Machine Learning Studio (classique) : Aide sur les algorithmes et les modules
Important
Le support de Machine Learning Studio (classique) prend fin le 31 août 2024. Nous vous recommandons de passer à Azure Machine Learning avant cette date.
À partir du 1er décembre 2021, vous ne pourrez plus créer de nouvelles ressources Machine Learning Studio (classique). Jusqu’au 31 août 2024, vous pouvez continuer à utiliser les ressources Machine Learning Studio (classique) existantes.
- Consultez les informations sur le déplacement des projets de machine learning de ML Studio (classique) à Azure Machine Learning.
- En savoir plus sur Azure Machine Learning.
La documentation ML Studio (classique) est en cours de retrait et ne sera probablement plus mise à jour.
Conseil
Les clients qui utilisent ou évaluent actuellement Machine Learning Studio (classique) sont encouragés à essayer le concepteur Azure Machine Learning, qui fournit des modules ML par glisser-déposer plus la scalabilité, la gestion de versions et la sécurité de l’entreprise.
Machine Learning Studio (classique) est un service d’analytique prédictive cloud qui permet de créer et de déployer rapidement des modèles prédictifs sous forme de solutions analytiques. Les outils de machine learning sont principalement des services basés sur le cloud, ce qui vous permet d’utiliser votre navigateur web sur n’importe quel PC connecté à Internet sans avoir à gérer les problèmes d’installation et de configuration. Pour plus d’informations, consultez l’article « qu’est-ce que Studio (classique) ? » .
Cette documentation contient des informations techniques et pratiques détaillées sur les modules disponibles dans Machine Learning Studio (classique).
- Connectez-vous à votre espace de travail Machine Learning Studio (classique) et commencez.
Qu’est-ce qu’un module ?
Chaque module dans Machine Learning Studio (classique) représente un ensemble de code qui peut s’exécuter indépendamment et effectuer une tâche de machine learning en fonction des entrées requises. Un module peut contenir un algorithme particulier ou effectuer une tâche de Machine Learning importante comme le remplacement de valeur manquante ou l’analyse statistique.
Dans Studio (classique), les modules sont organisés par fonction :
Les modules d’entrée et de sortie de données se chargent de déplacer les données des sources cloud à votre expérience. Vous pouvez écrire vos résultats ou données intermédiaires dans Stockage Azure, une base de données SQL, ou Hive, lors de l’exécution d’une expérience, ou utiliser le stockage cloud pour échanger des données entre plusieurs expériences.
Les modules de transformation de données prennent en charge les opérations sur les données qui sont uniques au machine learning, comme la normalisation ou le compartimentage des données, la sélection de caractéristiques et la réduction de la dimensionnalité.
Les algorithmes de machine learning, tels que le clustering, la machine à vecteurs de support ou les réseaux neuronaux, sont disponibles dans des modules individuels qui vous permettent de personnaliser la tâche de machine learning avec les paramètres appropriés. Pour les tâches de classification, vous pouvez choisir parmi des algorithmes binaires ou multiclasses.
Une fois que vous avez configuré le modèle, utilisez un module d’entraînement pour exécuter des données par le biais de l’algorithme et mesurer la justesse du modèle entraîné en utilisant l’un des modules d’évaluation. Pour obtenir des prédictions du modèle que vous venez d’entraîner, utilisez l’un des modules de scoring.
Détection des anomalies : Machine Learning Studio (classique) comprend plusieurs algorithmes spécialisés pour ces tâches.
Les modules d’analyse de texte prennent en charge diverses tâches de traitement en langage naturel.
La prise en charge de Vowpal Wabbit facilite l’utilisation de cette plateforme scalable.
Les modules Python et du langage R facilitent l’exécution d’une fonction personnalisée. Vous écrivez le code et l’incorporez dans un module pour intégrer Python et R à un service d’expérience.
La bibliothèque OpenCV fournit des modules à utiliser dans des tâches de reconnaissance d’images spécifiques.
L’analyse des séries chronologiques prend en charge la détection des anomalies dans les séries chronologiques.
Les modules statistiques fournissent un large éventail de méthodes numériques relatives à la science des données. Recherchez dans ce groupe les méthodes de corrélation, les synthèses de données et les opérations statistiques et mathématiques.
Dans cette section de référence, vous trouverez des informations techniques sur les algorithmes de Machine Learning, les détails de l’implémentation, le cas échéant, et des liens vers des exemples d’expériences qui montrent comment le module est utilisé. Vous pouvez télécharger des exemples dans Azure AI Gallery dans votre espace de travail. Ces exemples sont accessibles à tous.
Conseil
Si vous êtes connecté à Machine Learning Studio (classique) et que vous avez créé une expérience, vous pouvez obtenir des informations sur un module spécifique. Sélectionnez le module, puis sélectionnez le lien Plus d’aide dans le volet Aide rapide.
Autres références techniques
| Section | Description |
|---|---|
| Liste des types de données | Cette section contient des rubriques de référence décrivant les interfaces d’apprentissage et le DataTable format utilisé pour les jeux de données. |
| Liste des exceptions | Cette section liste les erreurs que les modules peuvent générer, avec les causes et les solutions possibles. Pour obtenir la liste des codes d’erreur liés à l’API de service web, consultez Codes d’erreur de l’API REST Azure Machine Learning Studio. |