Machine Learning Studio (klasszikus): Algoritmusok és modulok súgója
Fontos
A (klasszikus) Machine Learning Studio támogatása 2024. augusztus 31-én megszűnik. Javasoljuk, hogy addig térjen át az Azure Machine Learning használatára.
2021. december 1-től kezdve nem fog tudni létrehozni új (klasszikus) Machine Learning Studio-erőforrásokat. 2024. augusztus 31-ig továbbra is használhatja a meglévő (klasszikus) Machine Learning Studio-erőforrásokat.
- További információ a gépi tanulási projektek a ML Studióból a klasszikusból a Azure Machine Learning.
- További információ a Azure Machine Learning.
A (klasszikus) ML Studio dokumentációjának kivezetése folyamatban van, és a jövőben nem várható a frissítése.
Tipp
A jelenleg Machine Learning Studiót (klasszikus) használó ügyfeleknek javasoljuk, hogy próbálják ki az Azure Machine Learning-tervezőt, amely az egérrel kezelhető ML-modulokat, valamint a skálázhatóságot, a verziókövetést és a vállalati biztonságot is biztosítja.
Machine Learning Studio (klasszikus) egy felhőalapú prediktív elemzési szolgáltatás, amely lehetővé teszi a prediktív modellek elemzési megoldásként való gyors létrehozását és üzembe helyezését. A gépi tanulási eszközök többnyire felhőalapú szolgáltatások, amelyek kiküszöbölik a beállítással és a telepítéssel kapcsolatos problémákat, mivel a webböngészőben bármilyen internetkapcsolattal bíró számítógépen dolgozhat. További részletekért tekintse meg a "Mi az a Studio (klasszikus)?" című cikket.
Ez a dokumentáció részletes műszaki és útmutató információkat tartalmaz a Machine Learning Studióban elérhető modulokról.
- Jelentkezzen be a Machine Learning Studio (klasszikus) munkaterületére, és első lépések.
Mit nevezünk modulnak?
A Machine Learning Studio (klasszikus) minden modulja olyan kódkészletet képvisel, amely függetlenül futtatható, és gépi tanulási feladatokat hajthat végre a szükséges bemenetek alapján. Egy modul tartalmazhat egy adott algoritmust, vagy elvégezhet egy, a gépi tanulásban fontos feladatot, például hiányzó értékcserét vagy statisztikai elemzést.
A (klasszikus) Studióban a modulok a következő funkciók szerint vannak rendszerezve:
Az adatbemeneti és -kimeneti modulok az adatok felhőbeli forrásokból a kísérletbe való áthelyezését ják. Az eredményeket vagy köztes adatokat megírhatja az Azure Storage-ba, SQL-adatbázisba vagy Hive-ba kísérlet futtatása közben, vagy használhat felhőalapú tárolót a kísérletek közötti adatcseréhez.
Az adatátalakítási modulok támogatják a gépi tanulásra jellemző egyedi adatokon történő műveleteket, például az adatok normalizálását vagy kitűzését, a funkciók kiválasztását és a dimenziócsökkentést.
Az egyes modulokban olyan gépi tanulási algoritmusok érhetők el, mint a fürtözés, a támogatóvektor-gépek vagy a neurális hálózatok, amelyek segítségével testre szabhatja a gépi tanulási feladatot a megfelelő paraméterekkel. Besorolási feladatokhoz bináris vagy többosztályos algoritmusok közül választhat.
A modell konfigurálása után egy betanító modullal adatokat futtathat az algoritmuson keresztül, és az egyik kiértékelési modullal megmérheti a betanított modell pontosságát. Az egyik pontozási modul használatával előrejelzéseket kap az éppen betanított modellből.
Anomáliadetektálás: Machine Learning Studio (klasszikus) több, ezekre a feladatokra specializált algoritmust tartalmaz.
A szövegelemzési modulok különböző természetes nyelvi feldolgozási feladatokat támogatnak.
A Vowpal Wabbit támogatása megkönnyíti ennek a skálázható platformnak a használatát.
A Python- és R-nyelvi modulok megkönnyítik az egyéni függvények futtatását. Megírhatja a kódot, és beágyazhatja egy modulba, hogy integrálja a Pythont és az R-t egy kísérleti szolgáltatással.
Az OpenCV-kódtár adott képfelismerési feladatokhoz használható modulokat biztosít.
Az idősorelemzés támogatja az anomáliadetektálást az idősorozatokban.
A statisztikai modulok az adattudományhoz kapcsolódó numerikus módszerek széles választékát biztosítják. Ebben a csoportban korrelációs metódusokat, adat összegzéseket, valamint statisztikai és matematikai műveleteket is keres.
Ebben a referenciaszakaszban technikai háttérinformációkat talál a gépi tanulási algoritmusokkal, az implementáció részleteivel (ha elérhető) és hivatkozásokat talál a modul használatával kapcsolatos mintakísérletekre. A munkaterületre való Azure AI Gallery tölthet le példákat. Ezek a példák nyilvános használatra szolgálnak.
Tipp
Ha bejelentkezett a Machine Learning Studióba, és létrehozott egy kísérletet, információt kaphat egy adott modulról. Válassza ki a modult, majd válassza a további súgóhivatkozást a Gyors súgó panelen .
Egyéb technikai referenciák
Section | Description |
---|---|
Adattípusok listája | Ez a szakasz referencia-témaköröket tartalmaz, amelyek a tanulói felületeket és DataTable az adatkészletek formátumát ismertetik. |
Kivételek listája | Ez a szakasz felsorolja a modulok által létrehozható hibákat, valamint az okokat és a lehetséges megkerülő megoldásokat. A webszolgáltatás API-hoz kapcsolódó hibakódok listájáért tekintse meg a Machine Learning REST API hibakódokat. |