Trainieren und Verwalten eines Machine Learning-Modells mit Azure Machine Learning
Auf einen Blick
-
Level
-
Skill
-
Produkt
-
Subject
Um ein Machine Learning-Modell mit Azure Machine Learning zu trainieren, müssen Sie Daten verfügbar machen und das entsprechende Compute konfigurieren. Nachdem Sie Ihre Modell- und Nachverfolgungsmodellmetriken mit MLflow trainiert haben, können Sie ihr Modell für Echtzeitvorhersagen auf einem Onlineendpunkt bereitstellen. In diesem Lernpfad erfahren Sie, wie Sie Ihren Azure Machine Learning-Arbeitsbereich einrichten und wie Sie dann ein Machine Learning-Modell trainieren und verwalten.
Voraussetzungen
Keine
Erfolgscode
Möchten Sie einen Erfolgscode beantragen?
Module in diesem Lernpfad
Erfahren Sie, wie Sie im Azure Machine Learning-Arbeitsbereich eine Verbindung mit Daten herstellen. Sie erhalten eine Einführung in Datenspeicher und -ressourcen.
Erfahren Sie, wie Sie mit Computezielen in Azure Machine Learning arbeiten. Mithilfe von Computezielen können Sie Ihre Machine Learning-Workloads ausführen. Erfahren Sie, wie und wann Sie eine Computeinstanz oder einen Computecluster verwenden können.
Erfahren Sie, wie Sie Umgebungen in Azure Machine Learning verwenden, um Skripts auf einem beliebigen Computeziel auszuführen.
Erfahren Sie, wie Sie Ihren Code in ein Skript konvertieren und als Befehlsauftrag in Azure Machine Learning ausführen.
Erfahren Sie, wie Sie das Modelltraining mit MLflow in Aufträgen beim Ausführen von Skripts nachverfolgen.
Erfahren Sie, wie Sie ein Modell in Azure Machine Learning protokollieren und registrieren.
Hier erfahren Sie, wie Sie Modelle auf einem verwalteten Onlineendpunkt bereitstellen, um Rückschlüsse in Echtzeit zu ziehen.