Herstellen einer Verbindung mit Daten in Azure Machine Learning Studio

Wichtig

Dieser Artikel enthält Informationen zur Verwendung des Azure Machine Learning SDK v1. Das SDK v1 wird ab dem 31. März 2025 nicht mehr unterstützt und endet am 30. Juni 2026. Sie können das SDK v1 bis zu diesem Datum installieren und verwenden.

Es wird empfohlen, vor dem 30. Juni 2026 zum SDK v2 zu wechseln. Weitere Informationen zum SDK v2 finden Sie unter What is the Azure Machine Learning Python SDK v2 and the SDK v2 reference.

In diesem Artikel erfahren Sie, wie Sie mit Azure Machine Learning Studio auf Ihre Daten zugreifen. Stellen Sie eine Verbindung mit Ihren Daten in Azure-Speicherdiensten mit Azure Machine Learning-Datenspeichern her. Packen Sie dann diese Daten für ML-Workflowaufgaben mit Azure Machine Learning-Datasets.

In dieser Tabelle werden die Vorteile von Datenspeichern und Datasets definiert und zusammengefasst.

Objekt	BESCHREIBUNG	Vorteile
Datenspeicher	Um eine sichere Verbindung mit Ihrem Speicherdienst in Azure herzustellen, speichern Sie Ihre Verbindungsinformationen (Abonnement-ID, Tokenautorisierung usw.) in dem Key Vault, der dem Arbeitsbereich zugeordnet ist.	Da Ihre Informationen sicher gespeichert sind, gefährden Sie keine Authentifizierungsanmeldeinformationen oder ursprünglichen Datenquellen, und Sie müssen diese Werte nicht mehr in Ihren Skripts hartcodieren.
Datensätze	Durch Erstellen von Datasets erstellen Sie einen Verweis auf den Speicherort der Datenquelle zusammen mit einer Kopie der zugehörigen Metadaten. Mit Datasets können Sie während der Modellschulung auf Daten zugreifen, Daten freigeben, mit anderen Benutzern zusammenarbeiten und Open-Source-Bibliotheken wie Pandas für die Datensuche verwenden.	Da Datasets nur langsam ausgewertet werden und die Daten am vorhandenen Speicherort verbleiben, speichern Sie eine einzige Kopie der Daten in Ihrem Speicher. Darüber hinaus entstehen keine zusätzlichen Speicherkosten, Sie vermeiden unbeabsichtigte Änderungen an Ihren ursprünglichen Datenquellen, und Ihre ML-Workflowleistungsgeschwindigkeiten verbessern sich.

Weitere Informationen dazu, wo Datenspeicher und Datasets in den gesamten Azure Machine Learning-Datenzugriffsworkflow passen, finden Sie unter "Sicheren Zugriff auf Daten".

Weitere Informationen zum Azure Machine Learning Python SDK und einer Code-first-Erfahrung finden Sie unter

• Herstellen einer Verbindung mit Azure-Speicherdiensten mit Datenspeichern
• Erstellen von Azure Machine Learning-Datasets

Voraussetzungen

• Ein Azure-Abonnement. Wenn Sie kein Azure-Abonnement besitzen, können Sie ein kostenloses Konto erstellen, bevor Sie beginnen. Probieren Sie die kostenlose oder kostenpflichtige Version von Azure Machine Learning aus.

• Zugreifen auf Azure Machine Learning Studio

• Ein Azure Machine Learning-Arbeitsbereich. Erstellen von Arbeitsbereichsressourcen

  • Wenn Sie einen Arbeitsbereich erstellen, werden automatisch ein Azure-Blobcontainer und eine Azure-Dateifreigabe als Datenspeicher im Arbeitsbereich registriert. Sie erhalten die Namen workspaceblobstore und workspacefilestore. Für ausreichende Blobspeicherressourcen wird workspaceblobstore als Standarddatenspeicher festgelegt und bereits für die Verwendung konfiguriert. Für weitere BLOB-Speicherressourcen benötigen Sie ein Azure-Speicherkonto mit einem unterstützten Speichertyp.

Erstellen von Datenspeichern

Aus diesen Azure-Speicherlösungen können Sie Datenspeicher erstellen. Für nicht unterstützte Speicherlösungen sowie zur Einsparung von Kosten für ausgehende Daten bei ML-Experimenten müssen Sie Ihre Daten in eine unterstützte Azure-Speicherlösung verschieben. Weitere Informationen zu Datenspeichern finden Sie unter dieser Ressource.

Sie können Datenspeicher mit auf Anmeldeinformationen basierendem Zugriff oder identitätsbasiertem Zugriff erstellen.

Auf Anmeldeinformationen basierend

Erstellen Sie einen neuen Datenspeicher mit Azure Machine Learning Studio.

Wichtig

Wenn sich Ihr Datenspeicherkonto in einem virtuellen Netzwerk befindet, sind zusätzliche Konfigurationsschritte erforderlich, um sicherzustellen, dass das Studio auf Ihre Daten zugreifen kann. Besuchen Sie Netzwerkisolation und Datenschutz, um weitere Informationen zu den entsprechenden Konfigurationsschritten zu finden.

1. Melden Sie sich bei Azure Machine Learning Studio an.
2. Wählen Sie Daten im linken Bereich unter Ressourcen aus.
3. Wählen Sie oben Datenspeicher aus.
4. Wählen Sie +Erstellen aus.
5. Füllen Sie das Formular aus, um einen neuen Datenspeicher zu erstellen und zu registrieren. Das Formular aktualisiert sich ausgehend von den ausgewählten Optionen für den Azure-Speichertyp und den Authentifizierungstyp intelligent selbst. Weitere Informationen dazu, wo Sie die zum Auffüllen dieses Formulars erforderlichen Authentifizierungsanmeldeinformationen finden können, finden Sie im Abschnitt "Speicherzugriff und Berechtigungen " dieses Dokuments.

Der folgende Screenshot zeigt den Erstellungsbereich für Azure Blob-Datenspeicher :

Identitätsbasiert

Weitere Informationen zur Erstellung neuer Datenspeicher mit dem Azure Machine Learning Studio finden Sie unter Identitätsbasierter Datenzugriff.

Wichtig

Wenn sich Ihr Datenspeicherkonto in einem virtuellen Netzwerk befindet, sind zusätzliche Konfigurationsschritte erforderlich, um sicherzustellen, dass Studio auf Ihre Daten zugreifen kann. Besuchen Sie Netzwerkisolation und Datenschutz, um sicherzustellen, dass die erforderlichen Konfigurationsschritte ausgeführt wurden.

1. Melden Sie sich bei Azure Machine Learning Studio an.
2. Wählen Sie Daten im linken Bereich unter Ressourcen aus.
3. Wählen Sie oben Datenspeicher aus.
4. Wählen Sie +Erstellen aus.
5. Füllen Sie das Formular aus, um einen neuen Datenspeicher zu erstellen und zu registrieren. Das Formular aktualisiert sich ausgehend von den ausgewählten Optionen für den Azure-Speichertyp intelligent selbst. Weitere Informationen finden Sie unter den Speichertypen, die den identitätsbasierten Datenzugriff unterstützen.
   1. Kunden müssen den Namen des Speicherkontos und des Containers auswählen, den sie verwenden möchten.

Dafür ist die Blobleserrolle (für ADLS Gen 2 und Blob Storage) erforderlich. Die erstellende Person benötigt Berechtigungen, um den Inhalt der Rolle „Speicherleser“ des Abonnements und der Ressourcengruppe anzuzeigen.

1. Wählen Sie Nein für Anmeldeinformationen beim Datenspeicher für Datenzugriff speichern aus.

Der folgende Screenshot zeigt den Erstellungsbereich für Azure Blob-Datenspeicher :

Erstellen von Datenressourcen

Nachdem Sie einen Datenspeicher erstellt haben, erstellen Sie ein Dataset, um mit Ihren Daten zu interagieren. Datasets packen Ihre Daten in ein selten ausgewertetes nutzbares Objekt für Aufgaben des maschinellen Lernens wie z. B. das Training. Weitere Informationen zu Datasets finden Sie unter Erstellen von Azure Machine Learning-Datasets.

Es gibt zwei Typen von Datasets: FileDataset und TabularDataset. FileDatasets erstellen Verweise auf mindestens eine Datei oder auf öffentliche URLs. TabularDatasets stellen Ihre Daten in einem Tabellenformat dar. Sie können TabularDatasets aus

• .csv
• TSV
• .parquet
• .json Dateien und aus SQL-Abfrageergebnissen erstellen.

In den folgenden Schritten wird beschrieben, wie ein Dataset im Azure Machine Learning Studio erstellt wird.

Hinweis

Datasets, die über Azure Machine Learning Studio erstellt werden, werden automatisch beim Arbeitsbereich registriert.

1. Navigieren Sie zu Azure Machine Learning Studio.

2. Wählen Sie unter Ressourcen im linken Navigationsbereich die Option Daten aus. Wählen Sie auf der Registerkarte "Datenressourcen" die Option "Erstellen" aus, wie im folgenden Screenshot gezeigt:

1. Geben Sie der Datenressource einen Namen, und fügen Sie optional eine Beschreibung hinzu. Wählen Sie dann unter "Typ" einen Datasettyp aus, entweder "Datei " oder " Tabellarisch", wie im folgenden Screenshot gezeigt:

1. Der Datenquellenbereich wird als Nächstes geöffnet, wie im folgenden Screenshot gezeigt:

Sie haben unterschiedliche Optionen für Ihre Datenquelle. Wenn Ihre Daten bereits in Azure gespeichert sind, wählen Sie „Aus Azure-Speicher“ aus. Um Daten von Ihrem lokalen Laufwerk hochzuladen, wählen Sie „Aus lokalen Dateien“ aus. Wenn Ihre Daten in einem öffentlichen Webspeicherort gespeichert sind, wählen Sie „Aus Webdateien“ aus. Sie können auch eine Datenressource aus einer SQL-Datenbank oder aus Azure Open Datasets erstellen.

1. Wählen Sie im Dateiauswahlschritt den Speicherort aus, in dem Azure Ihre Daten speichern soll, und wählen Sie die Datendateien aus, die Sie verwenden möchten.

   1. Aktivieren Sie das Überspringen der Überprüfung, wenn sich Ihre Daten in einem virtuellen Netzwerk befinden. Weitere Informationen zur Isolation des virtuellen Netzwerks und zum Datenschutz finden Sie in dieser Ressource.

2. Befolgen Sie die Schritte, um die Datenanalyseeinstellungen und das Schema für Ihre Datenressource festzulegen. Die Einstellungen werden basierend auf dem Dateityp ausgefüllt, und Sie können Ihre Einstellungen weiter konfigurieren, bevor die Datenressource erstellt wird.

3. Wenn Sie den Schritt „Überprüfen“ erreichen, wählen Sie auf der letzten Seite auf „Erstellen“ aus.

Datenvorschau und Profil

Nachdem Sie das Dataset erstellt haben, überprüfen Sie, ob Sie die Vorschau und das Profil in Studio anzeigen können:

1. Melden Sie sich bei Azure Machine Learning Studio an.
2. Wählen Sie unter "Objekte " in der linken Navigation die Option "Daten " aus, wie im folgenden Screenshot gezeigt:

1. Wählen Sie den Namen des Datasets aus, das Sie anzeigen möchten.
2. Wählen Sie die Registerkarte Explore (Untersuchen).
3. Wählen Sie die Registerkarte "Vorschau " aus, wie im folgenden Screenshot gezeigt:

1. Wählen Sie die Registerkarte "Profil " aus, wie im folgenden Screenshot gezeigt:

Um zu überprüfen, ob Ihr Dataset ML-fähig ist, können Sie Zusammenfassungsstatistiken für Ihre Datenmenge verwenden. Bei nicht numerischen Spalten umfassen diese Statistiken nur grundlegende statistische Kennzahlen , z. B. Min., Max. und Fehleranzahl. Numerische Spalten bieten statistische Momente und geschätzte Quantile.

Das Datenprofil des Azure Machine Learning-Datasets enthält Folgendes:

Hinweis

Leere Einträge werden für Features mit irrelevanten Typen angezeigt.

Statistik	BESCHREIBUNG
Funktion	Den zusammengefassten Spaltenname
Profil	Eine Inlinevisualisierung basierend auf dem abgeleiteten Typ. Zeichenfolgen, boolesche Werte und Datumsangaben weisen eine Werteanzahl auf. Dezimalwerte (numerische Werte) haben angenähert Histogramme. Diese Visualisierungen bieten ein schnelles Verständnis der Datenverteilung.
Typverteilung	Eine Inlinewertanzahl von Typen in einer Spalte. NULL-Werte sind eigene Typen, sodass diese Visualisierung ungewöhnliche oder fehlende Werte erkennen kann.
type	Abgeleiteter Spaltentyp. Mögliche Werte: Zeichenfolgen, boolesche Werte, Datumsangaben und Dezimalwerte
Min	Der Mindestwert der Spalte. Leere Einträge werden für Features angezeigt, deren Typ keine inhärente Reihenfolge aufweist (z. B. boolesche Werte).
Max.	Der Höchstwert der Spalte.
Anzahl	Die Gesamtanzahl der fehlenden und nicht fehlenden Einträge in der Spalte
Fehlt nicht (Anzahl)	Die Anzahl der nicht fehlenden Einträge in der Spalte. Leere Zeichenfolgen und Fehler werden als Werte behandelt, sodass sie nicht zur „Anzahl nicht fehlender“ beitragen.
Quantile	Die geschätzten Werte in jedem Quantil, um einen Eindruck von der Datenverteilung bereitzustellen
Mittelwert	Das arithmetische Mittel oder der Mittelwert der Spalte
Standardabweichung	Das Maß der Verteilung oder Abweichung der Daten dieser Spalte
Abweichung	Das Maß dafür, wie weit sich die Daten dieser Spalte vom Mittelwert verteilen
Schiefe	Misst den Unterschied zwischen den Daten dieser Spalte und einer normalen Verteilung
Kurtosis	Misst den Grad der „Spitzigkeit“ der Daten dieser Spalte im Vergleich zu einer Normalverteilung.

Speicherzugriff und Berechtigungen

Um sicherzustellen, dass eine sichere Verbindung mit Ihrem Azure-Speicherdienst hergestellt wird, erfordert Azure Machine Learning, dass Sie über die Berechtigung zum Zugreifen auf den entsprechenden Datenspeicher verfügen. Dieser Zugriff ist von den Anmeldeinformationen für die Authentifizierung abhängig, die zum Registrieren des Datenspeichers verwendet werden.

Virtuelles Netzwerk

Wenn sich Ihr Datenspeicherkonto in einem virtuellen Netzwerk befindet, sind zusätzliche Konfigurationsschritte erforderlich, um sicherzustellen, dass Azure Machine Learning auf Ihre Daten zugreifen kann. Besuchen Sie Azure Machine Learning Studio in einem virtuellen Netzwerk , um sicherzustellen, dass die entsprechenden Konfigurationsschritte angewendet werden, wenn Sie Ihren Datenspeicher erstellen und registrieren.

Zugriffsüberprüfung

Warnung

Mandantenübergreifender Zugriff auf Speicherkonten wird nicht unterstützt. Wenn Ihr Szenario mandantenübergreifenden Zugriff benötigt, wenden Sie sich an das (Azure Machine Learning Data Support-Team), um Unterstützung bei einer benutzerdefinierten Codelösung zu erhalten.

Im Rahmen des ersten Erstellungs- und Registrierungsvorgangs des Datenspeichers überprüft Azure Machine Learning automatisch, ob der zugrunde liegende Speicherdienst vorhanden ist und ob der vom Benutzer bereitgestellte Prinzipal (Benutzername, Dienstprinzipal oder SAS-Token) Zugriff auf den angegebenen Speicher besitzt.

Nach dem Erstellen des Datenspeichers wird diese Überprüfung nur noch für Methoden ausgeführt, die Zugriff auf den zugrunde liegenden Speichercontainer benötigen. Die Überprüfung wird nicht bei jedem Abrufen von Datenspeicherobjekten ausgeführt. Die Überprüfung erfolgt beispielsweise, wenn Sie Dateien aus Ihrem Datenspeicher herunterladen. Wenn Sie den Standarddatenspeicher jedoch ändern möchten, findet die Überprüfung nicht statt.

Um Ihren Zugriff auf den zugrunde liegenden Speicherdienst zu authentifizieren, geben Sie je nach zu erstellendem Datenspeichertyp entweder Ihren Kontoschlüssel, SAS-Token (Shared Access Signatures) oder einen Dienstprinzipal an. In der Speichertypmatrix werden die unterstützten Authentifizierungstypen aufgeführt, die den einzelnen Datenspeichertypen entsprechen.

Informationen zu Kontoschlüssel, SAS-Token und Dienstprinzipal finden Sie im Azure-Portal.

• Um einen Kontoschlüssel für die Authentifizierung abzurufen, wählen Sie im linken Bereich Speicherkonten und dann das Speicherkonto aus, das Sie registrieren möchten.

  • Auf der Seite "Übersicht " werden Informationen wie Kontoname, Container und Dateifreigabename bereitgestellt.
  • Erweitern Sie den Knoten Sicherheit und Netzwerk im linken Navigationsbereich.
  • Wählen Sie Zugriffsschlüssel aus.
  • Die verfügbaren Schlüsselwerte dienen als Werte für den Kontoschlüssel.

• Um ein SAS-Token für die Authentifizierung abzurufen, wählen Sie im linken Bereich Speicherkonten und dann das gewünschte Speicherkonto aus.

  • Um einen Wert für Zugriffsschlüssel zu erhalten, erweitern Sie den Knoten Sicherheit und Netzwerk im linken Navigationsbereich.
  • Wählen Sie Shared Access Signature aus.
  • Schließen Sie den Prozesses ab, um den SAS-Wert zu generieren.

• Um einen Dienstprinzipal für die Authentifizierung zu verwenden, gehen Sie zu Ihren App-Registrierungen und wählen Sie aus, welche App Sie verwenden möchten.

  • Die entsprechende Übersichtsseite enthält erforderliche Informationen wie Mandanten-ID und Client-ID.

Wichtig

• Um Ihre Zugriffsschlüssel für ein Azure Storage-Konto (Kontoschlüssel oder SAS-Token) zu ändern, stellen Sie sicher, dass die neuen Anmeldeinformationen mit Ihrem Arbeitsbereich und den damit verbundenen Datenspeichern synchronisiert werden. Weitere Informationen finden Sie unter Synchronisieren Ihrer aktualisierten Anmeldeinformationen.
• Wenn Sie die Registrierung aufheben und dann einen Datenspeicher mit demselben Namen erneut registrieren und diese erneute Registrierung fehlschlägt, ist möglicherweise Soft-Delete für den Azure Key Vault in Ihrem Arbeitsbereich nicht aktiviert. Standardmäßig ist vorläufiges Löschen für die Key Vault-Instanz aktiviert, die von Ihrem Arbeitsbereich erstellt wurde. Falls Sie einen bereits vorhandenen Key Vault verwendet haben oder Ihr Arbeitsbereich vor Oktober 2020 erstellt wurde, könnte er eventuell nicht aktiviert sein. Weitere Informationen zum Aktivieren des vorläufigen Löschens finden Sie unter Aktivieren des vorläufigen Löschens für einen vorhandenen Schlüsseltresor.

Berechtigungen

Stellen Sie für Azure-Blobcontainer und Azure Data Lake Gen2-Speicher sicher, dass Ihre Anmeldeinformationen für die Authentifizierung über den Zugriff Storage-Blobdatenleser verfügen. Erfahren Sie mehr über Storage-Blobdatenleser. Ein Konto-SAS-Token weist standardmäßig keine Berechtigungen auf.

• Für den Lesezugriff auf Daten müssen Ihre Anmeldeinformationen für die Authentifizierung mindestens die Berechtigungen zum Auflisten und Lesen für Container und Objekte besitzen.

• Für den Schreibzugriff auf Daten sind auch Berechtigungen zum Schreiben und Hinzufügen erforderlich.

Trainieren mit Datasets

Verwenden Sie Ihre Datasets in Ihren Machine Learning-Experimenten zum Trainieren von ML-Modellen. Erfahren Sie mehr über das Trainieren mit Datasets.

Nächste Schritte

• Schrittweises Beispiel für das Training mit TabularDatasets und automatisiertem maschinellen Lernen
• Trainieren eines Modells
• Weitere Beispiele zum Trainieren von Datasets finden Sie in den Beispielnotebooks.