Partager via

descriptions des modules ML Studio (classic)

  • Article

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.

La documentation ML Studio (classique) est en cours de retrait et ne sera probablement plus mise à jour.

cette rubrique fournit une vue d’ensemble de tous les modules inclus dans Machine Learning Studio (classic), un espace de travail visuel interactif permettant de générer et de tester facilement des modèles prédictifs.

Notes

s’applique à: Machine Learning Studio (classic) uniquement

Des modules par glisser-déposer similaires sont disponibles dans Concepteur Azure Machine Learning.

Qu’est-ce qu’un module ?

dans Machine Learning Studio (classic), un module est un bloc de construction pour la création d’expériences. Chaque module encapsule un algorithme Machine Learning, une fonction ou une bibliothèque de code spécifique qui peut agir sur les données de votre espace de travail. Les modules sont conçus pour accepter les connexions d’autres modules, pour partager et modifier des données.

Le code qui s’exécute dans chaque module provient de nombreuses sources. il s’agit notamment des bibliothèques et des langages de open source, des algorithmes développés par Microsoft Research et des outils permettant d’utiliser Azure et d’autres services cloud.

Conseil

Vous recherchez des algorithmes de Machine Learning ? consultez la catégorie Machine Learning , qui contient des modules pour les arbres de décision, le clustering, les réseaux neuronaux, entre autres. Les catégories former et évaluer incluent des modules pour faciliter l’apprentissage et le test de vos modèles.

En connectant et en configurant des modules, vous pouvez créer un flux de travail qui lit les données à partir de sources externes, les prépare pour l’analyse, applique des algorithmes de Machine Learning et génère des résultats.

quand une expérience est ouverte dans Machine Learning Studio (classic), vous pouvez voir la liste complète des modules actuels dans le volet de navigation à gauche. Vous faites glisser ces blocs de construction dans votre expérience, puis vous les connectez pour créer un flux de travail Machine Learning complet, appelé expérimentation.

Parfois, les modules sont mis à jour pour ajouter de nouvelles fonctionnalités ou pour supprimer du code plus ancien. Dans ce cas, toutes les expériences que vous avez créées qui utilisent le module continuent à s’exécuter. Mais la prochaine fois que vous ouvrirez l’expérience, vous serez invité à mettre à niveau le module ou à utiliser un autre module.

Exemples

Pour obtenir un exemple de création d’une expérience Machine Learning complète, consultez les didacticiels suivants :

Catégories de module

pour faciliter la recherche des modules associés, les outils Machine Learning dans Machine Learning Studio (classic) sont regroupés en fonction de ces catégories.

Conversions de format de données

Ces modules permettent de convertir les données dans l'un des formats utilisés par d'autres formats ou outils d'apprentissage automatique.

  • Entrée et sortie de données

    Utilisez ces modules pour lire des données et des modèles à partir de sources de données Cloud, notamment les clusters Hadoop, le stockage table Azure et les URL Web. Vous pouvez également utiliser ces modules pour écrire des résultats dans le stockage ou dans une base de données.

  • Transformation des données

    Ces modules permettent de préparer des données pour analyse. Vous pouvez modifier les types de données, marquer les colonnes en tant que fonctionnalités ou étiquettes, générer des fonctionnalités et mettre à l’échelle ou normaliser les données.

  • Filter

    Transformez les données numériques dérivées du traitement des signaux numériques.

  • Learning avec des nombres

    Utilisez des distributions de probabilités communes pour créer des fonctionnalités qui décrivent de façon compacte des jeux de données volumineux.

  • Manipulation

    Ce groupe offre un large éventail d’outils pour la science des données. Par exemple, vous pouvez supprimer ou remplacer des valeurs manquantes, choisir un sous-ensemble de colonnes, ajouter une colonne ou concaténer deux jeux de données.

  • Sample and Split

    Divisez un jeu de données par critère ou par taille pour créer des jeux d’apprentissage et de test, ou pour isoler certaines lignes.

  • Scale and Reduce

    Transformez les données numériques.

Sélection de caractéristiques

Ces modules permettent d'identifier les caractéristiques les plus intéressantes de vos données, à l'aide de méthodes statistiques ayant fait l'objet d'études approfondies.

Machine Learning

Ce groupe contient la plupart des algorithmes Machine Learning pris en charge par Machine Learning.

Il contient également des modules destinés à la prise en charge des algorithmes par des modèles d’apprentissage, la génération de scores et l’évaluation des performances du modèle.

  • Évaluer

    Une fois que vous avez formé un modèle, utilisez ces outils pour mesurer la précision du modèle.

  • Initialiser

    Ces modules fournissent les algorithmes Machine Learning, que vous pouvez personnaliser en définissant des paramètres. Les algorithmes de cette section sont regroupés par type :

  • Score

    Utilisez ces modules pour passer de nouvelles données par le biais de l’algorithme et générer un jeu de résultats pour l’évaluation. Vous pouvez également utiliser les résultats du calcul de score dans le cadre d’un service prédictif.

  • Entraîner

    Ces modules entraînent l’apprentissage d’un modèle de Machine Learning initialisé sur les données que vous fournissez.

Modules de la bibliothèque OpenCV

Ces modules permettent d'accéder facilement à une bibliothèque open source populaire pour le traitement et la classification d'images.

Modules linguistiques R

Ces modules permettent d'ajouter du code de R personnalisé à votre expérience, ou d'implémenter un modèle d'apprentissage automatique basé sur un package R.

Modules du langage Python

Ces modules permettent d'ajouter du code Python personnalisé à votre expérience.

Fonctions statistiques

Ces modules permettent de calculer des distributions de probabilité, de créer des calculs personnalisés, et d'effectuer de nombreuses autres tâches liées à des variables numériques.

Analyse de texte

Utilisez ces modules pour effectuer le hachage des fonctionnalités et la reconnaissance d’entités nommées, ou pour prétraiter du texte à l’aide d’outils de traitement en langage naturel.

Série chronologique

Utilisez ces modules pour évaluer les anomalies dans les tendances, en utilisant des algorithmes spécifiquement conçus pour les données de série chronologique.

les modules Machine Learning Studio (classiques) ne tentent pas de dupliquer les outils d’intégration de données pris en charge dans d’autres outils, tels que les Azure Data Factory. Au lieu de cela, les modules fournissent des fonctionnalités spécifiques à Machine Learning :

  • Normalisation, regroupement et mise à l’échelle des données
  • Calcul de la distribution statistique des données
  • Conversion dans d’autres formats de Machine Learning
  • Importation des données utilisées pour Machine Learning les expériences et l’exportation des résultats
  • Analyse de texte, sélection des fonctionnalités et réduction de la dimensionnalité

Si vous avez besoin de fonctionnalités plus sophistiquées pour la manipulation et le stockage des données, consultez les rubriques suivantes :

  • Azure Data Factory: pipeline de traitement des données cloud Enterprise prêt.
  • Azure SQL Database: stockage évolutif, avec accès intégré aux Machine Learning.
  • CosmosDB: magasin de données NoSQL ; importez des données dans Machine Learning Studio (classic).
  • Azure Data Lake Analytics: analytique distribuée sur Big Data.
  • Stream Analytics: traitement des événements pour le Internet des objets.
  • Azure Analyse de texte: plusieurs options pour le traitement de texte et les Cognitive Services associées pour la reconnaissance vocale, image et faciale.
  • Azure Databricks: plateforme d’analytique basée sur Spark.

Voir aussi