Azure Machine Learning-folyamatok végrehajtása az Azure Data Factoryben és a Synapse Analyticsben
A következőkre vonatkozik: 
Azure Data Factory Azure Synapse Analytics
Tipp.
Próbálja ki a Data Factoryt a Microsoft Fabricben, amely egy teljes körű elemzési megoldás a nagyvállalatok számára. A Microsoft Fabric az adattovábbítástól az adatelemzésig, a valós idejű elemzésig, az üzleti intelligenciáig és a jelentéskészítésig mindent lefed. Ismerje meg, hogyan indíthat új próbaverziót ingyenesen!
Az Azure Machine Learning-folyamatokat futtathatja az Azure Data Factory- és a Synapse Analytics-folyamatok lépéseiként. A Machine Learning folyamat-végrehajtási tevékenység olyan kötegelt előrejelzési forgatókönyveket tesz lehetővé, mint a hitel-visszafizetés lehetséges elmulasztása, a hangulat meghatározása és az ügyfelek viselkedési mintáinak elemzése.
Az alábbi videóban a funkció bemutatását és ismertetését tekintheti meg hat percben.
Machine Learning-végrehajtási folyamattevékenység létrehozása felhasználói felülettel
Ha a Machine Learning végrehajtási folyamattevékenységet szeretné használni egy folyamatban, hajtsa végre a következő lépéseket:
Keressen a Machine Learningre a folyamattevékenységek panelen, és húzzon egy Machine Learning-végrehajtási folyamattevékenységet a folyamatvászonra.
Ha még nincs kijelölve, válassza ki az új Machine Learning Végrehajtási folyamat tevékenységet a vásznon, és a Beállítások fület a részletek szerkesztéséhez.
Válasszon ki egy meglévőt, vagy hozzon létre egy új Azure Machine Learning-társított szolgáltatást, és adja meg a folyamat és a kísérlet részleteit, valamint a folyamathoz szükséges folyamatparamétereket vagy adatelérési utak hozzárendeléseit.
Syntax
{
"name": "Machine Learning Execute Pipeline",
"type": "AzureMLExecutePipeline",
"linkedServiceName": {
"referenceName": "AzureMLService",
"type": "LinkedServiceReference"
},
"typeProperties": {
"mlPipelineId": "machine learning pipeline ID",
"experimentName": "experimentName",
"mlPipelineParameters": {
"mlParameterName": "mlParameterValue"
}
}
}
Típustulajdonságok
| Tulajdonság | Leírás | Megengedett értékek | Szükséges |
|---|---|---|---|
| név | A folyamat tevékenységének neve | Sztring | Igen |
| típus | A tevékenység típusa az "AzureMLExecutePipeline" | Sztring | Igen |
| linkedServiceName | Társított szolgáltatás az Azure Machine Learninghez | Társított szolgáltatás referenciája | Igen |
| mlPipelineId | A közzétett Azure Machine Learning-folyamat azonosítója | Sztring (vagy kifejezés a sztring eredménytípusával) | Igen |
| experimentName | A Machine Learning-folyamat futtatásának előzménykísérletének neve | Sztring (vagy kifejezés a sztring eredménytípusával) | Nem |
| mlPipelineParameters | Kulcs- és értékpárok, amelyet át kell adni a közzétett Azure Machine Learning-folyamat végpontjának. A kulcsoknak meg kell egyeznie a közzétett Machine Learning-folyamatban definiált folyamatparaméterek nevével | Objektum kulcsértékpárokkal (vagy kifejezés resultType objektummal) | Nem |
| mlParentRunId | A szülő Azure Machine Learning-folyamat futtatási azonosítója | Sztring (vagy kifejezés a sztring eredménytípusával) | Nem |
| dataPathAssignments | Az Azure Machine Learning adatútvonalainak módosításához használt szótár. Lehetővé teszi a datapaths közötti váltást | Objektum kulcsértékpárokkal | Nem |
| continueOnStepFailure | További lépések végrehajtása a Machine Learning-folyamat futtatásakor, ha egy lépés meghiúsul | Logikai | Nem |
Feljegyzés
A Machine Learning-folyamat nevének és azonosítójának legördülő elemeinek feltöltéséhez a felhasználónak engedéllyel kell rendelkeznie az ML-folyamatok listázásához. A felhasználói felület közvetlenül a bejelentkezett felhasználó hitelesítő adataival hívja meg az AzureMLService API-kat. A legördülő elemek felderítési ideje sokkal hosszabb lenne a privát végpontok használatakor.
Kapcsolódó tartalom
Tekintse meg az alábbi cikkeket, amelyekből megtudhatja, hogyan alakíthat át adatokat más módokon: