Machine Learning Studio (clásico): algoritmo y ayuda del módulo
Importante
El soporte técnico de Machine Learning Studio (clásico) finalizará el 31 de agosto de 2024. Se recomienda realizar la transición a Azure Machine Learning antes de esa fecha.
A partir del 1 de diciembre de 2021 no se podrán crear recursos de Machine Learning Studio (clásico). Hasta el 31 de agosto de 2024, puede seguir usando los recursos de Machine Learning Studio (clásico) existentes.
- Consulte la información acerca de traslado de proyectos de aprendizaje automático de ML Studio (clásico) a Azure Machine Learning.
- Más información sobre Azure Machine Learning.
La documentación de ML Studio (clásico) se está retirando y es posible que no se actualice en el futuro.
Sugerencia
Se recomienda a los clientes que usen o evalúen Machine Learning Studio (clásico) que prueben el diseñador de Azure Machine Learning, que proporciona módulos de Machine Learning de arrastrar y colocar, además de escalabilidad, control de versiones y seguridad de la empresa.
Machine Learning Studio (clásico) es un servicio de análisis predictivo en la nube que permite crear e implementar rápidamente modelos predictivos como soluciones de análisis. Las herramientas de aprendizaje automático son mayoritariamente servicios en la nube, lo que elimina cualquier tipo de preocupación relacionada con la configuración e instalación, ya que se puede trabajar desde un explorador web de cualquier PC conectado a Internet. Consulte el artículo "¿Qué es Studio (clásico)?" para obtener más detalles.
Esta documentación contiene tanto información técnica detallada como información acerca de los procedimientos de los módulos disponibles en Machine Learning Studio (clásico).
- Inicie sesión en su área de trabajo de Machine Learning Studio (clásico) y empiece a usarlo.
¿Qué es un módulo?
Cada uno de los módulos de Machine Learning Studio (clásico) representa un conjunto de código que puede ejecutarse de forma independiente y realizar una tarea de aprendizaje automático, siempre que tenga los datos de entrada necesarios. Un módulo puede contener un algoritmo en particular o realizar una tarea que sea importante para el aprendizaje automático, como el reemplazo de un valor que falta o análisis estadísticos.
En Studio (clásico), los módulos se organizan por funcionalidad:
Los módulos de entrada y salida de datos realizan el trabajo de mover los datos de sus orígenes en la nube a un experimento. Los resultados o los datos intermedios se pueden escribir en Azure Storage, en una base de datos SQL o en Hive mientras se ejecuta un experimento, o bien se puede usar el almacenamiento en la nube para intercambiar datos entre experimentos.
Los módulos de transformación de datos admiten operaciones en los datos que son exclusivas del aprendizaje automático, como la normalización o discretización de datos, la selección de características y la reducción de la dimensionalidad.
Los algoritmos de Machine Learning, como la agrupación en clústeres, la compatibilidad con máquinas vectoriales o las redes red neuronales están disponibles en módulos individuales que le permiten personalizar la tarea de aprendizaje automático con los parámetros apropiados. Para las tareas de clasificación puede elegir entre algoritmos binarios o multiclase.
Una vez que haya configurado el modelo, use un módulo de entrenamiento para ejecutar los datos a través del algoritmo y mida la precisión del modelo entrenado mediante uno de los módulos de evaluación. Para obtener predicciones del modelo que acaba de entrenar, use uno de los módulos de puntuación.
Detección de anomalías: Machine Learning Studio (clásico) incluye varios algoritmos especializados en estas tareas.
Los módulos de análisis de texto admiten varias tareas de procesamiento de lenguaje natural.
La compatibilidad con Vowpal Wabbit facilita el uso de esta plataforma escalable.
Los módulos de los lenguajesPython y R facilitan la ejecución de funciones personalizadas. Para integrar Python y R en un experimento solo hay que escribir el código e incrustarlo en un módulo.
La biblioteca OpenCV proporciona módulos que se usan en tareas concretas de reconocimiento de imágenes.
El análisis de series temporales admite la detección de anomalías en series temporales.
Los módulos estadísticos proporcionan una amplia variedad de métodos numéricos relacionados con la ciencia de datos. Busque en este grupo métodos de correlación, resúmenes de datos y operaciones estadísticas y matemáticas.
En esta sección de referencia, encontrará información técnica sobre los algoritmos de aprendizaje automático, los detalles de implementación si están disponibles y vínculos a experimentos de ejemplo que muestran cómo se usa el módulo. Puede descargar los ejemplos de Azure AI Gallery en el área de trabajo. Estos ejemplos son para uso público.
Sugerencia
Si ha iniciado sesión en Machine Learning Studio (clásico) y ha creado un experimento, puede obtener información sobre un módulo concreto. Seleccione el módulo y luego seleccione el vínculo más ayuda en el panel Ayuda rápida.
Otras referencias técnicas
| Sección | Descripción |
|---|---|
| Lista de tipos de datos | Esta sección contiene temas de referencia que describen las interfaces del aprendiz y el DataTable formato usado para los conjuntos de datos. |
| Lista de excepciones | En esta sección se enumeran los errores que pueden generar los módulos, con sus causas y posibles soluciones. Para obtener la lista de códigos de error relacionados con la API del servicio web, consulte Códigos de error de API REST de Azure Machine Learning Studio. |