Adatbemenet és -kimenet
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.
Megjegyzés
A következőkre vonatkozik: Machine Learning Studio (klasszikus)
Hasonló húzással használható modulok érhetők el Azure Machine Learning tervezőben.
Ez a cikk azokat a modulokat sorolja fel, amelyek az adatok és modellek importálására és exportálására használhatók a Machine Learning Studióban (klasszikus).
A modulok használata mellett közvetlenül is feltölthet és letölthet adatkészleteket a helyi fájlokból a számítógépen vagy a hálózaton. További információ: Meglévő adatok feltöltése egy Machine Learning kísérletbe.
Íme néhány forrás, amelyek segítségével adatokat és modelleket importálhat és exportálhat a Machine Learning Studióban (klasszikus):
- Adatokat lekért a felhőben olyan forrásokból, mint a Azure SQL Database, Azure SQL Data Warehouse, az Azure Storage és Azure Cosmos DB. Importálhat nyilvános webes URL-címként biztosított adatokat, Hive-lekérdezéssel lekérdezheti az adatokat a Hadoopból, vagy lekérdezhet egy helyszíni SQL kiszolgálóról.
- Töltsön be egy képgyűjteményt az Azure Blob Storage-ból a képosztályozási feladatokhoz való használathoz.
- Bontsa ki az adatokat a Machine Learning. Az adatkészleteket kísérletekben használhatja.
- A kis adatkészletek létrehozásához írja be a Machine Learning Studio (klasszikus) felhasználói felületét. Ez kis méretű tesztadatkészletek létrehozásához lehet hasznos.
- Mentse az eredményeket vagy a köztes adatokat az Azure Table Storage-ba, a Blob Storage-ba, egy SQL adatbázisba vagy egy Hive-lekérdezésbe.
- Betanított modell lekért url-címből vagy blobtárolóból, majd egy kísérletben való használata.
Megjegyzés
Az ebben a csoportban a modulok csak a Machine Learning Studio (klasszikus) Machine Learning mozgatják az adatokat. A modulok nem használhatók az adatok szűréséhez, átalakításához vagy átalakításához az importálási vagy exportálási folyamat során.
További információ az adatok átalakításáról és szűrésről a Machine Learning Studióban: Adatátalakítás.
Források
A következő cikkek a gépi tanulás gyakori adatforgatókönyveit mutatják be:
Bevezetés
Megtudhatja, hogyan kezelheti a gépi tanuláshoz szükséges adatokat a felhőben. A cikkben található információk az IPARÁGi szabvány, AZ AI-DM szabványon alapulnak. A cikk részletesen bemutatja, hogyan integrálható a gépi tanulás a felhőalapú adatmegoldásokkal, például az Azure HDInsight és SQL Database.
Ez a cikk azt ismerteti, hogyan lehet az adatokat az Azure-ba behozni, majd létrehozni egy kísérletet.
Fejlett adattudomány
Megtudhatja, hogyan telepítheti a Machine Learning Python ügyféloldali kódtárát, majd hogyan használhatja a metaadatok eléréséhez és az adatkészletekkel való munkához.
Kísérleteket szemléltető példák
Modulok listája
Az Adatbemenet és -kimenet kategória a következő modulokat tartalmazza:
- Adatok manuális beírása: Lehetővé teszi, hogy kisebb adatkészleteket hozzon létre értékek beírásával.
- Adatok exportálása: Egy adatkészletet webes URL-címekre vagy az Azure-beli felhőalapú tárolók különböző formáiba ír, például táblákba, blobokba vagy SQL adatbázisba.
- Adatok importálása: Külső forrásokból tölt be adatokat a weben és az Azure-ban található különböző felhőalapú tárolókból, például Table Storage-ból, Blob Storage-ból, SQL Database-ból, SQL Data Warehouse-ból, Azure Cosmos DB-ból vagy Hive-lekérdezésből. Helyszíni adatbázisból is importálhat SQL Server adatokat.
- Betanított modell betöltése: Lekért egy betanított modellt egy URL-címből vagy blobtárolóból a pontozási kísérletben való használatra.
- Tömörített adatkészletek kicsomagolása: Tömörített formátumban tárolt adatkészlet kibontása, majd az adatkészlet hozzáadása a munkaterülethez.