Jobs - Create Or Update

Service:

Machine Learning

Version d'API:

2025-12-01

Crée et exécute un Job. Dans le cas de la mise à jour, les balises de la définition passée remplaceront les balises de la tâche existante.
Crée et exécute un Job. Dans le cas de la mise à jour, les balises de la définition passée remplaceront les balises de la tâche existante.

PUT https://management.azure.com/subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.MachineLearningServices/workspaces/{workspaceName}/jobs/{id}?api-version=2025-12-01

Paramètres URI

Nom	Dans	Obligatoire	Type	Description
id	path	True	string	Nom et identificateur du travail. Ceci respecte la casse.
resourceGroupName	path	True	string minLength: 1 maxLength: 90	Nom du groupe de ressources. Le nom ne respecte pas la casse.
subscriptionId	path	True	string minLength: 1	ID de l’abonnement cible.
workspaceName	path	True	string pattern: ^[a-zA-Z0-9][a-zA-Z0-9_-]{2,32}$	Nom de l’espace de travail Azure Machine Learning
api-version	query	True	string minLength: 1	Version de l’API à utiliser pour cette opération.

Corps de la demande

Nom	Obligatoire	Type	Description
properties	True	JobBaseProperties: AutoMLJob CommandJob PipelineJob SparkJob SweepJob	[Obligatoire] Attributs supplémentaires de l’entité.

Réponses

Nom	Type	Description
200 OK	JobBase	Opération de mise à jour de la ressource 'JobBase' réussie
201 Created	JobBase	Resource 'JobBase' créer l’opération a réussi
Other Status Codes	ErrorResponse	Réponse d’erreur inattendue.

Sécurité

azure_auth

Flux OAuth2 Azure Active Directory.

Type: oauth2
Flux: implicit
URL d’autorisation: https://login.microsoftonline.com/common/oauth2/authorize

Étendues

Nom	Description
user_impersonation	emprunter l’identité de votre compte d’utilisateur

Exemples

CreateOrUpdate AutoML Job.

CreateOrUpdate Command Job.

CreateOrUpdate Pipeline Job.

CreateOrUpdate Sweep Job.

CreateOrUpdate AutoML Job.

Exemple de requête

HTTP

PUT https://management.azure.com/subscriptions/00000000-1111-2222-3333-444444444444/resourceGroups/test-rg/providers/Microsoft.MachineLearningServices/workspaces/my-aml-workspace/jobs/string?api-version=2025-12-01

{
  "properties": {
    "description": "string",
    "computeId": "string",
    "displayName": "string",
    "environmentId": "string",
    "environmentVariables": {
      "string": "string"
    },
    "experimentName": "string",
    "identity": {
      "identityType": "AMLToken"
    },
    "isArchived": false,
    "jobType": "AutoML",
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "ReadWriteMount",
        "uri": "string"
      }
    },
    "properties": {
      "string": "string"
    },
    "resources": {
      "instanceCount": 1,
      "instanceType": "string",
      "properties": {
        "string": {
          "9bec0ab0-c62f-4fa9-a97c-7b24bbcc90ad": null
        }
      }
    },
    "services": {
      "string": {
        "endpoint": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        }
      }
    },
    "tags": {
      "string": "string"
    },
    "taskDetails": {
      "limitSettings": {
        "maxTrials": 2
      },
      "modelSettings": {
        "validationCropSize": 2
      },
      "searchSpace": [
        {
          "validationCropSize": "choice(2, 360)"
        }
      ],
      "targetColumnName": "string",
      "taskType": "ImageClassification",
      "trainingData": {
        "jobInputType": "mltable",
        "uri": "string"
      }
    }
  }
}

Exemple de réponse

Code d’état:

200

{
  "name": "string",
  "type": "string",
  "id": "string",
  "properties": {
    "description": "string",
    "computeId": "string",
    "displayName": "string",
    "environmentId": "string",
    "environmentVariables": {
      "string": "string"
    },
    "experimentName": "string",
    "identity": {
      "identityType": "AMLToken"
    },
    "isArchived": false,
    "jobType": "AutoML",
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "ReadWriteMount",
        "uri": "string"
      }
    },
    "properties": {
      "string": "string"
    },
    "resources": {
      "instanceCount": 1,
      "instanceType": "string",
      "properties": {
        "string": {
          "9bec0ab0-c62f-4fa9-a97c-7b24bbcc90ad": null
        }
      }
    },
    "services": {
      "string": {
        "endpoint": "string",
        "errorMessage": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        },
        "status": "string"
      }
    },
    "status": "Scheduled",
    "tags": {
      "string": "string"
    },
    "taskDetails": {
      "limitSettings": {
        "maxTrials": 2
      },
      "modelSettings": {
        "validationCropSize": 2
      },
      "searchSpace": [
        {
          "validationCropSize": "choice(2, 360)"
        }
      ],
      "targetColumnName": "string",
      "taskType": "ImageClassification",
      "trainingData": {
        "jobInputType": "mltable",
        "uri": "string"
      }
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "ManagedIdentity"
  }
}

Code d’état:

201

{
  "name": "string",
  "type": "string",
  "id": "string",
  "properties": {
    "description": "string",
    "computeId": "string",
    "displayName": "string",
    "environmentId": "string",
    "environmentVariables": {
      "string": "string"
    },
    "experimentName": "string",
    "identity": {
      "identityType": "AMLToken"
    },
    "isArchived": false,
    "jobType": "AutoML",
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "ReadWriteMount",
        "uri": "string"
      }
    },
    "properties": {
      "string": "string"
    },
    "resources": {
      "instanceCount": 1,
      "instanceType": "string",
      "properties": {
        "string": {
          "9bec0ab0-c62f-4fa9-a97c-7b24bbcc90ad": null
        }
      }
    },
    "services": {
      "string": {
        "endpoint": "string",
        "errorMessage": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        },
        "status": "string"
      }
    },
    "status": "Scheduled",
    "tags": {
      "string": "string"
    },
    "taskDetails": {
      "limitSettings": {
        "maxTrials": 2
      },
      "modelSettings": {
        "validationCropSize": 2
      },
      "searchSpace": [
        {
          "validationCropSize": "choice(2, 360)"
        }
      ],
      "targetColumnName": "string",
      "taskType": "ImageClassification",
      "trainingData": {
        "jobInputType": "mltable",
        "uri": "string"
      }
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "ManagedIdentity"
  }
}

CreateOrUpdate Command Job.

Exemple de requête

HTTP

PUT https://management.azure.com/subscriptions/00000000-1111-2222-3333-444444444444/resourceGroups/test-rg/providers/Microsoft.MachineLearningServices/workspaces/my-aml-workspace/jobs/string?api-version=2025-12-01

{
  "properties": {
    "description": "string",
    "codeId": "string",
    "command": "string",
    "computeId": "string",
    "displayName": "string",
    "distribution": {
      "distributionType": "TensorFlow",
      "parameterServerCount": 1,
      "workerCount": 1
    },
    "environmentId": "string",
    "environmentVariables": {
      "string": "string"
    },
    "experimentName": "string",
    "identity": {
      "identityType": "AMLToken"
    },
    "inputs": {
      "string": {
        "description": "string",
        "jobInputType": "literal",
        "value": "string"
      }
    },
    "jobType": "Command",
    "limits": {
      "jobLimitsType": "Command",
      "timeout": "PT5M"
    },
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "ReadWriteMount",
        "uri": "string"
      }
    },
    "properties": {
      "string": "string"
    },
    "resources": {
      "instanceCount": 1,
      "instanceType": "string",
      "properties": {
        "string": {
          "e6b6493e-7d5e-4db3-be1e-306ec641327e": null
        }
      }
    },
    "services": {
      "string": {
        "endpoint": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        }
      }
    },
    "tags": {
      "string": "string"
    }
  }
}

Exemple de réponse

Code d’état:

200

{
  "name": "string",
  "type": "string",
  "id": "string",
  "properties": {
    "description": "string",
    "codeId": "string",
    "command": "string",
    "computeId": "string",
    "displayName": "string",
    "distribution": {
      "distributionType": "TensorFlow",
      "parameterServerCount": 1,
      "workerCount": 1
    },
    "environmentId": "string",
    "environmentVariables": {
      "string": "string"
    },
    "experimentName": "string",
    "identity": {
      "identityType": "AMLToken"
    },
    "inputs": {
      "string": {
        "description": "string",
        "jobInputType": "literal",
        "value": "string"
      }
    },
    "jobType": "Command",
    "limits": {
      "jobLimitsType": "Command",
      "timeout": "PT5M"
    },
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "ReadWriteMount",
        "uri": "string"
      }
    },
    "parameters": {
      "string": "string"
    },
    "properties": {
      "string": "string"
    },
    "resources": {
      "instanceCount": 1,
      "instanceType": "string",
      "properties": {
        "string": {
          "a0847709-f5aa-4561-8ba5-d915d403fdcf": null
        }
      }
    },
    "services": {
      "string": {
        "endpoint": "string",
        "errorMessage": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        },
        "status": "string"
      }
    },
    "status": "NotStarted",
    "tags": {
      "string": "string"
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "User"
  }
}

Code d’état:

201

{
  "name": "string",
  "type": "string",
  "id": "string",
  "properties": {
    "description": "string",
    "codeId": "string",
    "command": "string",
    "computeId": "string",
    "displayName": "string",
    "distribution": {
      "distributionType": "TensorFlow",
      "parameterServerCount": 1,
      "workerCount": 1
    },
    "environmentId": "string",
    "environmentVariables": {
      "string": "string"
    },
    "experimentName": "string",
    "identity": {
      "identityType": "AMLToken"
    },
    "inputs": {
      "string": {
        "description": "string",
        "jobInputType": "literal",
        "value": "string"
      }
    },
    "jobType": "Command",
    "limits": {
      "jobLimitsType": "Command",
      "timeout": "PT5M"
    },
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "ReadWriteMount",
        "uri": "string"
      }
    },
    "parameters": {
      "string": "string"
    },
    "properties": {
      "string": "string"
    },
    "resources": {
      "instanceCount": 1,
      "instanceType": "string",
      "properties": {
        "string": {
          "b8163d40-c351-43d6-8a34-d0cd895b8a5a": null
        }
      }
    },
    "services": {
      "string": {
        "endpoint": "string",
        "errorMessage": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        },
        "status": "string"
      }
    },
    "status": "NotStarted",
    "tags": {
      "string": "string"
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "User"
  }
}

CreateOrUpdate Pipeline Job.

Exemple de requête

HTTP

PUT https://management.azure.com/subscriptions/00000000-1111-2222-3333-444444444444/resourceGroups/test-rg/providers/Microsoft.MachineLearningServices/workspaces/my-aml-workspace/jobs/string?api-version=2025-12-01

{
  "properties": {
    "description": "string",
    "computeId": "string",
    "displayName": "string",
    "experimentName": "string",
    "inputs": {
      "string": {
        "description": "string",
        "jobInputType": "literal",
        "value": "string"
      }
    },
    "jobType": "Pipeline",
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "Upload",
        "uri": "string"
      }
    },
    "properties": {
      "string": "string"
    },
    "services": {
      "string": {
        "endpoint": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        }
      }
    },
    "settings": {},
    "tags": {
      "string": "string"
    }
  }
}

Exemple de réponse

Code d’état:

200

{
  "name": "string",
  "type": "string",
  "id": "string",
  "properties": {
    "description": "string",
    "computeId": "string",
    "displayName": "string",
    "experimentName": "string",
    "inputs": {
      "string": {
        "description": "string",
        "jobInputType": "literal",
        "value": "string"
      }
    },
    "jobType": "Pipeline",
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "Upload",
        "uri": "string"
      }
    },
    "properties": {
      "string": "string"
    },
    "services": {
      "string": {
        "endpoint": "string",
        "errorMessage": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        },
        "status": "string"
      }
    },
    "settings": {},
    "status": "NotStarted",
    "tags": {
      "string": "string"
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "User"
  }
}

Code d’état:

201

{
  "name": "string",
  "type": "string",
  "id": "string",
  "properties": {
    "description": "string",
    "computeId": "string",
    "displayName": "string",
    "experimentName": "string",
    "inputs": {
      "string": {
        "description": "string",
        "jobInputType": "literal",
        "value": "string"
      }
    },
    "jobType": "Pipeline",
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "Upload",
        "uri": "string"
      }
    },
    "properties": {
      "string": "string"
    },
    "services": {
      "string": {
        "endpoint": "string",
        "errorMessage": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        },
        "status": "string"
      }
    },
    "settings": {},
    "status": "NotStarted",
    "tags": {
      "string": "string"
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "User"
  }
}

CreateOrUpdate Sweep Job.

Exemple de requête

HTTP

PUT https://management.azure.com/subscriptions/00000000-1111-2222-3333-444444444444/resourceGroups/test-rg/providers/Microsoft.MachineLearningServices/workspaces/my-aml-workspace/jobs/string?api-version=2025-12-01

{
  "properties": {
    "description": "string",
    "computeId": "string",
    "displayName": "string",
    "earlyTermination": {
      "delayEvaluation": 1,
      "evaluationInterval": 1,
      "policyType": "MedianStopping"
    },
    "experimentName": "string",
    "jobType": "Sweep",
    "limits": {
      "jobLimitsType": "Sweep",
      "maxConcurrentTrials": 1,
      "maxTotalTrials": 1,
      "trialTimeout": "PT1S"
    },
    "objective": {
      "goal": "Minimize",
      "primaryMetric": "string"
    },
    "properties": {
      "string": "string"
    },
    "samplingAlgorithm": {
      "samplingAlgorithmType": "Grid"
    },
    "searchSpace": {
      "string": {}
    },
    "services": {
      "string": {
        "endpoint": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        }
      }
    },
    "tags": {
      "string": "string"
    },
    "trial": {
      "codeId": "string",
      "command": "string",
      "distribution": {
        "distributionType": "Mpi",
        "processCountPerInstance": 1
      },
      "environmentId": "string",
      "environmentVariables": {
        "string": "string"
      },
      "resources": {
        "instanceCount": 1,
        "instanceType": "string",
        "properties": {
          "string": {
            "e6b6493e-7d5e-4db3-be1e-306ec641327e": null
          }
        }
      }
    }
  }
}

Exemple de réponse

Code d’état:

200

{
  "name": "string",
  "type": "string",
  "id": "string",
  "properties": {
    "description": "string",
    "computeId": "string",
    "displayName": "string",
    "earlyTermination": {
      "delayEvaluation": 1,
      "evaluationInterval": 1,
      "policyType": "MedianStopping"
    },
    "experimentName": "string",
    "jobType": "Sweep",
    "limits": {
      "jobLimitsType": "Sweep",
      "maxConcurrentTrials": 1,
      "maxTotalTrials": 1,
      "trialTimeout": "PT1S"
    },
    "objective": {
      "goal": "Minimize",
      "primaryMetric": "string"
    },
    "properties": {
      "string": "string"
    },
    "samplingAlgorithm": {
      "samplingAlgorithmType": "Grid"
    },
    "searchSpace": {
      "string": {}
    },
    "services": {
      "string": {
        "endpoint": "string",
        "errorMessage": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        },
        "status": "string"
      }
    },
    "status": "NotStarted",
    "tags": {
      "string": "string"
    },
    "trial": {
      "codeId": "string",
      "command": "string",
      "distribution": {
        "distributionType": "Mpi",
        "processCountPerInstance": 1
      },
      "environmentId": "string",
      "environmentVariables": {
        "string": "string"
      },
      "resources": {
        "instanceCount": 1,
        "instanceType": "string",
        "properties": {
          "string": {
            "e6b6493e-7d5e-4db3-be1e-306ec641327e": null
          }
        }
      }
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "User"
  }
}

Code d’état:

201

{
  "name": "string",
  "type": "string",
  "id": "string",
  "properties": {
    "description": "string",
    "computeId": "string",
    "displayName": "string",
    "earlyTermination": {
      "delayEvaluation": 1,
      "evaluationInterval": 1,
      "policyType": "MedianStopping"
    },
    "experimentName": "string",
    "jobType": "Sweep",
    "limits": {
      "jobLimitsType": "Sweep",
      "maxConcurrentTrials": 1,
      "maxTotalTrials": 1,
      "trialTimeout": "PT1S"
    },
    "objective": {
      "goal": "Minimize",
      "primaryMetric": "string"
    },
    "properties": {
      "string": "string"
    },
    "samplingAlgorithm": {
      "samplingAlgorithmType": "Grid"
    },
    "searchSpace": {
      "string": {}
    },
    "services": {
      "string": {
        "endpoint": "string",
        "errorMessage": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        },
        "status": "string"
      }
    },
    "status": "NotStarted",
    "tags": {
      "string": "string"
    },
    "trial": {
      "codeId": "string",
      "command": "string",
      "distribution": {
        "distributionType": "Mpi",
        "processCountPerInstance": 1
      },
      "environmentId": "string",
      "environmentVariables": {
        "string": "string"
      },
      "resources": {
        "instanceCount": 1,
        "instanceType": "string",
        "properties": {
          "string": {
            "e6b6493e-7d5e-4db3-be1e-306ec641327e": null
          }
        }
      }
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "User"
  }
}

Définitions

Nom	Description
AllNodes	Tous les nœuds signifie que le service s’exécutera sur tous les nœuds du travail
AmlToken	Configuration de l’identité du jeton AML.
AutoForecastHorizon	Horizon de prévision déterminé automatiquement par le système.
AutoMLJob	Classe AutoMLJob. Utilisez cette classe pour exécuter des tâches AutoML telles que la classification/régression, etc. Voir l’énumération TaskType pour toutes les tâches prises en charge.
AutoNCrossValidations	Les validations N-Cross sont déterminées automatiquement.
AutoSeasonality
AutoTargetLags
AutoTargetRollingWindowSize	La fenêtre glissante des décalages cibles est déterminée automatiquement.
AzureDevOpsWebhook	Détails du webhook spécifiques à Azure DevOps
BanditPolicy	Définit une politique de résiliation anticipée basée sur des critères de relâchement, ainsi qu’une fréquence et un intervalle de retard pour l’évaluation
BayesianSamplingAlgorithm	Définit un algorithme d’échantillonnage qui génère des valeurs basées sur les valeurs précédentes
BlockedTransformers	Enumération pour tous les modèles de classification pris en charge par AutoML.
Classification	Tâche de classification dans la verticale de la table AutoML.
ClassificationModels	Enumération pour tous les modèles de classification pris en charge par AutoML.
ClassificationMultilabelPrimaryMetrics	Métriques principales pour les tâches de classification multi-étiquettes.
ClassificationPrimaryMetrics	Indicateurs principaux pour les tâches de classification.
ClassificationTrainingSettings	Configuration liée à la formation de classification.
CommandJob	Définition de la tâche de commande.
CommandJobLimits	Classe limite de la tâche de commande.
createdByType	Type d’identité qui a créé la ressource.
CustomForecastHorizon	Horizon de prévision maximal souhaité en unités de fréquence de série chronologique.
CustomModelJobInput
CustomModelJobOutput
CustomNCrossValidations	Les validations N-Cross sont spécifiées par l’utilisateur.
CustomSeasonality
CustomTargetLags
CustomTargetRollingWindowSize
DistributionType	Enum pour déterminer le type de répartition des tâches.
EarlyTerminationPolicyType
EmailNotificationEnableType	pour déterminer le type de notification par e-mail.
ErrorAdditionalInfo	Informations supplémentaires sur l’erreur de gestion des ressources.
ErrorDetail	Détail de l’erreur.
ErrorResponse	Réponse d’erreur
FeatureLags	Indicateur pour générer des décalages pour les fonctionnalités numériques.
FeaturizationMode	Mode caractérisation : l’utilisateur peut conserver le mode « Auto » par défaut et AutoML prend en charge la transformation nécessaire des données dans la phase de caractérisation. Si « Désactivé » est sélectionné, aucune caractérisation n’est effectuée. Si « Personnalisé » est sélectionné, l’utilisateur peut spécifier des entrées supplémentaires pour personnaliser la façon dont la caractérisation est effectuée.
ForecastHorizonMode	Énumérer pour déterminer le mode de sélection de l’horizon de prévision.
Forecasting	Tâche de prévision dans la verticale de la table AutoML.
ForecastingModels	Enum pour tous les modèles de prévision pris en charge par AutoML.
ForecastingPrimaryMetrics	Métriques principales pour la tâche de prévision.
ForecastingSettings	Prévision de paramètres spécifiques.
ForecastingTrainingSettings	Configuration liée à la formation.
Goal	Définit les objectifs de mesure pris en charge pour le réglage des hyperparamètres
GridSamplingAlgorithm	Définit un algorithme d’échantillonnage qui génère de manière exhaustive chaque combinaison de valeurs dans l’espace
IdentityConfigurationType	Enum pour déterminer le cadre d’identité.
ImageClassification	Classification d’images. La classification d’images multiclasses est utilisée lorsqu’une image est classifiée avec une seule étiquette provenant d’un ensemble de classes - par exemple, chaque image est classée comme une image d’un « chat », d’un « chien » ou d’un « canard ».
ImageClassificationMultilabel	Classification d’images multi-étiquettes. La classification d’images multi-étiquettes est utilisée lorsqu’une image peut avoir une ou plusieurs étiquettes d’un ensemble d’étiquettes - par exemple, une image peut être étiquetée à la fois avec « chat » et « chien ».
ImageInstanceSegmentation	Segmentation d’instance d’image. La segmentation d’instance est utilisée pour identifier les objets d’une image au niveau du pixel, en dessinant un polygone autour de chaque objet de l’image.
ImageLimitSettings	Limitez les paramètres de la tâche AutoML.
ImageModelDistributionSettingsClassification	Expressions de distribution pour balayer les valeurs des paramètres du modèle. <exemple> Quelques exemples sont : ModelName = "choice('seresnext', 'resnest50')"; LearningRate = "uniform(0.001, 0.01)"; LayersToFreeze = "choice(0, 2)"; ```</example> For more details on how to compose distribution expressions please check the documentation: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters For more information on the available settings please visit the official documentation: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
ImageModelDistributionSettingsObjectDetection	Expressions de distribution pour balayer les valeurs des paramètres du modèle. <exemple> Quelques exemples sont : ModelName = "choice('seresnext', 'resnest50')"; LearningRate = "uniform(0.001, 0.01)"; LayersToFreeze = "choice(0, 2)"; ```</example> For more details on how to compose distribution expressions please check the documentation: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters For more information on the available settings please visit the official documentation: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
ImageModelSettingsClassification	Paramètres utilisés pour l’apprentissage du modèle. Pour plus d’informations sur les paramètres disponibles, veuillez consulter la documentation officielle : https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
ImageModelSettingsObjectDetection	Paramètres utilisés pour l’apprentissage du modèle. Pour plus d’informations sur les paramètres disponibles, veuillez consulter la documentation officielle : https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
ImageObjectDetection	Détection d’objets d’image. La détection d’objets est utilisée pour identifier les objets dans une image et localiser chaque objet à l’aide d’une boîte englobante, par exemple localiser tous les chiens et chats dans une image et dessiner une boîte englobante autour de chacun.
ImageSweepSettings	Modèles de balayage et de balayage hyperparamètres paramètres associés au balayage.
InputDeliveryMode	Enum pour déterminer le mode de livraison des données d’entrée.
InstanceSegmentationPrimaryMetrics	Métriques principales pour les tâches InstanceSegmentation.
JobBase	Enveloppe de ressources Azure Resource Manager.
JobInputType	Enum pour déterminer le type d’entrée de tâche.
JobLimitsType
JobOutputType	Enum pour déterminer le type de sortie de tâche.
JobResourceConfiguration
JobService	Définition du point de terminaison de la tâche
JobStatus	Statut d’une tâche.
JobTier	Énumération pour déterminer le niveau de travail.
JobType	Enum pour déterminer le type de travail.
LearningRateScheduler	Apprentissage du planificateur de taux enum.
LiteralJobInput	Type d’entrée littérale.
LogVerbosity	Énumération pour la définition de la verbosité du journal.
ManagedIdentity	Configuration de l’identité managée.
MedianStoppingPolicy	Définit une politique de résiliation anticipée basée sur les moyennes mobiles de la métrique principale de toutes les exécutions
MLFlowModelJobInput
MLFlowModelJobOutput
MLTableJobInput
MLTableJobOutput
ModelSize	Taille du modèle d’image.
Mpi	Configuration de la distribution MPI.
NCrossValidationsMode	Détermine comment la valeur des validations N-Cross est déterminée.
NlpVerticalFeaturizationSettings
NlpVerticalLimitSettings	Contraintes d’exécution des tâches.
NodesValueType	Types énumérés pour la valeur nodes
NotificationSetting	Configuration de la notification.
ObjectDetectionPrimaryMetrics	Métriques principales pour la tâche Image ObjectDetection.
Objective	Objectif d’optimisation.
OutputDeliveryMode	Énumérations du mode de livraison des données de sortie.
PipelineJob	Définition du travail de pipeline : définit les attributs MFE génériques.
PyTorch	Configuration de la distribution PyTorch.
QueueSettings
RandomSamplingAlgorithm	Définit un algorithme d’échantillonnage qui génère des valeurs de manière aléatoire
RandomSamplingAlgorithmRule	Type spécifique d’algorithme aléatoire
Regression	Tâche de régression dans la verticale de la table AutoML.
RegressionModels	Enumération pour tous les modèles de régression pris en charge par AutoML.
RegressionPrimaryMetrics	Métriques principales pour la tâche de régression.
RegressionTrainingSettings	Configuration liée à l’entraînement de régression.
SamplingAlgorithmType
SeasonalityMode	Mode de prévision saisonnière.
ShortSeriesHandlingConfiguration	Paramètre définissant comment si AutoML doit gérer des séries chronologiques courtes.
SparkJob	Définition du job Spark.
SparkJobEntryType
SparkJobPythonEntry
SparkJobScalaEntry
SparkResourceConfiguration
StackEnsembleSettings	Réglage avancé pour personnaliser l’exécution de StackEnsemble.
StackMetaLearnerType	Le méta-apprenant est un modèle entraîné sur les résultats des modèles individuels hétérogènes.\r\nLes méta-apprenants par défaut sont LogisticRegression pour les tâches de classification (ou LogisticRegressionCV si la validation croisée est activée) et ElasticNet pour les tâches de régression/prévision (ou ElasticNetCV si la validation croisée est activée).\r\nCe paramètre peut être l’une des chaînes suivantes : LogisticRegression, LogisticRegressionCV, LightGBMClassifier, ElasticNet, ElasticNetCV, LightGBMRegressor ou LinearRegression
StochasticOptimizer	Optimiseur stochastique pour les modèles d’image.
SweepJob	Définition du travail de balayage.
SweepJobLimits	Classe de limite de tâche de balayage.
systemData	Métadonnées relatives à la création et à la dernière modification de la ressource.
TableVerticalFeaturizationSettings	Configuration de caractérisation.
TableVerticalLimitSettings	Contraintes d’exécution des tâches.
TargetAggregationFunction	Fonction d’agrégation cible.
TargetLagsMode	La cible retarde les modes de sélection.
TargetRollingWindowSizeMode	Mode de taille des fenêtres glissantes cibles.
TaskType	Type de tâche AutoMLJob.
TensorFlow	Configuration de la distribution TensorFlow.
TextClassification	Tâche de classification de texte dans AutoML NLP vertical. NLP - Traitement du langage naturel.
TextClassificationMultilabel	Tâche Multilabel de classification de texte dans AutoML NLP vertical. NLP - Traitement du langage naturel.
TextNer	Text-NER tâche dans AutoML NLP verticale. NER : reconnaissance d’entités nommées. NLP - Traitement du langage naturel.
TrialComponent	Définition du composant d’évaluation.
TritonModelJobInput
TritonModelJobOutput
TruncationSelectionPolicy	Définit une stratégie d’arrêt anticipé qui annule un pourcentage donné d’exécutions à chaque intervalle d’évaluation.
UriFileJobInput
UriFileJobOutput
UriFolderJobInput
UriFolderJobOutput
UserIdentity	Configuration de l’identité de l’utilisateur.
UseStl	Configurez la décomposition STL de la colonne cible de série chronologique.
ValidationMetricType	Méthode de calcul de métrique à utiliser pour les métriques de validation dans les tâches d’image.
WebhookType	Enum pour déterminer le type de service de rappel de webhook.

AllNodes

Objet

Tous les nœuds signifie que le service s’exécutera sur tous les nœuds du travail

Nom	Type	Description
nodesValueType	string: All	[Obligatoire] Type de la valeur nœuds

AmlToken

Objet

Configuration de l’identité du jeton AML.

Nom	Type	Description
identityType	string: AMLToken	[Obligatoire] Spécifie le type d’infrastructure d’identité.

AutoForecastHorizon

Objet

Horizon de prévision déterminé automatiquement par le système.

Nom	Type	Description
mode	string: Auto	[Obligatoire] Définissez le mode de sélection des valeurs de l’horizon de prévision.

AutoMLJob

Objet

Classe AutoMLJob. Utilisez cette classe pour exécuter des tâches AutoML telles que la classification/régression, etc. Voir l’énumération TaskType pour toutes les tâches prises en charge.

Nom	Type	Valeur par défaut	Description
componentId	string		ID de ressource ARM de la ressource de composant.
computeId	string		ID de ressource ARM de la ressource de calcul.
description	string		Texte de description de la ressource.
displayName	string		Nom complet du travail.
environmentId	string		ID de ressource ARM de la spécification d’environnement pour le travail. Il s’agit d’une valeur facultative à fournir, si elle n’est pas fournie, AutoML est définie par défaut sur la version de l’environnement organisé AutoML de production lors de l’exécution du travail.
environmentVariables	object		Variables d’environnement incluses dans le travail.
experimentName	string	Default	Nom de l’expérience à laquelle appartient le travail. S’il n’est pas défini, le travail est placé dans l’expérience « Par défaut ».
identity	IdentityConfiguration: AmlToken ManagedIdentity UserIdentity		Configuration de l’identité. Si cette valeur est définie, il doit s’agir de l’un des éléments AmlToken, ManagedIdentity, UserIdentity ou Null. La valeur par défaut est AmlToken si null.
isArchived	boolean	False	La ressource est-elle archivée ?
jobType	string: AutoML		[Obligatoire] Spécifie le type de travail.
notificationSetting	NotificationSetting		Paramètre de notification pour le travail
outputs	object		Mappage des liaisons de données de sortie utilisées dans le travail.
properties	object		Dictionnaire de propriétés de ressource.
queueSettings	QueueSettings		Paramètres de file d’attente du travail
resources	JobResourceConfiguration		Configuration des ressources de calcul pour le travail.
services	<string,  JobService>		Liste des points de terminaison de travail. Pour les travaux locaux, un point de terminaison de travail a une valeur de point de terminaison de FileStreamObject.
status	JobStatus		Statut de la tâche.
tags	object		Dictionnaire de balises. Les balises peuvent être ajoutées, supprimées et mises à jour.
taskDetails	AutoMLVertical: Classification Forecasting ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection Regression TextClassification TextClassificationMultilabel TextNer		[Obligatoire] Cela représente un scénario qui peut être l’une des tables/NLP/Image

AutoNCrossValidations

Objet

Les validations N-Cross sont déterminées automatiquement.

Nom	Type	Description
mode	string: Auto	[Obligatoire] Mode pour déterminer les validations N-Cross.

AutoSeasonality

Objet

Nom	Type	Description
mode	string: Auto	[Obligatoire] Mode saisonnalité.

AutoTargetLags

Objet

Nom	Type	Description
mode	string: Auto	[Obligatoire] Définir le mode décalages cibles - Auto/Custom

AutoTargetRollingWindowSize

Objet

La fenêtre glissante des décalages cibles est déterminée automatiquement.

Nom	Type	Description
mode	string: Auto	[Obligatoire] Mode de détection TargetRollingWindowSiz.

AzureDevOpsWebhook

Objet

Détails du webhook spécifiques à Azure DevOps

Nom	Type	Description
eventType	string	Envoyer un rappel sur un événement de notification spécifié
webhookType	string: AzureDevOps	[Obligatoire] Spécifie le type de service à envoyer un rappel

BanditPolicy

Objet

Définit une politique de résiliation anticipée basée sur des critères de relâchement, ainsi qu’une fréquence et un intervalle de retard pour l’évaluation

Nom	Type	Valeur par défaut	Description
delayEvaluation	integer (int32)	0	Nombre d’intervalles par lesquels retarder la première évaluation.
evaluationInterval	integer (int32)	0	Intervalle (nombre d’exécutions) entre les évaluations de stratégie.
policyType	string: Bandit		[Obligatoire] Nom de la configuration de la stratégie
slackAmount	number (float)	0	Distance absolue autorisée à partir de la meilleure exécution.
slackFactor	number (float)	0	Ratio de la distance autorisée par rapport à la meilleure exécution.

BayesianSamplingAlgorithm

Objet

Définit un algorithme d’échantillonnage qui génère des valeurs basées sur les valeurs précédentes

Nom	Type	Description
samplingAlgorithmType	string: Bayesian	[Obligatoire] Algorithme utilisé pour générer des valeurs d’hyperparamètres, ainsi que des propriétés de configuration

BlockedTransformers

Énumération

Enumération pour tous les modèles de classification pris en charge par AutoML.

Valeur	Description
TextTargetEncoder	Encodage cible pour les données texte.
OneHotEncoder	L’encodage à chaud crée une transformation de caractéristique binaire.
CatTargetEncoder	Encodage cible pour les données catégorielles.
TfIdf	Tf-Idf signifie « fréquence de terme multipliée par l’inverse de la fréquence du document ». Il s’agit d’un système de pondération des termes courant pour identifier les informations provenant de documents.
WoETargetEncoder	L’encodage du poids de la preuve est une technique utilisée pour coder des variables catégorielles. Il utilise le logarithme naturel de P(1)/P(0) pour créer des poids.
LabelEncoder	L’encodeur d’étiquettes convertit les étiquettes/variables catégorielles sous forme numérique.
WordEmbedding	L’intégration de mots aide à représenter des mots ou des phrases sous la forme d’un vecteur ou d’une série de nombres.
NaiveBayes	Naive Bayes est une classification qui est utilisée pour la classification de caractéristiques discrètes qui sont distribuées de manière catégorique.
CountVectorizer	Count Vectorizer convertit une collection de documents texte en une matrice de comptages de jetons.
HashOneHotEncoder	Le hachage d’un encodeur à chaud peut transformer des variables catégorielles en un nombre limité de nouvelles fonctionnalités. Ceci est souvent utilisé pour les caractéristiques catégorielles à cardinalité élevée.

Classification

Objet

Tâche de classification dans la verticale de la table AutoML.

Nom	Type	Valeur par défaut	Description
cvSplitColumnNames	string[]		Colonnes à utiliser pour les données CVSplit.
featurizationSettings	TableVerticalFeaturizationSettings		Entrées de caractérisation nécessaires pour le travail AutoML.
limitSettings	TableVerticalLimitSettings		Contraintes d’exécution pour AutoMLJob.
logVerbosity	LogVerbosity	Info	Énumération pour la définition de la verbosité du journal.
nCrossValidations	NCrossValidations: AutoNCrossValidations CustomNCrossValidations		Nombre de plis de validation croisée à appliquer sur le jeu de données d’entraînement lorsque le jeu de données de validation n’est pas fourni.
positiveLabel	string		Étiquette positive pour le calcul des métriques binaires.
primaryMetric	ClassificationPrimaryMetrics	AUCWeighted	Indicateurs principaux pour les tâches de classification.
targetColumnName	string		Nom de la colonne cible : il s’agit de la colonne valeurs de prédiction. Également appelé nom de colonne d’étiquette dans le contexte des tâches de classification.
taskType	string: Classification		[Obligatoire] Type de tâche pour AutoMLJob.
testData	MLTableJobInput		Tester l’entrée de données.
testDataSize	number (double)		Fraction du jeu de données de test qui doit être mis de côté à des fins de validation. Valeurs comprises entre (0,0 , 1,0) Appliquées lorsque le jeu de données de validation n’est pas fourni.
trainingData	MLTableJobInput		[Obligatoire] Entrée de données d’apprentissage.
trainingSettings	ClassificationTrainingSettings		Entrées pour la phase d’entraînement d’un travail AutoML.
validationData	MLTableJobInput		Entrées de données de validation.
validationDataSize	number (double)		Fraction du jeu de données d’entraînement qui doit être mis de côté à des fins de validation. Valeurs comprises entre (0,0 , 1,0) Appliquées lorsque le jeu de données de validation n’est pas fourni.
weightColumnName	string		Nom de l’exemple de colonne de poids. Le ML automatisé prend en charge une colonne pondérée en tant qu’entrée, ce qui entraîne une pondération des lignes dans les données.

ClassificationModels

Énumération

Enumération pour tous les modèles de classification pris en charge par AutoML.

Valeur	Description
LogisticRegression	La régression logistique est une technique de classification fondamentale. Il appartient au groupe des classificateurs linéaires et est quelque peu similaire à la régression polynomiale et linéaire. La régression logistique est rapide et relativement simple, et il est pratique pour vous d’interpréter les résultats. Bien qu’il s’agisse essentiellement d’une méthode de classification binaire, elle peut également être appliquée à des problèmes multiclasses.
SGD	SGD : La descente de gradient stochastique est un algorithme d’optimisation souvent utilisé dans les applications d’apprentissage automatique pour trouver les paramètres du modèle qui correspondent au meilleur ajustement entre les sorties prévues et réelles.
MultinomialNaiveBayes	Le classificateur naïf bayésien multinomial est adapté à la classification avec des caractéristiques discrètes (par exemple, le nombre de mots pour la classification de texte). La distribution multinomiale nécessite normalement un nombre de caractéristiques entières. Cependant, en pratique, les comptages fractionnaires tels que tf-idf peuvent également fonctionner.
BernoulliNaiveBayes	Classificateur naïf de Bayes pour les modèles de Bernoulli multivariés.
SVM	Une machine à vecteur de support (SVM) est un modèle d’apprentissage automatique supervisé qui utilise des algorithmes de classification pour les problèmes de classification à deux groupes. Après avoir fourni à un modèle SVM des ensembles de données d’entraînement étiquetées pour chaque catégorie, ils sont en mesure de catégoriser le nouveau texte.
LinearSVM	Une machine à vecteur de support (SVM) est un modèle d’apprentissage automatique supervisé qui utilise des algorithmes de classification pour les problèmes de classification à deux groupes. Après avoir fourni à un modèle SVM des ensembles de données d’entraînement étiquetées pour chaque catégorie, ils sont en mesure de catégoriser le nouveau texte. La SVM linéaire fonctionne mieux lorsque les données d’entrée sont linéaires, c’est-à-dire que les données peuvent être facilement classifiées en traçant la ligne droite entre les valeurs classifiées sur un graphique tracé.
KNN	L’algorithme KNN (K-nearest neighbors) utilise la « similarité des caractéristiques » pour prédire les valeurs des nouveaux points de données, ce qui signifie en outre que le nouveau point de données se verra attribuer une valeur en fonction de sa correspondance avec les points de l’ensemble d’apprentissage.
DecisionTree	Les arbres de décision sont une méthode d’apprentissage supervisé non paramétrique utilisée pour les tâches de classification et de régression. L’objectif est de créer un modèle qui prédit la valeur d’une variable cible en apprenant des règles de décision simples déduites des caractéristiques de données.
RandomForest	La forêt aléatoire est un algorithme d’apprentissage supervisé. La « forêt » qu’il construit est un ensemble d’arbres de décision, généralement entraînés avec la méthode du « bagging ». L’idée générale de la méthode d’ensachage est qu’une combinaison de modèles d’apprentissage augmente le résultat global.
ExtremeRandomTrees	Extreme Trees est un algorithme d’apprentissage automatique d’ensemble qui combine les prédictions de nombreux arbres de décision. Il est lié à l’algorithme de forêt aléatoire largement utilisé.
LightGBM	LightGBM est un framework de boosting de gradient qui utilise des algorithmes d’apprentissage basés sur des arbres.
GradientBoosting	La technique de transformation des apprenants de la semaine en un apprenant fort s’appelle le Boosting. Le processus de l’algorithme de boosting de gradient fonctionne sur cette théorie de l’exécution.
XGBoostClassifier	XGBoost : Algorithme de boosting de gradient extrême. Cet algorithme est utilisé pour les données structurées où les valeurs de colonne cible peuvent être divisées en valeurs de classe distinctes.

ClassificationMultilabelPrimaryMetrics

Énumération

Métriques principales pour les tâches de classification multi-étiquettes.

Valeur	Description
AUCWeighted	L’AUC est l’aire sous la courbe. Cette métrique représente la moyenne arithmétique du score de chaque classe, pondérée par le nombre d’instances réelles dans chaque classe.
Accuracy	La précision représente le taux de prédictions qui correspondent exactement aux étiquettes de classes réelles.
NormMacroRecall	Le rappel macro normalisé représente un rappel macro moyen et normalisé, de sorte que la performance aléatoire affiche un score de 0 et la performance parfaite un score de 1.
AveragePrecisionScoreWeighted	Moyenne arithmétique du score de précision moyen pour chaque classe, pondérée par le nombre d’instances vraies dans chaque classe.
PrecisionScoreWeighted	Moyenne arithmétique de précision de chaque classe, pondérée par le nombre d’instances vraies dans chaque classe.
IOU	Intersection au-dessus de l’Union. Intersection des prédictions divisée par l’union des prédictions.

ClassificationPrimaryMetrics

Énumération

Indicateurs principaux pour les tâches de classification.

Valeur	Description
AUCWeighted	L’AUC est l’aire sous la courbe. Cette métrique représente la moyenne arithmétique du score de chaque classe, pondérée par le nombre d’instances réelles dans chaque classe.
Accuracy	La précision représente le taux de prédictions qui correspondent exactement aux étiquettes de classes réelles.
NormMacroRecall	Le rappel macro normalisé représente un rappel macro moyen et normalisé, de sorte que la performance aléatoire affiche un score de 0 et la performance parfaite un score de 1.
AveragePrecisionScoreWeighted	Moyenne arithmétique du score de précision moyen pour chaque classe, pondérée par le nombre d’instances vraies dans chaque classe.
PrecisionScoreWeighted	Moyenne arithmétique de précision de chaque classe, pondérée par le nombre d’instances vraies dans chaque classe.

ClassificationTrainingSettings

Objet

Configuration liée à la formation de classification.

Nom	Type	Valeur par défaut	Description
allowedTrainingAlgorithms	ClassificationModels[]		Modèles autorisés pour la tâche de classification.
blockedTrainingAlgorithms	ClassificationModels[]		Modèles bloqués pour la tâche de classification.
enableDnnTraining	boolean	False	Activez la recommandation des modèles DNN.
enableModelExplainability	boolean	True	Indicateur pour activer l’explication sur le meilleur modèle.
enableOnnxCompatibleModels	boolean	False	Indicateur pour l’activation des modèles compatibles onnx.
enableStackEnsemble	boolean	True	Activez l’exécution de l’ensemble de piles.
enableVoteEnsemble	boolean	True	Activer l’exécution de l’ensemble de vote.
ensembleModelDownloadTimeout	string (duration)	PT5M	Pendant la génération du modèle VotingEnsemble et StackEnsemble, plusieurs modèles adaptés des exécutions enfants précédentes sont téléchargés. Configurez ce paramètre avec une valeur supérieure à 300 secondes, si plus de temps est nécessaire.
stackEnsembleSettings	StackEnsembleSettings		Paramètres d’ensemble de pile pour l’exécution d’un ensemble de piles.

CommandJob

Objet

Définition de la tâche de commande.

Nom	Type	Valeur par défaut	Description
codeId	string		ID de ressource ARM de la ressource de code.
command	string minLength: 1 pattern: [a-zA-Z0-9_]		[Obligatoire] Commande à exécuter au démarrage du travail. eg. « python train.py »
componentId	string		ID de ressource ARM de la ressource de composant.
computeId	string		ID de ressource ARM de la ressource de calcul.
description	string		Texte de description de la ressource.
displayName	string		Nom complet du travail.
distribution	DistributionConfiguration: Mpi PyTorch TensorFlow		Configuration de distribution du travail. Si elle est définie, il doit s’agir de l’un des valeurs Mpi, Tensorflow, PyTorch ou Null.
environmentId	string minLength: 1 pattern: [a-zA-Z0-9_]		[Obligatoire] ID de ressource ARM de la spécification d’environnement pour le travail.
environmentVariables	object		Variables d’environnement incluses dans le travail.
experimentName	string	Default	Nom de l’expérience à laquelle appartient le travail. S’il n’est pas défini, le travail est placé dans l’expérience « Par défaut ».
identity	IdentityConfiguration: AmlToken ManagedIdentity UserIdentity		Configuration de l’identité. Si cette valeur est définie, il doit s’agir de l’un des éléments AmlToken, ManagedIdentity, UserIdentity ou Null. La valeur par défaut est AmlToken si null.
inputs	object		Mappage des liaisons de données d’entrée utilisées dans le travail.
isArchived	boolean	False	La ressource est-elle archivée ?
jobType	string: Command		[Obligatoire] Spécifie le type de travail.
limits	CommandJobLimits		Limite du travail de commande.
notificationSetting	NotificationSetting		Paramètre de notification pour le travail
outputs	object		Mappage des liaisons de données de sortie utilisées dans le travail.
parameters			Paramètres d’entrée.
properties	object		Dictionnaire de propriétés de ressource.
queueSettings	QueueSettings		Paramètres de file d’attente du travail
resources	JobResourceConfiguration		Configuration des ressources de calcul pour le travail.
services	<string,  JobService>		Liste des points de terminaison de travail. Pour les travaux locaux, un point de terminaison de travail a une valeur de point de terminaison de FileStreamObject.
status	JobStatus		Statut de la tâche.
tags	object		Dictionnaire de balises. Les balises peuvent être ajoutées, supprimées et mises à jour.

CommandJobLimits

Objet

Classe limite de la tâche de commande.

Nom	Type	Description
jobLimitsType	string: Command	[Obligatoire] Type JobLimit.
timeout	string (duration)	Durée d’exécution maximale au format ISO 8601, après laquelle le travail sera annulé. Prend uniquement en charge la durée avec une précision aussi faible que secondes.

createdByType

Énumération

Type d’identité qui a créé la ressource.

Valeur	Description
User
Application
ManagedIdentity
Key

CustomForecastHorizon

Objet

Horizon de prévision maximal souhaité en unités de fréquence de série chronologique.

Nom	Type	Description
mode	string: Custom	[Obligatoire] Définissez le mode de sélection des valeurs de l’horizon de prévision.
value	integer (int32)	[Obligatoire] Valeur de l’horizon de prévision.

CustomModelJobInput

Objet

Nom	Type	Valeur par défaut	Description
description	string		Description de l’entrée.
jobInputType	string: custom_model		[Obligatoire] Spécifie le type de travail.
mode	InputDeliveryMode	ReadOnlyMount	Enum pour déterminer le mode de livraison des données d’entrée.
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[Obligatoire] URI de ressource d’entrée.

CustomModelJobOutput

Objet

Nom	Type	Valeur par défaut	Description
assetName	string		Nom de la ressource de sortie.
description	string		Description de la sortie.
jobOutputType	string: custom_model		[Obligatoire] Spécifie le type de travail.
mode	OutputDeliveryMode	ReadWriteMount	Énumérations du mode de livraison des données de sortie.
uri	string		URI de ressource de sortie.

CustomNCrossValidations

Objet

Les validations N-Cross sont spécifiées par l’utilisateur.

Nom	Type	Description
mode	string: Custom	[Obligatoire] Mode pour déterminer les validations N-Cross.
value	integer (int32)	[Obligatoire] Valeur de validation n-croisée.

CustomSeasonality

Objet

Nom	Type	Description
mode	string: Custom	[Obligatoire] Mode saisonnalité.
value	integer (int32)	[Obligatoire] Valeur de saisonnalité.

CustomTargetLags

Objet

Nom	Type	Description
mode	string: Custom	[Obligatoire] Définir le mode décalages cibles - Auto/Custom
values	integer[] (int32)	[Obligatoire] Définissez les valeurs des décalages cibles.

CustomTargetRollingWindowSize

Objet

Nom	Type	Description
mode	string: Custom	[Obligatoire] Mode de détection TargetRollingWindowSiz.
value	integer (int32)	[Obligatoire] Valeur TargetRollingWindowSize.

DistributionType

Énumération

Enum pour déterminer le type de répartition des tâches.

Valeur	Description
PyTorch
TensorFlow
Mpi

EarlyTerminationPolicyType

Énumération

Valeur	Description
Bandit
MedianStopping
TruncationSelection

EmailNotificationEnableType

Énumération

pour déterminer le type de notification par e-mail.

Valeur	Description
JobCompleted
JobFailed
JobCancelled

ErrorAdditionalInfo

Objet

Informations supplémentaires sur l’erreur de gestion des ressources.

Nom	Type	Description
info	object	Informations supplémentaires.
type	string	Type d’informations supplémentaire.

ErrorDetail

Objet

Détail de l’erreur.

Nom	Type	Description
additionalInfo	ErrorAdditionalInfo[]	Informations supplémentaires sur l’erreur.
code	string	Code d’erreur.
details	ErrorDetail[]	Détails de l’erreur.
message	string	Message d’erreur.
target	string	Cible d’erreur.

ErrorResponse

Objet

Réponse d’erreur

Nom	Type	Description
error	ErrorDetail	Objet d’erreur.

FeatureLags

Énumération

Indicateur pour générer des décalages pour les fonctionnalités numériques.

Valeur	Description
None	Aucun décalage de fonctionnalité n’a été généré.
Auto	Le système génère automatiquement des décalages de fonction.

FeaturizationMode

Énumération

Mode caractérisation : l’utilisateur peut conserver le mode « Auto » par défaut et AutoML prend en charge la transformation nécessaire des données dans la phase de caractérisation. Si « Désactivé » est sélectionné, aucune caractérisation n’est effectuée. Si « Personnalisé » est sélectionné, l’utilisateur peut spécifier des entrées supplémentaires pour personnaliser la façon dont la caractérisation est effectuée.

Valeur	Description
Auto	Mode automatique, le système effectue la caractérisation sans aucune entrée de caractérisation personnalisée.
Custom	Caractérisation personnalisée.
Off	Caractérisation désactivée. La tâche « Prévision » ne peut pas utiliser cette valeur.

ForecastHorizonMode

Énumération

Énumérer pour déterminer le mode de sélection de l’horizon de prévision.

Valeur	Description
Auto	Horizon de prévision à déterminer automatiquement.
Custom	Utilisez l’horizon de prévision personnalisé.

Forecasting

Objet

Tâche de prévision dans la verticale de la table AutoML.

Nom	Type	Valeur par défaut	Description
cvSplitColumnNames	string[]		Colonnes à utiliser pour les données CVSplit.
featurizationSettings	TableVerticalFeaturizationSettings		Entrées de caractérisation nécessaires pour le travail AutoML.
forecastingSettings	ForecastingSettings		Prévision d’entrées spécifiques à une tâche.
limitSettings	TableVerticalLimitSettings		Contraintes d’exécution pour AutoMLJob.
logVerbosity	LogVerbosity	Info	Énumération pour la définition de la verbosité du journal.
nCrossValidations	NCrossValidations: AutoNCrossValidations CustomNCrossValidations		Nombre de plis de validation croisée à appliquer sur le jeu de données d’entraînement lorsque le jeu de données de validation n’est pas fourni.
primaryMetric	ForecastingPrimaryMetrics	NormalizedRootMeanSquaredError	Métriques principales pour la tâche de prévision.
targetColumnName	string		Nom de la colonne cible : il s’agit de la colonne valeurs de prédiction. Également appelé nom de colonne d’étiquette dans le contexte des tâches de classification.
taskType	string: Forecasting		[Obligatoire] Type de tâche pour AutoMLJob.
testData	MLTableJobInput		Tester l’entrée de données.
testDataSize	number (double)		Fraction du jeu de données de test qui doit être mis de côté à des fins de validation. Valeurs comprises entre (0,0 , 1,0) Appliquées lorsque le jeu de données de validation n’est pas fourni.
trainingData	MLTableJobInput		[Obligatoire] Entrée de données d’apprentissage.
trainingSettings	ForecastingTrainingSettings		Entrées pour la phase d’entraînement d’un travail AutoML.
validationData	MLTableJobInput		Entrées de données de validation.
validationDataSize	number (double)		Fraction du jeu de données d’entraînement qui doit être mis de côté à des fins de validation. Valeurs comprises entre (0,0 , 1,0) Appliquées lorsque le jeu de données de validation n’est pas fourni.
weightColumnName	string		Nom de l’exemple de colonne de poids. Le ML automatisé prend en charge une colonne pondérée en tant qu’entrée, ce qui entraîne une pondération des lignes dans les données.

ForecastingModels

Énumération

Enum pour tous les modèles de prévision pris en charge par AutoML.

Valeur	Description
AutoArima	Le modèle ARIMA (Auto-Auto-Regressive Integrated Moving Average) utilise des données de séries chronologiques et une analyse statistique pour interpréter les données et faire des prédictions futures. Ce modèle vise à expliquer les données en utilisant des données de séries chronologiques sur leurs valeurs passées et utilise la régression linéaire pour faire des prédictions.
Prophet	Prophet est une procédure de prévision des données de séries chronologiques basée sur un modèle additif où les tendances non linéaires sont ajustées à la saisonnalité annuelle, hebdomadaire et quotidienne, ainsi qu’aux effets de vacances. Il fonctionne mieux avec des séries chronologiques qui ont de forts effets saisonniers et plusieurs saisons de données historiques. Prophet est robuste aux données manquantes et aux changements de tendance, et gère généralement bien les valeurs aberrantes.
Naive	Le modèle de prévision naïf effectue des prédictions en reportant la dernière valeur cible pour chaque série chronologique dans les données d’entraînement.
SeasonalNaive	Le modèle de prévision Seasonal Naive effectue des prédictions en reportant la dernière saison des valeurs cibles pour chaque série chronologique dans les données d’entraînement.
Average	Le modèle de prévision Average effectue des prédictions en reportant la moyenne des valeurs cibles pour chaque série chronologique dans les données d’entraînement.
SeasonalAverage	Le modèle de prévision Moyenne saisonnière effectue des prédictions en reportant la valeur moyenne des données de la dernière saison pour chaque série chronologique dans les données d’entraînement.
ExponentialSmoothing	Le lissage exponentiel est une méthode de prévision de séries chronologiques pour des données univariées qui peut être étendue pour prendre en charge des données avec une tendance systématique ou une composante saisonnière.
Arimax	Un modèle ARIMAX (Autoregressive Integrated Moving Average with Explanatory Variable) peut être considéré comme un modèle de régression multiple avec un ou plusieurs termes autorégressifs (AR) et/ou un ou plusieurs termes de moyenne mobile (MA). Cette méthode convient aux prévisions lorsque les données sont stationnaires/non stationnaires, et multivariées avec tout type de modèle de données, c’est-à-dire niveau/tendance/saisonnalité/cyclicité.
TCNForecaster	TCNForecaster : Prévisionniste des réseaux convolutifs temporels. À FAIRE : Demandez à l’équipe de prévision une brève introduction.
ElasticNet	Le filet élastique est un type populaire de régression linéaire régularisée qui combine deux pénalités populaires, à savoir les fonctions de pénalité L1 et L2.
GradientBoosting	La technique de transformation des apprenants de la semaine en un apprenant fort s’appelle le Boosting. Le processus de l’algorithme de boosting de gradient fonctionne sur cette théorie de l’exécution.
DecisionTree	Les arbres de décision sont une méthode d’apprentissage supervisé non paramétrique utilisée pour les tâches de classification et de régression. L’objectif est de créer un modèle qui prédit la valeur d’une variable cible en apprenant des règles de décision simples déduites des caractéristiques de données.
KNN	L’algorithme KNN (K-nearest neighbors) utilise la « similarité des caractéristiques » pour prédire les valeurs des nouveaux points de données, ce qui signifie en outre que le nouveau point de données se verra attribuer une valeur en fonction de sa correspondance avec les points de l’ensemble d’apprentissage.
LassoLars	Modèle Lasso ajusté avec Régression du moindre angle, alias Lars. Il s’agit d’un modèle linéaire entraîné avec un a priori L1 comme régulariseur.
SGD	SGD : La descente de gradient stochastique est un algorithme d’optimisation souvent utilisé dans les applications d’apprentissage automatique pour trouver les paramètres du modèle qui correspondent au meilleur ajustement entre les sorties prévues et réelles. C’est une technique inexacte mais puissante.
RandomForest	La forêt aléatoire est un algorithme d’apprentissage supervisé. La « forêt » qu’il construit est un ensemble d’arbres de décision, généralement entraînés avec la méthode du « bagging ». L’idée générale de la méthode d’ensachage est qu’une combinaison de modèles d’apprentissage augmente le résultat global.
ExtremeRandomTrees	Extreme Trees est un algorithme d’apprentissage automatique d’ensemble qui combine les prédictions de nombreux arbres de décision. Il est lié à l’algorithme de forêt aléatoire largement utilisé.
LightGBM	LightGBM est un framework de boosting de gradient qui utilise des algorithmes d’apprentissage basés sur des arbres.
XGBoostRegressor	XGBoostRegressor : Extreme Gradient Boosting Regressor est un modèle d’apprentissage automatique supervisé utilisant un ensemble d’apprenants de base.

ForecastingPrimaryMetrics

Énumération

Métriques principales pour la tâche de prévision.

Valeur	Description
SpearmanCorrelation	Le coefficient de corrélation du rang de Spearman est une mesure non paramétrique de la corrélation du rang.
NormalizedRootMeanSquaredError	L’erreur quadratique moyenne normalisée (NRMSE) facilite la comparaison entre des modèles d’échelles différentes.
R2Score	Le score R2 est l’une des mesures d’évaluation des performances pour les modèles d’apprentissage automatique basés sur les prévisions.
NormalizedMeanAbsoluteError	L’erreur absolue moyenne normalisée (NMAE) est une mesure de validation permettant de comparer l’erreur absolue moyenne (MAE) des séries (chronologiques) avec différentes échelles.

ForecastingSettings

Objet

Prévision de paramètres spécifiques.

Nom	Type	Valeur par défaut	Description
countryOrRegionForHolidays	string		Pays ou région pour les vacances pour les tâches de prévision. Il doit s’agir de codes pays/région à deux lettres ISO 3166, par exemple « US » ou « Go ».
cvStepSize	integer (int32)		Nombre de périodes entre l’heure d’origine d’un pliage CV et le pli suivant. Par exemple, si = CVStepSize 3 pour les données quotidiennes, l’heure d’origine de chaque pli sera espacée de trois jours.
featureLags	FeatureLags	None	Indicateur pour générer des décalages pour les fonctionnalités numériques.
forecastHorizon	ForecastHorizon: AutoForecastHorizon CustomForecastHorizon		Horizon de prévision maximal souhaité en unités de fréquence de série chronologique.
frequency	string		Lors de la prévision, ce paramètre représente la période avec laquelle la prévision est souhaitée, par exemple quotidienne, hebdomadaire, annuelle, etc. La fréquence de prévision est la fréquence du jeu de données par défaut.
seasonality	Seasonality: AutoSeasonality CustomSeasonality		Définissez la saisonnalité des séries chronologiques en tant que multiple entier de la fréquence de la série. Si la saisonnalité est définie sur « auto », elle sera déduite.
shortSeriesHandlingConfig	ShortSeriesHandlingConfiguration	Auto	Paramètre définissant comment si AutoML doit gérer des séries chronologiques courtes.
targetAggregateFunction	TargetAggregationFunction	None	Fonction d’agrégation cible.
targetLags	TargetLags: AutoTargetLags CustomTargetLags		Nombre de périodes passées à décalager à partir de la colonne cible.
targetRollingWindowSize	TargetRollingWindowSize: AutoTargetRollingWindowSize CustomTargetRollingWindowSize		Nombre de périodes passées utilisées pour créer une moyenne de fenêtre propagée de la colonne cible.
timeColumnName	string		Nom de la colonne time. Ce paramètre est requis lors de la prévision pour spécifier la colonne datetime dans les données d’entrée utilisées pour générer la série chronologique et déduire sa fréquence.
timeSeriesIdColumnNames	string[]		Noms des colonnes utilisées pour regrouper une série chronologique. Il peut être utilisé pour créer plusieurs séries. Si le grain n’est pas défini, le jeu de données est supposé être une série chronologique. Ce paramètre est utilisé avec la prévision de type de tâche.
useStl	UseStl	None	Configurez la décomposition STL de la colonne cible de série chronologique.

ForecastingTrainingSettings

Objet

Configuration liée à la formation.

Nom	Type	Valeur par défaut	Description
allowedTrainingAlgorithms	ForecastingModels[]		Modèles autorisés pour la tâche de prévision.
blockedTrainingAlgorithms	ForecastingModels[]		Modèles bloqués pour la tâche de prévision.
enableDnnTraining	boolean	False	Activez la recommandation des modèles DNN.
enableModelExplainability	boolean	True	Indicateur pour activer l’explication sur le meilleur modèle.
enableOnnxCompatibleModels	boolean	False	Indicateur pour l’activation des modèles compatibles onnx.
enableStackEnsemble	boolean	True	Activez l’exécution de l’ensemble de piles.
enableVoteEnsemble	boolean	True	Activer l’exécution de l’ensemble de vote.
ensembleModelDownloadTimeout	string (duration)	PT5M	Pendant la génération du modèle VotingEnsemble et StackEnsemble, plusieurs modèles adaptés des exécutions enfants précédentes sont téléchargés. Configurez ce paramètre avec une valeur supérieure à 300 secondes, si plus de temps est nécessaire.
stackEnsembleSettings	StackEnsembleSettings		Paramètres d’ensemble de pile pour l’exécution d’un ensemble de piles.

Goal

Énumération

Définit les objectifs de mesure pris en charge pour le réglage des hyperparamètres

Valeur	Description
Minimize
Maximize

GridSamplingAlgorithm

Objet

Définit un algorithme d’échantillonnage qui génère de manière exhaustive chaque combinaison de valeurs dans l’espace

Nom	Type	Description
samplingAlgorithmType	string: Grid	[Obligatoire] Algorithme utilisé pour générer des valeurs d’hyperparamètres, ainsi que des propriétés de configuration

IdentityConfigurationType

Énumération

Enum pour déterminer le cadre d’identité.

Valeur	Description
Managed
AMLToken
UserIdentity

ImageClassification

Objet

Classification d’images. La classification d’images multiclasses est utilisée lorsqu’une image est classifiée avec une seule étiquette provenant d’un ensemble de classes - par exemple, chaque image est classée comme une image d’un « chat », d’un « chien » ou d’un « canard ».

Nom	Type	Valeur par défaut	Description
limitSettings	ImageLimitSettings		[Obligatoire] Limitez les paramètres du travail AutoML.
logVerbosity	LogVerbosity	Info	Énumération pour la définition de la verbosité du journal.
modelSettings	ImageModelSettingsClassification		Paramètres utilisés pour l’apprentissage du modèle.
primaryMetric	ClassificationPrimaryMetrics	Accuracy	Indicateurs principaux pour les tâches de classification.
searchSpace	ImageModelDistributionSettingsClassification[]		Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres.
sweepSettings	ImageSweepSettings		Modèles de balayage et de balayage hyperparamètres paramètres associés au balayage.
targetColumnName	string		Nom de la colonne cible : il s’agit de la colonne valeurs de prédiction. Également appelé nom de colonne d’étiquette dans le contexte des tâches de classification.
taskType	string: ImageClassification		[Obligatoire] Type de tâche pour AutoMLJob.
trainingData	MLTableJobInput		[Obligatoire] Entrée de données d’apprentissage.
validationData	MLTableJobInput		Entrées de données de validation.
validationDataSize	number (double)		Fraction du jeu de données d’entraînement qui doit être mis de côté à des fins de validation. Valeurs comprises entre (0,0 , 1,0) Appliquées lorsque le jeu de données de validation n’est pas fourni.

ImageClassificationMultilabel

Objet

Classification d’images multi-étiquettes. La classification d’images multi-étiquettes est utilisée lorsqu’une image peut avoir une ou plusieurs étiquettes d’un ensemble d’étiquettes - par exemple, une image peut être étiquetée à la fois avec « chat » et « chien ».

Nom	Type	Valeur par défaut	Description
limitSettings	ImageLimitSettings		[Obligatoire] Limitez les paramètres du travail AutoML.
logVerbosity	LogVerbosity	Info	Énumération pour la définition de la verbosité du journal.
modelSettings	ImageModelSettingsClassification		Paramètres utilisés pour l’apprentissage du modèle.
primaryMetric	ClassificationMultilabelPrimaryMetrics	IOU	Métriques principales pour les tâches de classification multi-étiquettes.
searchSpace	ImageModelDistributionSettingsClassification[]		Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres.
sweepSettings	ImageSweepSettings		Modèles de balayage et de balayage hyperparamètres paramètres associés au balayage.
targetColumnName	string		Nom de la colonne cible : il s’agit de la colonne valeurs de prédiction. Également appelé nom de colonne d’étiquette dans le contexte des tâches de classification.
taskType	string: ImageClassificationMultilabel		[Obligatoire] Type de tâche pour AutoMLJob.
trainingData	MLTableJobInput		[Obligatoire] Entrée de données d’apprentissage.
validationData	MLTableJobInput		Entrées de données de validation.
validationDataSize	number (double)		Fraction du jeu de données d’entraînement qui doit être mis de côté à des fins de validation. Valeurs comprises entre (0,0 , 1,0) Appliquées lorsque le jeu de données de validation n’est pas fourni.

ImageInstanceSegmentation

Objet

Segmentation d’instance d’image. La segmentation d’instance est utilisée pour identifier les objets d’une image au niveau du pixel, en dessinant un polygone autour de chaque objet de l’image.

Nom	Type	Valeur par défaut	Description
limitSettings	ImageLimitSettings		[Obligatoire] Limitez les paramètres du travail AutoML.
logVerbosity	LogVerbosity	Info	Énumération pour la définition de la verbosité du journal.
modelSettings	ImageModelSettingsObjectDetection		Paramètres utilisés pour l’apprentissage du modèle.
primaryMetric	InstanceSegmentationPrimaryMetrics	MeanAveragePrecision	Métriques principales pour les tâches InstanceSegmentation.
searchSpace	ImageModelDistributionSettingsObjectDetection[]		Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres.
sweepSettings	ImageSweepSettings		Modèles de balayage et de balayage hyperparamètres paramètres associés au balayage.
targetColumnName	string		Nom de la colonne cible : il s’agit de la colonne valeurs de prédiction. Également appelé nom de colonne d’étiquette dans le contexte des tâches de classification.
taskType	string: ImageInstanceSegmentation		[Obligatoire] Type de tâche pour AutoMLJob.
trainingData	MLTableJobInput		[Obligatoire] Entrée de données d’apprentissage.
validationData	MLTableJobInput		Entrées de données de validation.
validationDataSize	number (double)		Fraction du jeu de données d’entraînement qui doit être mis de côté à des fins de validation. Valeurs comprises entre (0,0 , 1,0) Appliquées lorsque le jeu de données de validation n’est pas fourni.

ImageLimitSettings

Objet

Limitez les paramètres de la tâche AutoML.

Nom	Type	Valeur par défaut	Description
maxConcurrentTrials	integer (int32)	1	Nombre maximal d’itérations AutoML simultanées.
maxTrials	integer (int32)	1	Nombre maximal d’itérations AutoML.
timeout	string (duration)	P7D	Délai d’expiration du travail AutoML.

ImageModelDistributionSettingsClassification

Objet

Expressions de distribution pour balayer les valeurs des paramètres du modèle. <exemple> Quelques exemples sont :

ModelName = "choice('seresnext', 'resnest50')";
LearningRate = "uniform(0.001, 0.01)";
LayersToFreeze = "choice(0, 2)";
```</example>
For more details on how to compose distribution expressions please check the documentation:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters
For more information on the available settings please visit the official documentation:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

Nom	Type	Description
amsGradient	string	Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ».
augmentations	string	Paramètres d’utilisation des augmentations.
beta1	string	Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1].
beta2	string	Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1].
distributed	string	Indique s’il faut utiliser la formation du répartiteur.
earlyStopping	string	Activez la logique d’arrêt précoce pendant l’entraînement.
earlyStoppingDelay	string	Nombre minimum d’époques ou d’évaluations de validation à attendre avant que l’amélioration de la métrique principale ne soit suivie pour un arrêt précoce. Doit être un entier positif.
earlyStoppingPatience	string	Nombre minimum d’époques ou d’évaluations de validation sans amélioration de la métrique principale avant l’arrêt de l’exécution. Doit être un entier positif.
enableOnnxNormalization	string	Activez la normalisation lors de l’exportation du modèle ONNX.
evaluationFrequency	string	Fréquence d’évaluation du jeu de données de validation pour obtenir des scores de métriques. Doit être un entier positif.
gradientAccumulationStep	string	L’accumulation de gradients consiste à exécuter un nombre configuré d’étapes « GradAccumulationStep » sans mettre à jour les poids du modèle tout en accumulant les gradients de ces étapes, puis à utiliser les gradients accumulés pour calculer les mises à jour de poids. Doit être un entier positif.
layersToFreeze	string	Nombre de couches à figer pour le modèle. Doit être un entier positif. Par exemple, passer 2 comme valeur pour 'seresnext' signifie geler layer0 et layer1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel des couches, veuillez consulter : https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
learningRate	string	Taux d’apprentissage initial. Doit être un float dans la plage [0, 1].
learningRateScheduler	string	Type de planificateur de taux d’apprentissage. Doit être « warmup_cosine » ou « étape ».
modelName	string	Nom du modèle à utiliser pour l’entraînement. Pour plus d’informations sur les modèles disponibles, veuillez consulter la documentation officielle : https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
momentum	string	Valeur de l’élan lorsque l’optimiseur est « sgd ». Doit être un float dans la plage [0, 1].
nesterov	string	Activez nesterov lorsque l’optimiseur est « sgd ».
numberOfEpochs	string	Nombre d’époques d’entraînement. Doit être un entier positif.
numberOfWorkers	string	Nombre de travailleurs du chargeur de données. Doit être un entier non négatif.
optimizer	string	Type d’optimiseur. Doit être « sgd », « adam » ou « adamw ».
randomSeed	string	Valeur initiale aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe.
stepLRGamma	string	Valeur gamma lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un float dans la plage [0, 1].
stepLRStepSize	string	Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un entier positif.
trainingBatchSize	string	Taille du lot d’entraînement. Doit être un entier positif.
trainingCropSize	string	Taille de rognage d’image qui est entrée dans le réseau neuronal pour le jeu de données d’entraînement. Doit être un entier positif.
validationBatchSize	string	Taille du lot de validation. Doit être un entier positif.
validationCropSize	string	Taille de rognage d’image entrée dans le réseau neuronal pour le jeu de données de validation. Doit être un entier positif.
validationResizeSize	string	Taille de l’image à laquelle redimensionner avant de rogner pour le jeu de données de validation. Doit être un entier positif.
warmupCosineLRCycles	string	Valeur du cycle de cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un float dans la plage [0, 1].
warmupCosineLRWarmupEpochs	string	Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un entier positif.
weightDecay	string	Valeur de la dégradation du poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1].
weightedLoss	string	Perte pondérée. Les valeurs acceptées sont 0 pour aucune perte pondérée. 1 pour la perte pondérée avec sqrt. (class_weights). 2 pour la perte pondérée avec class_weights. Doit être 0 ou 1 ou 2.

ImageModelDistributionSettingsObjectDetection

Objet

Expressions de distribution pour balayer les valeurs des paramètres du modèle. <exemple> Quelques exemples sont :

ModelName = "choice('seresnext', 'resnest50')";
LearningRate = "uniform(0.001, 0.01)";
LayersToFreeze = "choice(0, 2)";
```</example>
For more details on how to compose distribution expressions please check the documentation:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters
For more information on the available settings please visit the official documentation:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

Nom	Type	Description
amsGradient	string	Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ».
augmentations	string	Paramètres d’utilisation des augmentations.
beta1	string	Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1].
beta2	string	Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1].
boxDetectionsPerImage	string	Nombre maximal de détections par image, pour toutes les classes. Doit être un entier positif. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».
boxScoreThreshold	string	Lors de l’inférence, ne retournez que les propositions dont le score de classification est supérieur à BoxScoreThreshold. Doit être un float dans la plage[0, 1].
distributed	string	Indique s’il faut utiliser la formation du répartiteur.
earlyStopping	string	Activez la logique d’arrêt précoce pendant l’entraînement.
earlyStoppingDelay	string	Nombre minimum d’époques ou d’évaluations de validation à attendre avant que l’amélioration de la métrique principale ne soit suivie pour un arrêt précoce. Doit être un entier positif.
earlyStoppingPatience	string	Nombre minimum d’époques ou d’évaluations de validation sans amélioration de la métrique principale avant l’arrêt de l’exécution. Doit être un entier positif.
enableOnnxNormalization	string	Activez la normalisation lors de l’exportation du modèle ONNX.
evaluationFrequency	string	Fréquence d’évaluation du jeu de données de validation pour obtenir des scores de métriques. Doit être un entier positif.
gradientAccumulationStep	string	L’accumulation de gradients consiste à exécuter un nombre configuré d’étapes « GradAccumulationStep » sans mettre à jour les poids du modèle tout en accumulant les gradients de ces étapes, puis à utiliser les gradients accumulés pour calculer les mises à jour de poids. Doit être un entier positif.
imageSize	string	Taille de l’image pour l’apprentissage et la validation. Doit être un entier positif. Remarque : L’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande. Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ».
layersToFreeze	string	Nombre de couches à figer pour le modèle. Doit être un entier positif. Par exemple, passer 2 comme valeur pour 'seresnext' signifie geler layer0 et layer1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel des couches, veuillez consulter : https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
learningRate	string	Taux d’apprentissage initial. Doit être un float dans la plage [0, 1].
learningRateScheduler	string	Type de planificateur de taux d’apprentissage. Doit être « warmup_cosine » ou « étape ».
maxSize	string	Taille maximale de l’image à rescaler avant de l’alimenter dans la colonne vertébrale. Doit être un entier positif. Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».
minSize	string	Taille minimale de l’image à rescaler avant de l’alimenter dans la colonne principale. Doit être un entier positif. Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».
modelName	string	Nom du modèle à utiliser pour l’entraînement. Pour plus d’informations sur les modèles disponibles, veuillez consulter la documentation officielle : https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
modelSize	string	Taille du modèle. Doit être « small », « medium », « large » ou « xlarge ». Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille du modèle est trop grande. Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ».
momentum	string	Valeur de l’élan lorsque l’optimiseur est « sgd ». Doit être un float dans la plage [0, 1].
multiScale	string	Activez l’image à plusieurs échelles en variant la taille de l’image de +/- 50%. Remarque : l’exécution d’entraînement peut accéder à CUDA OOM si aucune mémoire GPU suffisante. Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ».
nesterov	string	Activez nesterov lorsque l’optimiseur est « sgd ».
nmsIouThreshold	string	Seuil IOU utilisé lors de l’inférence dans le post-traitement NMS. Doit être flottant dans la plage [0, 1].
numberOfEpochs	string	Nombre d’époques d’entraînement. Doit être un entier positif.
numberOfWorkers	string	Nombre de travailleurs du chargeur de données. Doit être un entier non négatif.
optimizer	string	Type d’optimiseur. Doit être « sgd », « adam » ou « adamw ».
randomSeed	string	Valeur initiale aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe.
stepLRGamma	string	Valeur gamma lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un float dans la plage [0, 1].
stepLRStepSize	string	Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un entier positif.
tileGridSize	string	Taille de grille à utiliser pour la mosaïne de chaque image. Remarque : TileGridSize ne doit pas être défini sur Aucun pour activer la logique de détection de petits objets. Chaîne contenant deux entiers au format mxn. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».
tileOverlapRatio	string	Rapport de chevauchement entre les vignettes adjacentes dans chaque dimension. Doit être flottant dans la plage [0, 1). Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».
tilePredictionsNmsThreshold	string	Seuil IOU à utiliser pour effectuer nmS lors de la fusion des prédictions à partir de vignettes et d’images. Utilisé dans la validation/inférence. Doit être flottant dans la plage [0, 1]. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». NMS : suppression non maximale
trainingBatchSize	string	Taille du lot d’entraînement. Doit être un entier positif.
validationBatchSize	string	Taille du lot de validation. Doit être un entier positif.
validationIouThreshold	string	Seuil IOU à utiliser lors de l’informatique de la métrique de validation. Doit être flottant dans la plage [0, 1].
validationMetricType	string	Méthode de calcul de métrique à utiliser pour les métriques de validation. Doit être « none », « coco », « voc » ou « coco_voc ».
warmupCosineLRCycles	string	Valeur du cycle de cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un float dans la plage [0, 1].
warmupCosineLRWarmupEpochs	string	Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un entier positif.
weightDecay	string	Valeur de la dégradation du poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1].

ImageModelSettingsClassification

Objet

Paramètres utilisés pour l’apprentissage du modèle. Pour plus d’informations sur les paramètres disponibles, veuillez consulter la documentation officielle : https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

Nom	Type	Valeur par défaut	Description
advancedSettings	string		Paramètres des scénarios avancés.
amsGradient	boolean		Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ».
augmentations	string		Paramètres d’utilisation des augmentations.
beta1	number (float)		Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1].
beta2	number (float)		Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1].
checkpointFrequency	integer (int32)		Fréquence de stockage des points de contrôle de modèle. Doit être un entier positif.
checkpointModel	MLFlowModelJobInput		Modèle de point de contrôle préentraîné pour l’entraînement incrémentiel.
checkpointRunId	string		ID d’une exécution précédente qui a un point de contrôle préentraîné pour l’entraînement incrémentiel.
distributed	boolean		Indique s’il faut utiliser l’entraînement distribué.
earlyStopping	boolean		Activez la logique d’arrêt précoce pendant l’entraînement.
earlyStoppingDelay	integer (int32)		Nombre minimum d’époques ou d’évaluations de validation à attendre avant que l’amélioration de la métrique principale ne soit suivie pour un arrêt précoce. Doit être un entier positif.
earlyStoppingPatience	integer (int32)		Nombre minimum d’époques ou d’évaluations de validation sans amélioration de la métrique principale avant l’arrêt de l’exécution. Doit être un entier positif.
enableOnnxNormalization	boolean		Activez la normalisation lors de l’exportation du modèle ONNX.
evaluationFrequency	integer (int32)		Fréquence d’évaluation du jeu de données de validation pour obtenir des scores de métriques. Doit être un entier positif.
gradientAccumulationStep	integer (int32)		L’accumulation de gradients consiste à exécuter un nombre configuré d’étapes « GradAccumulationStep » sans mettre à jour les poids du modèle tout en accumulant les gradients de ces étapes, puis à utiliser les gradients accumulés pour calculer les mises à jour de poids. Doit être un entier positif.
layersToFreeze	integer (int32)		Nombre de couches à figer pour le modèle. Doit être un entier positif. Par exemple, passer 2 comme valeur pour 'seresnext' signifie geler layer0 et layer1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel des couches, veuillez consulter : https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
learningRate	number (float)		Taux d’apprentissage initial. Doit être un float dans la plage [0, 1].
learningRateScheduler	LearningRateScheduler	None	Apprentissage du planificateur de taux enum.
modelName	string		Nom du modèle à utiliser pour l’entraînement. Pour plus d’informations sur les modèles disponibles, veuillez consulter la documentation officielle : https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
momentum	number (float)		Valeur de l’élan lorsque l’optimiseur est « sgd ». Doit être un float dans la plage [0, 1].
nesterov	boolean		Activez nesterov lorsque l’optimiseur est « sgd ».
numberOfEpochs	integer (int32)		Nombre d’époques d’entraînement. Doit être un entier positif.
numberOfWorkers	integer (int32)		Nombre de travailleurs du chargeur de données. Doit être un entier non négatif.
optimizer	StochasticOptimizer	None	Optimiseur stochastique pour les modèles d’image.
randomSeed	integer (int32)		Valeur initiale aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe.
stepLRGamma	number (float)		Valeur gamma lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un float dans la plage [0, 1].
stepLRStepSize	integer (int32)		Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un entier positif.
trainingBatchSize	integer (int32)		Taille du lot d’entraînement. Doit être un entier positif.
trainingCropSize	integer (int32)		Taille de rognage d’image qui est entrée dans le réseau neuronal pour le jeu de données d’entraînement. Doit être un entier positif.
validationBatchSize	integer (int32)		Taille du lot de validation. Doit être un entier positif.
validationCropSize	integer (int32)		Taille de rognage d’image entrée dans le réseau neuronal pour le jeu de données de validation. Doit être un entier positif.
validationResizeSize	integer (int32)		Taille de l’image à laquelle redimensionner avant de rogner pour le jeu de données de validation. Doit être un entier positif.
warmupCosineLRCycles	number (float)		Valeur du cycle de cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un float dans la plage [0, 1].
warmupCosineLRWarmupEpochs	integer (int32)		Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un entier positif.
weightDecay	number (float)		Valeur de la dégradation du poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1].
weightedLoss	integer (int32)		Perte pondérée. Les valeurs acceptées sont 0 pour aucune perte pondérée. 1 pour la perte pondérée avec sqrt. (class_weights). 2 pour la perte pondérée avec class_weights. Doit être 0 ou 1 ou 2.

ImageModelSettingsObjectDetection

Objet

Paramètres utilisés pour l’apprentissage du modèle. Pour plus d’informations sur les paramètres disponibles, veuillez consulter la documentation officielle : https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

Nom	Type	Valeur par défaut	Description
advancedSettings	string		Paramètres des scénarios avancés.
amsGradient	boolean		Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ».
augmentations	string		Paramètres d’utilisation des augmentations.
beta1	number (float)		Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1].
beta2	number (float)		Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1].
boxDetectionsPerImage	integer (int32)		Nombre maximal de détections par image, pour toutes les classes. Doit être un entier positif. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».
boxScoreThreshold	number (float)		Lors de l’inférence, ne retournez que les propositions dont le score de classification est supérieur à BoxScoreThreshold. Doit être un float dans la plage[0, 1].
checkpointFrequency	integer (int32)		Fréquence de stockage des points de contrôle de modèle. Doit être un entier positif.
checkpointModel	MLFlowModelJobInput		Modèle de point de contrôle préentraîné pour l’entraînement incrémentiel.
checkpointRunId	string		ID d’une exécution précédente qui a un point de contrôle préentraîné pour l’entraînement incrémentiel.
distributed	boolean		Indique s’il faut utiliser l’entraînement distribué.
earlyStopping	boolean		Activez la logique d’arrêt précoce pendant l’entraînement.
earlyStoppingDelay	integer (int32)		Nombre minimum d’époques ou d’évaluations de validation à attendre avant que l’amélioration de la métrique principale ne soit suivie pour un arrêt précoce. Doit être un entier positif.
earlyStoppingPatience	integer (int32)		Nombre minimum d’époques ou d’évaluations de validation sans amélioration de la métrique principale avant l’arrêt de l’exécution. Doit être un entier positif.
enableOnnxNormalization	boolean		Activez la normalisation lors de l’exportation du modèle ONNX.
evaluationFrequency	integer (int32)		Fréquence d’évaluation du jeu de données de validation pour obtenir des scores de métriques. Doit être un entier positif.
gradientAccumulationStep	integer (int32)		L’accumulation de gradients consiste à exécuter un nombre configuré d’étapes « GradAccumulationStep » sans mettre à jour les poids du modèle tout en accumulant les gradients de ces étapes, puis à utiliser les gradients accumulés pour calculer les mises à jour de poids. Doit être un entier positif.
imageSize	integer (int32)		Taille de l’image pour l’apprentissage et la validation. Doit être un entier positif. Remarque : L’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande. Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ».
layersToFreeze	integer (int32)		Nombre de couches à figer pour le modèle. Doit être un entier positif. Par exemple, passer 2 comme valeur pour 'seresnext' signifie geler layer0 et layer1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel des couches, veuillez consulter : https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
learningRate	number (float)		Taux d’apprentissage initial. Doit être un float dans la plage [0, 1].
learningRateScheduler	LearningRateScheduler	None	Apprentissage du planificateur de taux enum.
maxSize	integer (int32)		Taille maximale de l’image à rescaler avant de l’alimenter dans la colonne vertébrale. Doit être un entier positif. Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».
minSize	integer (int32)		Taille minimale de l’image à rescaler avant de l’alimenter dans la colonne principale. Doit être un entier positif. Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».
modelName	string		Nom du modèle à utiliser pour l’entraînement. Pour plus d’informations sur les modèles disponibles, veuillez consulter la documentation officielle : https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
modelSize	ModelSize	None	Taille du modèle d’image.
momentum	number (float)		Valeur de l’élan lorsque l’optimiseur est « sgd ». Doit être un float dans la plage [0, 1].
multiScale	boolean		Activez l’image à plusieurs échelles en variant la taille de l’image de +/- 50%. Remarque : l’exécution d’entraînement peut accéder à CUDA OOM si aucune mémoire GPU suffisante. Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ».
nesterov	boolean		Activez nesterov lorsque l’optimiseur est « sgd ».
nmsIouThreshold	number (float)		Seuil IOU utilisé lors de l’inférence dans le post-traitement NMS. Doit être un float dans la plage [0, 1].
numberOfEpochs	integer (int32)		Nombre d’époques d’entraînement. Doit être un entier positif.
numberOfWorkers	integer (int32)		Nombre de travailleurs du chargeur de données. Doit être un entier non négatif.
optimizer	StochasticOptimizer	None	Optimiseur stochastique pour les modèles d’image.
randomSeed	integer (int32)		Valeur initiale aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe.
stepLRGamma	number (float)		Valeur gamma lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un float dans la plage [0, 1].
stepLRStepSize	integer (int32)		Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un entier positif.
tileGridSize	string		Taille de grille à utiliser pour la mosaïne de chaque image. Remarque : TileGridSize ne doit pas être défini sur Aucun pour activer la logique de détection de petits objets. Chaîne contenant deux entiers au format mxn. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».
tileOverlapRatio	number (float)		Rapport de chevauchement entre les vignettes adjacentes dans chaque dimension. Doit être flottant dans la plage [0, 1). Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».
tilePredictionsNmsThreshold	number (float)		Seuil IOU à utiliser pour effectuer nmS lors de la fusion des prédictions à partir de vignettes et d’images. Utilisé dans la validation/inférence. Doit être flottant dans la plage [0, 1]. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».
trainingBatchSize	integer (int32)		Taille du lot d’entraînement. Doit être un entier positif.
validationBatchSize	integer (int32)		Taille du lot de validation. Doit être un entier positif.
validationIouThreshold	number (float)		Seuil IOU à utiliser lors de l’informatique de la métrique de validation. Doit être flottant dans la plage [0, 1].
validationMetricType	ValidationMetricType	None	Méthode de calcul de métrique à utiliser pour les métriques de validation dans les tâches d’image.
warmupCosineLRCycles	number (float)		Valeur du cycle de cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un float dans la plage [0, 1].
warmupCosineLRWarmupEpochs	integer (int32)		Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un entier positif.
weightDecay	number (float)		Valeur de la dégradation du poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1].

ImageObjectDetection

Objet

Détection d’objets d’image. La détection d’objets est utilisée pour identifier les objets dans une image et localiser chaque objet à l’aide d’une boîte englobante, par exemple localiser tous les chiens et chats dans une image et dessiner une boîte englobante autour de chacun.

Nom	Type	Valeur par défaut	Description
limitSettings	ImageLimitSettings		[Obligatoire] Limitez les paramètres du travail AutoML.
logVerbosity	LogVerbosity	Info	Énumération pour la définition de la verbosité du journal.
modelSettings	ImageModelSettingsObjectDetection		Paramètres utilisés pour l’apprentissage du modèle.
primaryMetric	ObjectDetectionPrimaryMetrics	MeanAveragePrecision	Métriques principales pour la tâche Image ObjectDetection.
searchSpace	ImageModelDistributionSettingsObjectDetection[]		Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres.
sweepSettings	ImageSweepSettings		Modèles de balayage et de balayage hyperparamètres paramètres associés au balayage.
targetColumnName	string		Nom de la colonne cible : il s’agit de la colonne valeurs de prédiction. Également appelé nom de colonne d’étiquette dans le contexte des tâches de classification.
taskType	string: ImageObjectDetection		[Obligatoire] Type de tâche pour AutoMLJob.
trainingData	MLTableJobInput		[Obligatoire] Entrée de données d’apprentissage.
validationData	MLTableJobInput		Entrées de données de validation.
validationDataSize	number (double)		Fraction du jeu de données d’entraînement qui doit être mis de côté à des fins de validation. Valeurs comprises entre (0,0 , 1,0) Appliquées lorsque le jeu de données de validation n’est pas fourni.

ImageSweepSettings

Objet

Modèles de balayage et de balayage hyperparamètres paramètres associés au balayage.

Nom	Type	Description
earlyTermination	EarlyTerminationPolicy: BanditPolicy MedianStoppingPolicy TruncationSelectionPolicy	Type de stratégie d’arrêt anticipé.
samplingAlgorithm	SamplingAlgorithmType	[Obligatoire] Type des algorithmes d’échantillonnage d’hyperparamètres.

InputDeliveryMode

Énumération

Enum pour déterminer le mode de livraison des données d’entrée.

Valeur	Description
ReadOnlyMount
ReadWriteMount
Download
Direct
EvalMount
EvalDownload

InstanceSegmentationPrimaryMetrics

Énumération

Métriques principales pour les tâches InstanceSegmentation.

Valeur	Description
MeanAveragePrecision	La Moyenne Moyenne Exacte (MAP) est la moyenne de la PA (Average Precision). Les PA sont calculés pour chaque classe et moyennés pour obtenir la MAP.

JobBase

Objet

Enveloppe de ressources Azure Resource Manager.

Nom	Type	Description
id	string	ID de ressource complet pour la ressource. ex - /subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/{resourceProviderNamespace}/{resourceType}/{resourceName}
name	string	nom de la ressource.
properties	JobBaseProperties: AutoMLJob CommandJob PipelineJob SparkJob SweepJob	[Obligatoire] Attributs supplémentaires de l’entité.
systemData	systemData	Métadonnées Azure Resource Manager contenant les informations createdBy et modifiedBy.
type	string	Type de la ressource. Par exemple, « Microsoft.Compute/virtualMachines » ou « Microsoft.Storage/storageAccounts »

JobInputType

Énumération

Enum pour déterminer le type d’entrée de tâche.

Valeur	Description
literal
uri_file
uri_folder
mltable
custom_model
mlflow_model
triton_model

JobLimitsType

Énumération

Valeur	Description
Command
Sweep

JobOutputType

Énumération

Enum pour déterminer le type de sortie de tâche.

Valeur	Description
uri_file
uri_folder
mltable
custom_model
mlflow_model
triton_model

JobResourceConfiguration

Objet

Nom	Type	Valeur par défaut	Description
dockerArgs	string		Arguments supplémentaires à passer à la commande Docker run. Cela remplacerait tous les paramètres qui ont déjà été définis par le système, ou dans cette section. Ce paramètre est pris en charge uniquement pour les types de calcul Azure ML.
dockerArgsList	string[]		Arguments supplémentaires à passer à la commande Docker Run, en tant que collection. Cela remplacerait tous les paramètres qui ont déjà été définis par le système, ou dans cette section. Ce paramètre est pris en charge uniquement pour les types de calcul Azure ML.
instanceCount	integer (int32)	1	Nombre facultatif d’instances ou de nœuds utilisés par la cible de calcul.
instanceType	string		Type facultatif de machine virtuelle utilisée comme prise en charge par la cible de calcul.
properties			Conteneur de propriétés supplémentaires.
shmSize	string pattern: \d+[bBkKmMgG]	2g	Taille du bloc de mémoire partagée du conteneur Docker. Cela doit être au format (nombre)(unité) où le nombre doit être supérieur à 0 et que l’unité peut être l’un des b(octets), k(kilo-octets), m(mégaoctets) ou g(gigaoctets).

JobService

Objet

Définition du point de terminaison de la tâche

Nom	Type	Description
endpoint	string	URL du point de terminaison.
errorMessage	string	Toute erreur dans le service.
jobServiceType	string	Type de point de terminaison.
nodes	Nodes: AllNodes	Nœuds sur lesquels l’utilisateur souhaite démarrer le service. Si les nœuds ne sont pas définis ou définis sur null, le service est démarré uniquement sur le nœud leader.
port	integer (int32)	Port du point de terminaison.
properties	object	Propriétés supplémentaires à définir sur le point de terminaison.
status	string	État du point de terminaison.

JobStatus

Énumération

Statut d’une tâche.

Valeur	Description
NotStarted	La course n’a pas encore commencé.
Starting	La course a commencé. L’utilisateur dispose d’un ID d’exécution.
Provisioning	(Non utilisé actuellement) Il sera utilisé si ES crée la cible de calcul.
Preparing	L’environnement de course est en cours de préparation.
Queued	Le travail est mis en file d’attente dans la cible de calcul. Par exemple, dans BatchAI, la tâche est à l’état en file d’attente, en attendant que tous les nœuds requis soient prêts.
Running	Le travail a commencé à s’exécuter dans la cible de calcul.
Finalizing	Le travail est terminé dans la cible. Il est maintenant à l’état de collection de sortie.
CancelRequested	L’annulation a été demandée pour le travail.
Completed	Tâche terminée avec succès. Cela indique que le travail lui-même et les états de la collection de sortie se sont terminés avec succès
Failed	Le travail a échoué.
Canceled	Suite à une demande d’annulation, le travail est maintenant annulé avec succès.
NotResponding	Lorsque la pulsation est activée, si l’exécution ne met à jour aucune information dans RunHistory, l’exécution passe à l’état NotResponding. NotResponding est le seul État qui est exempté des ordonnances de transition strictes. Une exécution peut passer de NotResponding à l’un des états précédents.
Paused	Le travail est suspendu par les utilisateurs. Certains ajustements des tâches d’étiquetage ne peuvent être effectués qu’à l’état suspendu.
Unknown	Statut de la tâche par défaut s’il n’est pas mappé à tous les autres statuts

JobTier

Énumération

Énumération pour déterminer le niveau de travail.

Valeur	Description
Null
Spot
Basic
Standard
Premium

JobType

Énumération

Enum pour déterminer le type de travail.

Valeur	Description
AutoML
Command
Sweep
Pipeline
Spark

LearningRateScheduler

Énumération

Apprentissage du planificateur de taux enum.

Valeur	Description
None	Aucun planificateur de tarifs d’apprentissage n’est sélectionné.
WarmupCosine	Recuit cosinus avec échauffement.
Step	Planificateur de taux d’apprentissage par étapes.

LiteralJobInput

Objet

Type d’entrée littérale.

Nom	Type	Description
description	string	Description de l’entrée.
jobInputType	string: literal	[Obligatoire] Spécifie le type de travail.
value	string minLength: 1 pattern: [a-zA-Z0-9_]	[Obligatoire] Valeur littérale de l’entrée.

LogVerbosity

Énumération

Énumération pour la définition de la verbosité du journal.

Valeur	Description
NotSet	Aucun journal émis.
Debug	Débogage et instructions de journal supérieures enregistrées.
Info	Info et ci-dessus consignent les instructions de journal.
Warning	Avertissement et instructions de journal ci-dessus enregistrées.
Error	Erreur et instructions de journal ci-dessus enregistrées.
Critical	Seules les déclarations critiques sont enregistrées.

ManagedIdentity

Objet

Configuration de l’identité managée.

Nom	Type	Description
clientId	string (uuid)	Spécifie une identité affectée par l’utilisateur par ID client. Pour les données attribuées par le système, ne définissez pas ce champ.
identityType	string: Managed	[Obligatoire] Spécifie le type d’infrastructure d’identité.
objectId	string (uuid)	Spécifie une identité affectée par l’utilisateur par ID d’objet. Pour les données attribuées par le système, ne définissez pas ce champ.
resourceId	string	Spécifie une identité affectée par l’utilisateur par ID de ressource ARM. Pour les données attribuées par le système, ne définissez pas ce champ.

MedianStoppingPolicy

Objet

Définit une politique de résiliation anticipée basée sur les moyennes mobiles de la métrique principale de toutes les exécutions

Nom	Type	Valeur par défaut	Description
delayEvaluation	integer (int32)	0	Nombre d’intervalles par lesquels retarder la première évaluation.
evaluationInterval	integer (int32)	0	Intervalle (nombre d’exécutions) entre les évaluations de stratégie.
policyType	string: MedianStopping		[Obligatoire] Nom de la configuration de la stratégie

MLFlowModelJobInput

Objet

Nom	Type	Valeur par défaut	Description
description	string		Description de l’entrée.
jobInputType	string: mlflow_model		[Obligatoire] Spécifie le type de travail.
mode	InputDeliveryMode	ReadOnlyMount	Enum pour déterminer le mode de livraison des données d’entrée.
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[Obligatoire] URI de ressource d’entrée.

MLFlowModelJobOutput

Objet

Nom	Type	Valeur par défaut	Description
assetName	string		Nom de la ressource de sortie.
description	string		Description de la sortie.
jobOutputType	string: mlflow_model		[Obligatoire] Spécifie le type de travail.
mode	OutputDeliveryMode	ReadWriteMount	Énumérations du mode de livraison des données de sortie.
uri	string		URI de ressource de sortie.

MLTableJobInput

Objet

Nom	Type	Valeur par défaut	Description
description	string		Description de l’entrée.
jobInputType	string: mltable		[Obligatoire] Spécifie le type de travail.
mode	InputDeliveryMode	ReadOnlyMount	Enum pour déterminer le mode de livraison des données d’entrée.
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[Obligatoire] URI de ressource d’entrée.

MLTableJobOutput

Objet

Nom	Type	Valeur par défaut	Description
assetName	string		Nom de la ressource de sortie.
description	string		Description de la sortie.
jobOutputType	string: mltable		[Obligatoire] Spécifie le type de travail.
mode	OutputDeliveryMode	ReadWriteMount	Énumérations du mode de livraison des données de sortie.
uri	string		URI de ressource de sortie.

ModelSize

Énumération

Taille du modèle d’image.

Valeur	Description
None	Aucune valeur sélectionnée.
Small	Petite taille.
Medium	Taille moyenne.
Large	Grande taille.
ExtraLarge	Taille extra large.

Mpi

Objet

Configuration de la distribution MPI.

Nom	Type	Description
distributionType	string: Mpi	[Obligatoire] Spécifie le type d’infrastructure de distribution.
processCountPerInstance	integer (int32)	Nombre de processus par nœud MPI.

NCrossValidationsMode

Énumération

Détermine comment la valeur des validations N-Cross est déterminée.

Valeur	Description
Auto	Déterminez automatiquement la valeur des validations N-Cross. Pris en charge uniquement pour la tâche AutoML « Prévision ».
Custom	Utilisez la valeur de validations N-Cross personnalisée.

NlpVerticalFeaturizationSettings

Objet

Nom	Type	Description
datasetLanguage	string	Langage du jeu de données, utile pour les données de texte.

NlpVerticalLimitSettings

Objet

Contraintes d’exécution des tâches.

Nom	Type	Valeur par défaut	Description
maxConcurrentTrials	integer (int32)	1	Nombre maximal d’itérations AutoML simultanées.
maxTrials	integer (int32)	1	Nombre d’itérations AutoML.
timeout	string (duration)	P7D	Délai d’expiration du travail AutoML.

NodesValueType

Énumération

Types énumérés pour la valeur nodes

Valeur	Description
All

NotificationSetting

Objet

Configuration de la notification.

Nom	Type	Description
emailOn	EmailNotificationEnableType[]	Envoyer une notification par e-mail à l’utilisateur sur le type de notification spécifié
emails	string[]	Il s’agit de la liste des destinataires d’e-mail qui a une limitation de 499 caractères dans le total concat avec séparateur de virgules
webhooks	object	Envoyez un rappel de webhook à un service. La clé est un nom fourni par l’utilisateur pour le webhook.

ObjectDetectionPrimaryMetrics

Énumération

Métriques principales pour la tâche Image ObjectDetection.

Valeur	Description
MeanAveragePrecision	La Moyenne Moyenne Exacte (MAP) est la moyenne de la PA (Average Precision). Les PA sont calculés pour chaque classe et moyennés pour obtenir la MAP.

Objective

Objet

Objectif d’optimisation.

Nom	Type	Description
goal	Goal	[Obligatoire] Définit les objectifs de métriques pris en charge pour le réglage des hyperparamètres
primaryMetric	string minLength: 1 pattern: [a-zA-Z0-9_]	[Obligatoire] Nom de la métrique à optimiser.

OutputDeliveryMode

Énumération

Énumérations du mode de livraison des données de sortie.

Valeur	Description
ReadWriteMount
Upload
Direct

PipelineJob

Objet

Définition du travail de pipeline : définit les attributs MFE génériques.

Nom	Type	Valeur par défaut	Description
componentId	string		ID de ressource ARM de la ressource de composant.
computeId	string		ID de ressource ARM de la ressource de calcul.
description	string		Texte de description de la ressource.
displayName	string		Nom complet du travail.
experimentName	string	Default	Nom de l’expérience à laquelle appartient le travail. S’il n’est pas défini, le travail est placé dans l’expérience « Par défaut ».
identity	IdentityConfiguration: AmlToken ManagedIdentity UserIdentity		Configuration de l’identité. Si cette valeur est définie, il doit s’agir de l’un des éléments AmlToken, ManagedIdentity, UserIdentity ou Null. La valeur par défaut est AmlToken si null.
inputs	object		Entrées pour le travail de pipeline.
isArchived	boolean	False	La ressource est-elle archivée ?
jobType	string: Pipeline		[Obligatoire] Spécifie le type de travail.
jobs			Les travaux construisent le travail de pipeline.
notificationSetting	NotificationSetting		Paramètre de notification pour le travail
outputs	object		Sorties du travail de pipeline
properties	object		Dictionnaire de propriétés de ressource.
services	<string,  JobService>		Liste des points de terminaison de travail. Pour les travaux locaux, un point de terminaison de travail a une valeur de point de terminaison de FileStreamObject.
settings			Paramètres de pipeline, pour des éléments tels que ContinueRunOnStepFailure, etc.
sourceJobId	string		ID de ressource ARM du travail source.
status	JobStatus		Statut de la tâche.
tags	object		Dictionnaire de balises. Les balises peuvent être ajoutées, supprimées et mises à jour.

PyTorch

Objet

Configuration de la distribution PyTorch.

Nom	Type	Description
distributionType	string: PyTorch	[Obligatoire] Spécifie le type d’infrastructure de distribution.
processCountPerInstance	integer (int32)	Nombre de processus par nœud.

QueueSettings

Objet

Nom	Type	Valeur par défaut	Description
jobTier	JobTier	Null	Énumération pour déterminer le niveau de travail.

RandomSamplingAlgorithm

Objet

Définit un algorithme d’échantillonnage qui génère des valeurs de manière aléatoire

Nom	Type	Valeur par défaut	Description
rule	RandomSamplingAlgorithmRule	Random	Type spécifique d’algorithme aléatoire
samplingAlgorithmType	string: Random		[Obligatoire] Algorithme utilisé pour générer des valeurs d’hyperparamètres, ainsi que des propriétés de configuration
seed	integer (int32)		Entier facultatif à utiliser comme valeur initiale pour la génération de nombres aléatoires

RandomSamplingAlgorithmRule

Énumération

Type spécifique d’algorithme aléatoire

Valeur	Description
Random
Sobol

Regression

Objet

Tâche de régression dans la verticale de la table AutoML.

Nom	Type	Valeur par défaut	Description
cvSplitColumnNames	string[]		Colonnes à utiliser pour les données CVSplit.
featurizationSettings	TableVerticalFeaturizationSettings		Entrées de caractérisation nécessaires pour le travail AutoML.
limitSettings	TableVerticalLimitSettings		Contraintes d’exécution pour AutoMLJob.
logVerbosity	LogVerbosity	Info	Énumération pour la définition de la verbosité du journal.
nCrossValidations	NCrossValidations: AutoNCrossValidations CustomNCrossValidations		Nombre de plis de validation croisée à appliquer sur le jeu de données d’entraînement lorsque le jeu de données de validation n’est pas fourni.
primaryMetric	RegressionPrimaryMetrics	NormalizedRootMeanSquaredError	Métriques principales pour la tâche de régression.
targetColumnName	string		Nom de la colonne cible : il s’agit de la colonne valeurs de prédiction. Également appelé nom de colonne d’étiquette dans le contexte des tâches de classification.
taskType	string: Regression		[Obligatoire] Type de tâche pour AutoMLJob.
testData	MLTableJobInput		Tester l’entrée de données.
testDataSize	number (double)		Fraction du jeu de données de test qui doit être mis de côté à des fins de validation. Valeurs comprises entre (0,0 , 1,0) Appliquées lorsque le jeu de données de validation n’est pas fourni.
trainingData	MLTableJobInput		[Obligatoire] Entrée de données d’apprentissage.
trainingSettings	RegressionTrainingSettings		Entrées pour la phase d’entraînement d’un travail AutoML.
validationData	MLTableJobInput		Entrées de données de validation.
validationDataSize	number (double)		Fraction du jeu de données d’entraînement qui doit être mis de côté à des fins de validation. Valeurs comprises entre (0,0 , 1,0) Appliquées lorsque le jeu de données de validation n’est pas fourni.
weightColumnName	string		Nom de l’exemple de colonne de poids. Le ML automatisé prend en charge une colonne pondérée en tant qu’entrée, ce qui entraîne une pondération des lignes dans les données.

RegressionModels

Énumération

Enumération pour tous les modèles de régression pris en charge par AutoML.

Valeur	Description
ElasticNet	Le filet élastique est un type populaire de régression linéaire régularisée qui combine deux pénalités populaires, à savoir les fonctions de pénalité L1 et L2.
GradientBoosting	La technique de transformation des apprenants de la semaine en un apprenant fort s’appelle le Boosting. Le processus de l’algorithme de boosting de gradient fonctionne sur cette théorie de l’exécution.
DecisionTree	Les arbres de décision sont une méthode d’apprentissage supervisé non paramétrique utilisée pour les tâches de classification et de régression. L’objectif est de créer un modèle qui prédit la valeur d’une variable cible en apprenant des règles de décision simples déduites des caractéristiques de données.
KNN	L’algorithme KNN (K-nearest neighbors) utilise la « similarité des caractéristiques » pour prédire les valeurs des nouveaux points de données, ce qui signifie en outre que le nouveau point de données se verra attribuer une valeur en fonction de sa correspondance avec les points de l’ensemble d’apprentissage.
LassoLars	Modèle Lasso ajusté avec Régression du moindre angle, alias Lars. Il s’agit d’un modèle linéaire entraîné avec un a priori L1 comme régulariseur.
SGD	SGD : La descente de gradient stochastique est un algorithme d’optimisation souvent utilisé dans les applications d’apprentissage automatique pour trouver les paramètres du modèle qui correspondent au meilleur ajustement entre les sorties prévues et réelles. C’est une technique inexacte mais puissante.
RandomForest	La forêt aléatoire est un algorithme d’apprentissage supervisé. La « forêt » qu’il construit est un ensemble d’arbres de décision, généralement entraînés avec la méthode du « bagging ». L’idée générale de la méthode d’ensachage est qu’une combinaison de modèles d’apprentissage augmente le résultat global.
ExtremeRandomTrees	Extreme Trees est un algorithme d’apprentissage automatique d’ensemble qui combine les prédictions de nombreux arbres de décision. Il est lié à l’algorithme de forêt aléatoire largement utilisé.
LightGBM	LightGBM est un framework de boosting de gradient qui utilise des algorithmes d’apprentissage basés sur des arbres.
XGBoostRegressor	XGBoostRegressor : Extreme Gradient Boosting Regressor est un modèle d’apprentissage automatique supervisé utilisant un ensemble d’apprenants de base.

RegressionPrimaryMetrics

Énumération

Métriques principales pour la tâche de régression.

Valeur	Description
SpearmanCorrelation	Le coefficient de corrélation du rang de Spearman est une mesure non paramétrique de la corrélation du rang.
NormalizedRootMeanSquaredError	L’erreur quadratique moyenne normalisée (NRMSE) facilite la comparaison entre des modèles d’échelles différentes.
R2Score	Le score R2 est l’une des mesures d’évaluation des performances pour les modèles d’apprentissage automatique basés sur les prévisions.
NormalizedMeanAbsoluteError	L’erreur absolue moyenne normalisée (NMAE) est une mesure de validation permettant de comparer l’erreur absolue moyenne (MAE) des séries (chronologiques) avec différentes échelles.

RegressionTrainingSettings

Objet

Configuration liée à l’entraînement de régression.

Nom	Type	Valeur par défaut	Description
allowedTrainingAlgorithms	RegressionModels[]		Modèles autorisés pour la tâche de régression.
blockedTrainingAlgorithms	RegressionModels[]		Modèles bloqués pour la tâche de régression.
enableDnnTraining	boolean	False	Activez la recommandation des modèles DNN.
enableModelExplainability	boolean	True	Indicateur pour activer l’explication sur le meilleur modèle.
enableOnnxCompatibleModels	boolean	False	Indicateur pour l’activation des modèles compatibles onnx.
enableStackEnsemble	boolean	True	Activez l’exécution de l’ensemble de piles.
enableVoteEnsemble	boolean	True	Activer l’exécution de l’ensemble de vote.
ensembleModelDownloadTimeout	string (duration)	PT5M	Pendant la génération du modèle VotingEnsemble et StackEnsemble, plusieurs modèles adaptés des exécutions enfants précédentes sont téléchargés. Configurez ce paramètre avec une valeur supérieure à 300 secondes, si plus de temps est nécessaire.
stackEnsembleSettings	StackEnsembleSettings		Paramètres d’ensemble de pile pour l’exécution d’un ensemble de piles.

SamplingAlgorithmType

Énumération

Valeur	Description
Grid
Random
Bayesian

SeasonalityMode

Énumération

Mode de prévision saisonnière.

Valeur	Description
Auto	Saisonnalité à déterminer automatiquement.
Custom	Utilisez la valeur de saisonnalité personnalisée.

ShortSeriesHandlingConfiguration

Énumération

Paramètre définissant comment si AutoML doit gérer des séries chronologiques courtes.

Valeur	Description
None	Représente une valeur nulle/nulle.
Auto	Les séries courtes seront complétées s’il n’y a pas de séries longues, sinon les séries courtes seront supprimées.
Pad	Toutes les séries courtes seront rembourrées.
Drop	Toutes les séries courtes seront abandonnées.

SparkJob

Objet

Définition du job Spark.

Nom	Type	Valeur par défaut	Description
archives	string[]		Archiver les fichiers utilisés dans le travail.
args	string		Arguments du travail.
codeId	string (arm-id) minLength: 1 pattern: [a-zA-Z0-9_]		[Obligatoire] arm-id de la ressource de code.
componentId	string		ID de ressource ARM de la ressource de composant.
computeId	string		ID de ressource ARM de la ressource de calcul.
conf	object		Propriétés configurées par Spark.
description	string		Texte de description de la ressource.
displayName	string		Nom complet du travail.
entry	SparkJobEntry: SparkJobPythonEntry SparkJobScalaEntry		[Obligatoire] Entrée à exécuter au démarrage du travail.
environmentId	string (arm-id)		ID de ressource ARM de la spécification d’environnement pour le travail.
environmentVariables	object		Variables d’environnement incluses dans le travail.
experimentName	string	Default	Nom de l’expérience à laquelle appartient le travail. S’il n’est pas défini, le travail est placé dans l’expérience « Par défaut ».
files	string[]		Fichiers utilisés dans le travail.
identity	IdentityConfiguration: AmlToken ManagedIdentity UserIdentity		Configuration de l’identité. Si cette valeur est définie, il doit s’agir de l’un des éléments AmlToken, ManagedIdentity, UserIdentity ou Null. La valeur par défaut est AmlToken si null.
inputs	object		Mappage des liaisons de données d’entrée utilisées dans le travail.
isArchived	boolean	False	La ressource est-elle archivée ?
jars	string[]		Fichiers jar utilisés dans le travail.
jobType	string: Spark		[Obligatoire] Spécifie le type de travail.
notificationSetting	NotificationSetting		Paramètre de notification pour le travail
outputs	object		Mappage des liaisons de données de sortie utilisées dans le travail.
properties	object		Dictionnaire de propriétés de ressource.
pyFiles	string[]		Fichiers Python utilisés dans le travail.
queueSettings	QueueSettings		Paramètres de file d’attente du travail
resources	SparkResourceConfiguration		Configuration des ressources de calcul pour le travail.
services	<string,  JobService>		Liste des points de terminaison de travail. Pour les travaux locaux, un point de terminaison de travail a une valeur de point de terminaison de FileStreamObject.
status	JobStatus		Statut de la tâche.
tags	object		Dictionnaire de balises. Les balises peuvent être ajoutées, supprimées et mises à jour.

SparkJobEntryType

Énumération

Valeur	Description
SparkJobPythonEntry
SparkJobScalaEntry

SparkJobPythonEntry

Objet

Nom	Type	Description
file	string minLength: 1 pattern: [a-zA-Z0-9_]	[Obligatoire] Chemin d’accès relatif au fichier Python pour le point d’entrée du travail.
sparkJobEntryType	string: SparkJobPythonEntry	[Obligatoire] Type du point d’entrée du travail.

SparkJobScalaEntry

Objet

Nom	Type	Description
className	string minLength: 1 pattern: [a-zA-Z0-9_]	[Obligatoire] Nom de classe Scala utilisé comme point d’entrée.
sparkJobEntryType	string: SparkJobScalaEntry	[Obligatoire] Type du point d’entrée du travail.

SparkResourceConfiguration

Objet

Nom	Type	Valeur par défaut	Description
instanceType	string		Type facultatif de machine virtuelle utilisée comme prise en charge par la cible de calcul.
runtimeVersion	string	3.1	Version du runtime Spark utilisée pour le travail.

StackEnsembleSettings

Objet

Réglage avancé pour personnaliser l’exécution de StackEnsemble.

Nom	Type	Valeur par défaut	Description
stackMetaLearnerKWargs			Paramètres facultatifs à passer à l’initialiseur du méta-apprenant.
stackMetaLearnerTrainPercentage	number (double)	0.2	Spécifie la proportion du jeu d’entraînement (lors du choix du type d’apprentissage et de validation) à réserver pour l’entraînement du méta-apprenant. La valeur par défaut est 0.2.
stackMetaLearnerType	StackMetaLearnerType	None	Le méta-apprenant est un modèle entraîné sur les résultats des modèles individuels hétérogènes.\r\nLes méta-apprenants par défaut sont LogisticRegression pour les tâches de classification (ou LogisticRegressionCV si la validation croisée est activée) et ElasticNet pour les tâches de régression/prévision (ou ElasticNetCV si la validation croisée est activée).\r\nCe paramètre peut être l’une des chaînes suivantes : LogisticRegression, LogisticRegressionCV, LightGBMClassifier, ElasticNet, ElasticNetCV, LightGBMRegressor ou LinearRegression

StackMetaLearnerType

Énumération

Le méta-apprenant est un modèle entraîné sur les résultats des modèles individuels hétérogènes.\r\nLes méta-apprenants par défaut sont LogisticRegression pour les tâches de classification (ou LogisticRegressionCV si la validation croisée est activée) et ElasticNet pour les tâches de régression/prévision (ou ElasticNetCV si la validation croisée est activée).\r\nCe paramètre peut être l’une des chaînes suivantes : LogisticRegression, LogisticRegressionCV, LightGBMClassifier, ElasticNet, ElasticNetCV, LightGBMRegressor ou LinearRegression

Valeur	Description
None
LogisticRegression	Les méta-apprenants par défaut sont LogisticRegression pour les tâches de classification.
LogisticRegressionCV	Les méta-apprenants par défaut sont LogisticRegression pour la tâche de classification lorsque le CV est activé.
LightGBMClassifier
ElasticNet	Les méta-apprenants par défaut sont LogisticRegression pour la tâche de régression.
ElasticNetCV	Les méta-apprenants par défaut sont LogisticRegression pour la tâche de régression lorsque le CV est activé.
LightGBMRegressor
LinearRegression

StochasticOptimizer

Énumération

Optimiseur stochastique pour les modèles d’image.

Valeur	Description
None	Aucun optimiseur sélectionné.
Sgd	Optimiseur de descente de gradient stochastique.
Adam	Adam est l’algorithme qui optimise les fonctions objectifs stochastiques basées sur des estimations adaptatives de moments
Adamw	AdamW est une variante de l’optimiseur Adam qui a une implémentation améliorée de la perte de poids.

SweepJob

Objet

Définition du travail de balayage.

Nom	Type	Valeur par défaut	Description
componentId	string		ID de ressource ARM de la ressource de composant.
computeId	string		ID de ressource ARM de la ressource de calcul.
description	string		Texte de description de la ressource.
displayName	string		Nom complet du travail.
earlyTermination	EarlyTerminationPolicy: BanditPolicy MedianStoppingPolicy TruncationSelectionPolicy		Les stratégies d’arrêt anticipé permettent d’annuler les exécutions médiocres avant qu’elles ne se terminent
experimentName	string	Default	Nom de l’expérience à laquelle appartient le travail. S’il n’est pas défini, le travail est placé dans l’expérience « Par défaut ».
identity	IdentityConfiguration: AmlToken ManagedIdentity UserIdentity		Configuration de l’identité. Si cette valeur est définie, il doit s’agir de l’un des éléments AmlToken, ManagedIdentity, UserIdentity ou Null. La valeur par défaut est AmlToken si null.
inputs	object		Mappage des liaisons de données d’entrée utilisées dans le travail.
isArchived	boolean	False	La ressource est-elle archivée ?
jobType	string: Sweep		[Obligatoire] Spécifie le type de travail.
limits	SweepJobLimits		Limite du travail de balayage.
notificationSetting	NotificationSetting		Paramètre de notification pour le travail
objective	Objective		[Obligatoire] Objectif d’optimisation.
outputs	object		Mappage des liaisons de données de sortie utilisées dans le travail.
properties	object		Dictionnaire de propriétés de ressource.
queueSettings	QueueSettings		Paramètres de file d’attente du travail
samplingAlgorithm	SamplingAlgorithm: BayesianSamplingAlgorithm GridSamplingAlgorithm RandomSamplingAlgorithm		[Obligatoire] Algorithme d’échantillonnage d’hyperparamètres
searchSpace			[Obligatoire] Dictionnaire contenant chaque paramètre et sa distribution. La clé de dictionnaire est le nom du paramètre
services	<string,  JobService>		Liste des points de terminaison de travail. Pour les travaux locaux, un point de terminaison de travail a une valeur de point de terminaison de FileStreamObject.
status	JobStatus		Statut de la tâche.
tags	object		Dictionnaire de balises. Les balises peuvent être ajoutées, supprimées et mises à jour.
trial	TrialComponent		[Obligatoire] Définition du composant d’évaluation.

SweepJobLimits

Objet

Classe de limite de tâche de balayage.

Nom	Type	Description
jobLimitsType	string: Sweep	[Obligatoire] Type JobLimit.
maxConcurrentTrials	integer (int32)	Nombre maximal d’essais simultanés du travail de balayage.
maxTotalTrials	integer (int32)	Nombre maximal d’essais du travail de balayage.
timeout	string (duration)	Durée d’exécution maximale au format ISO 8601, après laquelle le travail sera annulé. Prend uniquement en charge la durée avec une précision aussi faible que secondes.
trialTimeout	string (duration)	Valeur du délai d’expiration du délai d’expiration du travail de balayage.

systemData

Objet

Métadonnées relatives à la création et à la dernière modification de la ressource.

Nom	Type	Description
createdAt	string (date-time)	Horodatage de la création de ressources (UTC).
createdBy	string	Identité qui a créé la ressource.
createdByType	createdByType	Type d’identité qui a créé la ressource.
lastModifiedAt	string (date-time)	Horodatage de la dernière modification de ressource (UTC)
lastModifiedBy	string	Identité qui a modifié la ressource pour la dernière fois.
lastModifiedByType	createdByType	Type d’identité qui a modifié la ressource pour la dernière fois.

TableVerticalFeaturizationSettings

Objet

Configuration de caractérisation.

Nom	Type	Valeur par défaut	Description
blockedTransformers	BlockedTransformers[]		Ces transformateurs ne doivent pas être utilisés dans la caractérisation.
columnNameAndTypes	object		Dictionnaire du nom de colonne et de son type (int, float, string, datetime, etc.).
datasetLanguage	string		Langage du jeu de données, utile pour les données de texte.
enableDnnFeaturization	boolean	False	Détermine s’il faut utiliser des caractérisations basées sur Dnn pour la caractérisation des données.
mode	FeaturizationMode	Auto	Mode caractérisation : l’utilisateur peut conserver le mode « Auto » par défaut et AutoML prend en charge la transformation nécessaire des données dans la phase de caractérisation. Si « Désactivé » est sélectionné, aucune caractérisation n’est effectuée. Si « Personnalisé » est sélectionné, l’utilisateur peut spécifier des entrées supplémentaires pour personnaliser la façon dont la caractérisation est effectuée.
transformerParams	object		L’utilisateur peut spécifier des transformateurs supplémentaires à utiliser avec les colonnes auxquelles il serait appliqué et les paramètres pour le constructeur du transformateur.

TableVerticalLimitSettings

Objet

Contraintes d’exécution des tâches.

Nom	Type	Valeur par défaut	Description
enableEarlyTermination	boolean	True	Activez l’arrêt anticipé, détermine si AutoMLJob se termine tôt s’il n’y a pas d’amélioration du score dans les 20 dernières itérations.
exitScore	number (double)		Score de sortie pour le travail AutoML.
maxConcurrentTrials	integer (int32)	1	Nombre maximal d’itérations simultanées.
maxCoresPerTrial	integer (int32)	-1	Nombre maximal de cœurs par itération.
maxTrials	integer (int32)	1000	Nombre d’itérations.
timeout	string (duration)	PT6H	Délai d’expiration du travail AutoML.
trialTimeout	string (duration)	PT30M	Délai d’expiration de l’itération.

TargetAggregationFunction

Énumération

Fonction d’agrégation cible.

Valeur	Description
None	Ne représentent aucun ensemble de valeurs.
Sum
Max
Min
Mean

TargetLagsMode

Énumération

La cible retarde les modes de sélection.

Valeur	Description
Auto	Les décalages cibles doivent être déterminés automatiquement.
Custom	Utilisez les décalages de cible personnalisés.

TargetRollingWindowSizeMode

Énumération

Mode de taille des fenêtres glissantes cibles.

Valeur	Description
Auto	Déterminez automatiquement la taille des fenêtres tournantes.
Custom	Utilisez la taille de fenêtre évolutive spécifiée.

TaskType

Énumération

Type de tâche AutoMLJob.

Valeur	Description
Classification	La classification en apprentissage automatique et en statistiques est une approche d’apprentissage supervisé dans laquelle le programme informatique apprend à partir des données qui lui sont fournies et effectue de nouvelles observations ou classifications.
Regression	La régression consiste à prédire la valeur à l’aide des données d’entrée. Les modèles de régression sont utilisés pour prédire une valeur continue.
Forecasting	La prévision est un type particulier de tâche de régression qui traite des données de séries chronologiques et crée un modèle de prévision qui peut être utilisé pour prédire les valeurs dans un avenir proche en fonction des entrées.
ImageClassification	Classification d’images. La classification d’images multiclasses est utilisée lorsqu’une image est classifiée avec une seule étiquette provenant d’un ensemble de classes - par exemple, chaque image est classée comme une image d’un « chat », d’un « chien » ou d’un « canard ».
ImageClassificationMultilabel	Classification d’images multi-étiquettes. La classification d’images multi-étiquettes est utilisée lorsqu’une image peut avoir une ou plusieurs étiquettes d’un ensemble d’étiquettes - par exemple, une image peut être étiquetée à la fois avec « chat » et « chien ».
ImageObjectDetection	Détection d’objets d’image. La détection d’objets est utilisée pour identifier les objets dans une image et localiser chaque objet à l’aide d’une boîte englobante, par exemple localiser tous les chiens et chats dans une image et dessiner une boîte englobante autour de chacun.
ImageInstanceSegmentation	Segmentation d’instance d’image. La segmentation d’instance est utilisée pour identifier les objets d’une image au niveau du pixel, en dessinant un polygone autour de chaque objet de l’image.
TextClassification	La classification de texte (également appelée balisage de texte ou catégorisation de texte) est le processus de tri des textes en catégories. Les catégories s’excluent mutuellement.
TextClassificationMultilabel	La tâche de classification multi-étiquettes attribue chaque échantillon à un groupe (zéro ou plus) d’étiquettes cibles.
TextNER	Texte nommé Entity Recognition, alias TextNER. La reconnaissance d’entités nommées (NER) est la capacité de prendre du texte libre et d’identifier les occurrences d’entités telles que des personnes, des lieux, des organisations, etc.

TensorFlow

Objet

Configuration de la distribution TensorFlow.

Nom	Type	Valeur par défaut	Description
distributionType	string: TensorFlow		[Obligatoire] Spécifie le type d’infrastructure de distribution.
parameterServerCount	integer (int32)	0	Nombre de tâches de serveur de paramètres.
workerCount	integer (int32)		Nombre de travailleurs. S’il n’est pas spécifié, le nombre d’instances est défini par défaut.

TextClassification

Objet

Tâche de classification de texte dans AutoML NLP vertical. NLP - Traitement du langage naturel.

Nom	Type	Valeur par défaut	Description
featurizationSettings	NlpVerticalFeaturizationSettings		Entrées de caractérisation nécessaires pour le travail AutoML.
limitSettings	NlpVerticalLimitSettings		Contraintes d’exécution pour AutoMLJob.
logVerbosity	LogVerbosity	Info	Énumération pour la définition de la verbosité du journal.
primaryMetric	ClassificationPrimaryMetrics	Accuracy	Indicateurs principaux pour les tâches de classification.
targetColumnName	string		Nom de la colonne cible : il s’agit de la colonne valeurs de prédiction. Également appelé nom de colonne d’étiquette dans le contexte des tâches de classification.
taskType	string: TextClassification		[Obligatoire] Type de tâche pour AutoMLJob.
trainingData	MLTableJobInput		[Obligatoire] Entrée de données d’apprentissage.
validationData	MLTableJobInput		Entrées de données de validation.

TextClassificationMultilabel

Objet

Tâche Multilabel de classification de texte dans AutoML NLP vertical. NLP - Traitement du langage naturel.

Nom	Type	Valeur par défaut	Description
featurizationSettings	NlpVerticalFeaturizationSettings		Entrées de caractérisation nécessaires pour le travail AutoML.
limitSettings	NlpVerticalLimitSettings		Contraintes d’exécution pour AutoMLJob.
logVerbosity	LogVerbosity	Info	Énumération pour la définition de la verbosité du journal.
primaryMetric	ClassificationMultilabelPrimaryMetrics		Mesure principale pour la tâche Texte-Classification-Multilabel. Actuellement, seule la précision est prise en charge en tant que mesure principale, l’utilisateur n’a donc pas besoin de la définir explicitement.
targetColumnName	string		Nom de la colonne cible : il s’agit de la colonne valeurs de prédiction. Également appelé nom de colonne d’étiquette dans le contexte des tâches de classification.
taskType	string: TextClassificationMultilabel		[Obligatoire] Type de tâche pour AutoMLJob.
trainingData	MLTableJobInput		[Obligatoire] Entrée de données d’apprentissage.
validationData	MLTableJobInput		Entrées de données de validation.

TextNer

Objet

Text-NER tâche dans AutoML NLP verticale. NER : reconnaissance d’entités nommées. NLP - Traitement du langage naturel.

Nom	Type	Valeur par défaut	Description
featurizationSettings	NlpVerticalFeaturizationSettings		Entrées de caractérisation nécessaires pour le travail AutoML.
limitSettings	NlpVerticalLimitSettings		Contraintes d’exécution pour AutoMLJob.
logVerbosity	LogVerbosity	Info	Énumération pour la définition de la verbosité du journal.
primaryMetric	ClassificationPrimaryMetrics		Mesure principale pour Text-NER tâche. Seule la 'Précision' est prise en charge pour Text-NER, donc l’utilisateur n’a pas besoin de la définir explicitement.
targetColumnName	string		Nom de la colonne cible : il s’agit de la colonne valeurs de prédiction. Également appelé nom de colonne d’étiquette dans le contexte des tâches de classification.
taskType	string: TextNER		[Obligatoire] Type de tâche pour AutoMLJob.
trainingData	MLTableJobInput		[Obligatoire] Entrée de données d’apprentissage.
validationData	MLTableJobInput		Entrées de données de validation.

TrialComponent

Objet

Définition du composant d’évaluation.

Nom	Type	Description
codeId	string	ID de ressource ARM de la ressource de code.
command	string minLength: 1 pattern: [a-zA-Z0-9_]	[Obligatoire] Commande à exécuter au démarrage du travail. eg. « python train.py »
distribution	DistributionConfiguration: Mpi PyTorch TensorFlow	Configuration de distribution du travail. Si elle est définie, il doit s’agir de l’un des valeurs Mpi, Tensorflow, PyTorch ou Null.
environmentId	string minLength: 1 pattern: [a-zA-Z0-9_]	[Obligatoire] ID de ressource ARM de la spécification d’environnement pour le travail.
environmentVariables	object	Variables d’environnement incluses dans le travail.
resources	JobResourceConfiguration	Configuration des ressources de calcul pour le travail.

TritonModelJobInput

Objet

Nom	Type	Valeur par défaut	Description
description	string		Description de l’entrée.
jobInputType	string: triton_model		[Obligatoire] Spécifie le type de travail.
mode	InputDeliveryMode	ReadOnlyMount	Enum pour déterminer le mode de livraison des données d’entrée.
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[Obligatoire] URI de ressource d’entrée.

TritonModelJobOutput

Objet

Nom	Type	Valeur par défaut	Description
assetName	string		Nom de la ressource de sortie.
description	string		Description de la sortie.
jobOutputType	string: triton_model		[Obligatoire] Spécifie le type de travail.
mode	OutputDeliveryMode	ReadWriteMount	Énumérations du mode de livraison des données de sortie.
uri	string		URI de ressource de sortie.

TruncationSelectionPolicy

Objet

Définit une stratégie d’arrêt anticipé qui annule un pourcentage donné d’exécutions à chaque intervalle d’évaluation.

Nom	Type	Valeur par défaut	Description
delayEvaluation	integer (int32)	0	Nombre d’intervalles par lesquels retarder la première évaluation.
evaluationInterval	integer (int32)	0	Intervalle (nombre d’exécutions) entre les évaluations de stratégie.
policyType	string: TruncationSelection		[Obligatoire] Nom de la configuration de la stratégie
truncationPercentage	integer (int32)	0	Pourcentage d’exécutions à annuler à chaque intervalle d’évaluation.

UriFileJobInput

Objet

Nom	Type	Valeur par défaut	Description
description	string		Description de l’entrée.
jobInputType	string: uri_file		[Obligatoire] Spécifie le type de travail.
mode	InputDeliveryMode	ReadOnlyMount	Enum pour déterminer le mode de livraison des données d’entrée.
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[Obligatoire] URI de ressource d’entrée.

UriFileJobOutput

Objet

Nom	Type	Valeur par défaut	Description
assetName	string		Nom de la ressource de sortie.
description	string		Description de la sortie.
jobOutputType	string: uri_file		[Obligatoire] Spécifie le type de travail.
mode	OutputDeliveryMode	ReadWriteMount	Énumérations du mode de livraison des données de sortie.
uri	string		URI de ressource de sortie.

UriFolderJobInput

Objet

Nom	Type	Valeur par défaut	Description
description	string		Description de l’entrée.
jobInputType	string: uri_folder		[Obligatoire] Spécifie le type de travail.
mode	InputDeliveryMode	ReadOnlyMount	Enum pour déterminer le mode de livraison des données d’entrée.
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[Obligatoire] URI de ressource d’entrée.

UriFolderJobOutput

Objet

Nom	Type	Valeur par défaut	Description
assetName	string		Nom de la ressource de sortie.
description	string		Description de la sortie.
jobOutputType	string: uri_folder		[Obligatoire] Spécifie le type de travail.
mode	OutputDeliveryMode	ReadWriteMount	Énumérations du mode de livraison des données de sortie.
uri	string		URI de ressource de sortie.

UserIdentity

Objet

Configuration de l’identité de l’utilisateur.

Nom	Type	Description
identityType	string: UserIdentity	[Obligatoire] Spécifie le type d’infrastructure d’identité.

UseStl

Énumération

Configurez la décomposition STL de la colonne cible de série chronologique.

Valeur	Description
None	Pas de décomposition stl.
Season
SeasonTrend

ValidationMetricType

Énumération

Méthode de calcul de métrique à utiliser pour les métriques de validation dans les tâches d’image.

Valeur	Description
None	Pas de métrique.
Coco	Métrique Coco.
Voc	Métrique Voc.
CocoVoc	Métrique CocoVoc.

WebhookType

Énumération

Enum pour déterminer le type de service de rappel de webhook.

Valeur	Description
AzureDevOps