Machine Learning Studio (klassisch): Hilfe zu Algorithmen und Modulen
Wichtig
Der Support für Machine Learning Studio (klassisch) endet am 31. August 2024. Es wird empfohlen, bis zu diesem Datum auf Azure Machine Learning umzustellen.
Ab dem 1. Dezember 2021 können Sie keine neuen Ressourcen in Machine Learning Studio (klassisch) mehr erstellen. Bis zum 31. August 2024 können Sie die vorhandenen Ressourcen in Machine Learning Studio (klassisch) weiterhin verwenden.
- Siehe Migrieren zu Azure Machine Learning
- Weitere Informationen zu Azure Machine Learning.
Die Dokumentation zu ML Studio (klassisch) wird nicht mehr fortgeführt und kann künftig nicht mehr aktualisiert werden.
Tipp
Kunden, die derzeit Machine Learning Studio (klassisch) verwenden oder testen, wird empfohlen, den Azure Machine Learning-Designer auszuprobieren. Dieser bietet Drag & Drop-ML-Module sowie Skalierbarkeit, Versionskontrolle und Unternehmenssicherheit.
Machine Learning Studio (klassisch) ist ein Predictive Analytics-Clouddienst, der die schnelle Erstellung und Bereitstellung von Vorhersagemodellen als Analyselösungen ermöglicht. Bei den Tools für maschinelles Lernen handelt es sich größtenteils um cloudbasierte Dienste. Somit müssen Sie sich nicht um Installation und Einrichtung kümmern, da Sie auf jedem Computer mit Internetverbindung über einen Webbrowser arbeiten können. Weitere Informationen finden Sie im Artikel "Was ist Studio (klassisch)?" .
Diese Dokumentation enthält ausführliche technische Informationen und Schrittanleitungen für die Module, die in Machine Learning Studio (klassisch) verfügbar sind.
- Melden Sie sich bei Ihrem Arbeitsbereich für Machine Learning Studio (klassisch) an, und legen Sie los.
Was ist ein Modul?
Jedes Modul in Machine Learning Studio (klassisch) stellt eine Codegruppe dar, die unabhängig ausgeführt werden kann und eine Machine Learning-Aufgabe ausführt, wenn die erforderlichen Eingaben erfolgen. Die Module enthalten möglicherweise bestimmte Algorithmen oder führen Aufgaben aus, die beim Machine Learning wichtig sind, z.B. Ersatz eines fehlenden Werts oder statistische Analyse.
Module sind in Studio (klassisch) nach Funktionalität organisiert:
Module für Dateneingabe und -ausgabe verschieben Daten aus Cloudquellen in Ihr Experiment. Sie können Ihre Ergebnisse oder Zwischendaten während der Ausführung eines Experiments in Azure Storage, eine SQL-Datenbank-Instanz oder Hive schreiben oder Cloudspeicher zum Datenaustausch zwischen Experimenten verwenden.
Datentransformationsmodule unterstützen Vorgänge für Daten, die für Machine Learning typisch sind, z.B. Normalisieren oder Diskretisieren von Daten, Featureauswahl und Verringerung der Dimensionalität.
Algorithmen für maschinelles Lernen wie Clustering, Support Vector Machine oder neuronale Netzwerke stehen in einzelnen Modulen zur Verfügung, mit denen Sie die Aufgabe zum maschinellen Lernen mit entsprechenden Parametern anpassen können. Bei Klassifizierungsaufgaben können Sie aus binären oder mehrklassigen Algorithmen auswählen.
Nachdem Sie das Modell konfiguriert haben, verwenden Sie ein Trainingsmodul, um Daten über den Algorithmus auszuführen, und messen die Genauigkeit des trainierten Modells mithilfe eines der Auswertungsmodule. Um Vorhersagen aus dem Modell zu erhalten, das Sie gerade trainiert haben, verwenden Sie eines der Bewertungsmodule.
Anomalieerkennung: Machine Learning Studio (klassisch) umfasst mehrere Algorithmen, die für diese Aufgaben spezialisiert sind.
Textanalysemodule unterstützen verschiedene Verarbeitungsaufgaben in natürlicher Sprache.
Die Unterstützung von Vowpal Wabbit- vereinfacht die Verwendung dieser skalierbaren Plattform.
Python- und R-Module erleichtern das Ausführen einer benutzerdefinierten Funktion. Sie schreiben den Code und betten ihn in ein Modul ein, um Python und R in einen Experimentdienst zu integrieren.
Die OpenCV-Bibliothek stellt Module bereit, die für bestimmte Bilderkennungsaufgaben verwendet werden können.
Die Zeitreihenanalyse unterstützt die Anomalieerkennung in Zeitreihen.
Statistische Module stellen eine Vielzahl von numerischen Methoden bereit, die mit Data Science verknüpft sind. Suchen Sie in dieser Gruppe nach Korrelationsmethoden, Datenzusammenfassungen und statistischen und mathematischen Vorgängen.
In diesem Referenzabschnitt finden Sie technische Hintergrundinformationen zu machine learning-Algorithmen, Implementierungsdetails (falls verfügbar) und Links zu Beispielexperimenten, die veranschaulichen, wie das Modul verwendet wird. Im Azure KI-Katalog finden Sie Beispiele, die Sie in Ihren Arbeitsbereich herunterladen können. Diese Beispiele sind für die öffentliche Verwendung vorgesehen.
Tipp
Wenn Sie bei Machine Learning Studio (klassisch) angemeldet sind und ein Experiment erstellt haben, können Sie Informationen zu einem bestimmten Modul abrufen. Wählen Sie das Modul und dann den Weitere Hilfe-Link im Bereich Direkthilfe aus.
Weitere technische Referenzen
| `Section` | BESCHREIBUNG |
|---|---|
| Liste der Datentypen | Dieser Abschnitt enthält Referenzthemen, in denen die Lernschnittstellen DataTable und das für Datasets verwendete Format beschrieben werden. |
| Liste der Ausnahmen | In diesem Abschnitt sind die Fehler aufgelistet, die von Modulen generiert werden können, zusammen mit den Ursachen und möglichen Problemumgehungen. Eine Liste der Fehlercodes, die sich auf die Webdienst-API beziehen, finden Sie unter Azure Machine Learning Studio: Fehlercodes der REST-API. |