v2)
• Führen Sie Jupyter-Notizbücher in Ihrem Arbeitsbereich aus
• Tutorial: Modellentwicklung auf einer Cloudarbeitsstation

Bereitstellen von Modellen

Stellen Sie Modelle für maschinelles Lernen mit geringer Latenz für Echtzeitvorhersagen bereit.

• Lernprogramm: Designer – Bereitstellen eines Machine Learning-Modells
• Bereitstellen und Bewerten eines Machine Learning-Modells mithilfe eines Onlineendpunkts

Automatisiertes maschinelles Lernen

Automated ML (AutoML) bezieht sich auf den Prozess der Rationalisierung der Entwicklung von Maschinenlernmodellen, indem repetitive und zeitaufwendige Aufgaben automatisiert werden.

• Trainieren eines Regressionsmodells mit AutoML und Python (SDK v1)
• Einrichten von AutoML-Schulungen für tabellarische Daten mit dem Azure Machine Learning CLI und Python SDK (v2)

Datenzugriff

Mit Azure Machine Learning können Sie Daten von Ihrem lokalen Computer importieren oder eine Verbindung mit vorhandenen Cloudspeicherdiensten herstellen.

• Erstellen und Verwalten von Datenressourcen
• Lernprogramm: Hochladen, Zugreifen und Erkunden Ihrer Daten in Azure Machine Learning
• Zugreifen auf Daten in einem Auftrag

Pipelines für maschinelles Lernen

Verwenden Sie Machine Learning-Pipelines, um Workflows zu erstellen, die verschiedene Phasen des ML-Prozesses verbinden.

• Verwenden von Azure Pipelines mit Azure Machine Learning
• Erstellen und Ausführen von Machine Learning-Pipelines mit Komponenten und dem Azure Machine Learning SDK v2
• Tutorial: Erstellen von Produktions-ML-Pipelines mit dem Python SDK v2 in einem Jupyter Notebook