Freigeben über

Dateneingabe und -ausgabe

  • Artikel

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.

Die Dokumentation zu ML Studio (klassisch) wird nicht mehr fortgeführt und kann künftig nicht mehr aktualisiert werden.

Hinweis

Gilt nur für: Machine Learning Studio (klassisch)

Ähnliche Drag & Drop-Module sind im Azure Machine Learning-Designer verfügbar.

In diesem Artikel werden die Module aufgelistet, die Sie zum Importieren und Exportieren von Daten und Modellen in Machine Learning Studio (klassisch) verwenden können.

Zusätzlich zur Verwendung von Modulen können Sie Datasets direkt aus lokalen Dateien auf Ihrem Computer oder Netzwerk hochladen und herunterladen. Weitere Informationen finden Sie unter Hochladen vorhandener Daten in einem Machine Learning Experiment.

Hier sind einige quellen, die Sie zum Importieren und Exportieren von Daten und Modellen in Machine Learning Studio (klassisch) verwenden können:

  • Abrufen von Daten aus Quellen in der Cloud, z. B. Azure SQL-Datenbank, Azure SQL Data Warehouse, Azure Storage und Azure Cosmos DB. Sie können auch Daten importieren, die als öffentliche Web-URL bereitgestellt werden, Mithilfe einer Hive-Abfrage Daten aus Hadoop abrufen oder einen lokalen SQL Server abfragen.
  • Laden Sie eine Sammlung von Bildern aus Azure Blob Storage, um sie in Bildklassifizierungsaufgaben zu verwenden.
  • Extrahieren Sie die Daten aus ZIP-Dateien, die Sie in Machine Learning hochgeladen haben. Sie können die Datasets in Experimenten verwenden.
  • Erstellen Sie kleine Datasets, indem Sie die benutzeroberfläche von Machine Learning Studio (klassisch) eingeben. Dies kann hilfreich sein, um kleine Testdatasets zu erstellen.
  • Speichern Sie Ihre Ergebnisse oder Zwischendaten in Azure Table Storage, Blob Storage, einer SQL-Datenbank oder einer Hive-Abfrage.
  • Abrufen eines trainierten Modells aus einer URL oder blob storage und anschließendes Verwenden in einem Experiment.

Hinweis

Die Module in dieser Gruppe verschieben nur Daten in oder aus Machine Learning Studio (klassisch). Sie können die Module nicht verwenden, um die Daten während des Import- oder Exportvorgangs zu filtern, umzuwandeln oder zu transformieren.

Weitere Informationen zum Transformieren und Filtern Ihrer Daten in Machine Learning Studio (klassisch) finden Sie unter Datentransformation.

Ressourcen

In den folgenden Artikeln werden allgemeine Datenszenarien in Machine Learning vorgestellt:

Erste Schritte

Erfahren Sie, wie Sie Daten für maschinelles Lernen in der Cloud verwalten. Die Informationen in diesem Artikel basieren auf DEM Branchenstandard CHIPS-DM. Der Artikel enthält end-to-end-exemplarische Vorgehensweisen, die die Integration von Machine Learning in Clouddatenlösungen wie Azure HDInsight und SQL-Datenbank veranschaulichen.

In diesem Artikel wird beschrieben, wie Sie Ihre Daten in Azure abrufen und dann ein Experiment erstellen.

Erweiterte Data Science

Erfahren Sie, wie Sie die Machine Learning Python-Clientbibliothek installieren und anschließend verwenden, um auf Metadaten zuzugreifen und mit Datasets zu arbeiten.

Beispielexperimente

Liste der Module

Die Kategorie Dateneingabe und -ausgabe umfasst die folgenden Module:

  • Daten manuell eingeben: Hiermit können Sie kleine Datasets erstellen, indem Sie Werte eingeben.
  • Daten exportieren: Schreibt ein Dataset in Web-URLs oder in verschiedene Arten von cloudbasiertem Speicher in Azure, z. B. Tabellen, Blobs oder eine SQL-Datenbank.
  • Daten importieren: Lädt Daten aus externen Quellen im Web und aus verschiedenen Arten von cloudbasiertem Speicher in Azure, z. B. Table Storage, Blob Storage, SQL-Datenbank, SQL Data Warehouse, Azure Cosmos DB oder einer Hive-Abfrage. Sie können auch Daten aus einer lokalen SQL Server Datenbank importieren.
  • Geladenes trainiertes Modell: Ruft ein trainiertes Modell aus einer URL oder einem Blobspeicher ab, das in einem Bewertungsexperiment verwendet werden soll.
  • Entpacken von gezippten Datasets: Dekomprimiert ein Dataset, das im ZIP-Format gespeichert wurde, und fügt das Dataset dann Ihrem Arbeitsbereich hinzu.

Siehe auch