Az Azure Machine Learning dokumentációja

Gépi tanulási modellek betanítása és üzembe helyezése az Azure Machine Learning használatával. Ismerkedjen meg a rövid útmutatókkal, ismerkedjen meg az oktatóanyagokkal, és kezelje ml-életciklusát az MLOps ajánlott eljárásaival.

Áttekintés

Áttekintés

• Mi az Azure Machine Learning?
• Mi a felelős AI?

Beállítás & rövid útmutató

gyorskonfigurálás

• Erőforrások létrehozása
• Ismerkedés az Azure Machine Learning szolgáltatással

Kezdje az alapokkal

Bemutató

• Adatok előkészítése és feltárása
• Fejlesztés felhőalapú munkaállomáson
• Modell betanítása
• Modell üzembe helyezése
• Újrafelhasználható folyamat beállítása

AI-megoldások létrehozása

gyorskonfigurálás

• Mi az Azure Machine Learning parancssori folyamata?
• Első lépések a parancssori folyamatban

Adatkezelés

How-To Útmutató

• Az Apache Spark használata az Azure Machine Learningben
• Adategységek létrehozása

Modellek betanítása

How-To Útmutató

• Betanítás futtatása parancssori felülettel, SDK-val vagy REST API-val
• Folyamatok létrehozása újrafelhasználható összetevőkből

Modellek üzembe helyezése

Felfejlődik

• Modell üzembe helyezésének egyszerűsítése végpontokkal
• Valós idejű pontozás online végpontokkal

Az ML életciklusának kezelése (MLOps)

How-To Útmutató

• Betanítási futtatások nyomon követése, figyelése, elemzése
• Modellkezelés, üzembe helyezés és monitorozás

Gépi tanulási projektek biztonsága

How-To Útmutató

• Biztonságos munkaterület létrehozása
• Kapcsolódás adatforrásokhoz
• Vállalati biztonság > szabályozás

Referenciadokumentumok

Utalás

• Python SDK (v2)
• PARANCSSOR (v2)
• REST API
• Algoritmus- és összetevő-referencia

Források

Utalás

• Frissítés v2-re
• Python SDK-ra (v2) vonatkozó példakódok
• Parancssori felületi (v2)-kód példák