Catatan
Akses ke halaman ini memerlukan otorisasi. Anda dapat mencoba masuk atau mengubah direktori.
Akses ke halaman ini memerlukan otorisasi. Anda dapat mencoba mengubah direktori.
Penting
Dukungan untuk Studio Azure Machine Learning (klasik) akan berakhir pada 31 Agustus 2024. Sebaiknya Anda transisi ke Azure Machine Learning sebelum tanggal tersebut.
Mulai 1 Desember 2021, Anda tidak akan dapat membuat sumber daya Studio Azure Machine Learning (klasik) baru. Hingga 31 Agustus 2024, Anda dapat terus menggunakan sumber daya Pembelajaran Mesin Studio (klasik) yang ada.
- Lihat informasi tentang memindahkan proyek pembelajaran mesin dari ML Studio (klasik) ke Azure Machine Learning.
- Mer informasjon tentang Azure Machine Learning.
ML Dokumentasi Studio (klasik) sedang berhenti dan mungkin tidak diperbarui di masa mendatang.
Tip
Pelanggan yang saat ini menggunakan atau mengevaluasi Pembelajaran Mesin Studio (klasik) didorong untuk mencoba Azure Machine Learning desainer, yang menyediakan modul ML drag-n-drop ditambah skalabilitas, kontrol versi, dan keamanan perusahaan.
Modul mencakup berbagai fitur dan fungsi yang diperlukan untuk tugas pembelajaran mesin:
- Fungsi konversi data
- Fungsi transformasi data
- Modul untuk mengeksekusi skrip R atau Python
- Algoritma, termasuk:
- Pohon keputusan
- Hutan keputusan
- Pengklusteran
- Deret waktu
- Model rekomendasi
- Deteksi anomali
Untuk menemukan modul:
- Jika Anda tahu nama modul, gunakan tabel abjad sebagai indeks untuk menemukan modul atau algoritma tertentu dengan cepat.
- Untuk daftar modul berdasarkan kategori fungsional, lihat Kategori dan deskripsi modul.
| Nama modul | Deskripsi |
|---|---|
| Menambahkan kolom | Menambahkan satu set kolom dari satu himpunan data ke himpunan data lainnya. |
| Menambahkan Baris | Menambahkan satu set baris dari himpunan data input ke akhir himpunan data lain. |
| Terapkan Filter | Menerapkan filter ke kolom himpunan data tertentu. |
| Menerapkan Operasi Matematika | Menerapkan operasi matematika ke nilai kolom. |
| Terapkan Transformasi SQL | Menjalankan kueri SQLite pada himpunan data input untuk mengubah data. |
| Terapkan Transformasi | Menerapkan transformasi data yang ditentukan dengan baik ke himpunan data. |
| Tetapkan Data ke Kluster | Menetapkan data ke kluster dengan menggunakan model pengelompokan terlatih yang ada. |
| Regresi Linier Bayesian | Membuat model regresi linier Bayesian. |
| Regresi Pohon Keputusan yang Ditingkatkan | Membuat model regresi dengan menggunakan algoritma pohon keputusan yang ditingkatkan. |
| Transformasi Penghitungan Build | Membuat jumlah yang akan digunakan untuk membangun fitur. |
| Membersihkan Data Yang Hilang | Menentukan cara menangani nilai yang hilang dari himpunan data. |
| Nilai Klip | Mendeteksi outlier, lalu klip atau menggantikan nilainya. |
| Menghitung Statistik Dasar | Menghitung statistik ringkasan yang ditentukan untuk kolom himpunan data yang dipilih. |
| Mendeteksi Bahasa | Mendeteksi bahasa setiap baris dalam file input. |
| Menghitung Korelasi Linear | Menghitung korelasi linier antara nilai kolom dalam himpunan data. |
| Konversi ke ARFF | Mengonversi input data ke format file relasi atribut yang digunakan oleh toolset Weka. |
| Mengonversi ke CSV | Mengonversi input data ke format nilai yang dipisahkan koma. |
| Mengonversi ke Himpunan Data | Mengonversi input data ke format himpunan data internal yang digunakan oleh Pembelajaran Mesin. |
| Mengonversi ke Nilai Indikator | Mengonversi nilai kategoris dalam kolom menjadi nilai indikator. |
| Konversi ke SVMLight | Mengonversi input data ke format yang digunakan oleh kerangka SVMlight. |
| Konversi ke TSV | Mengonversi input data ke format yang dibatasi tab. |
| Buat Model R | Membuat model R dengan menggunakan sumber daya kustom. |
| Model Validasi Silang | Memvalidasi silang perkiraan parameter untuk model klasifikasi atau regresi dengan mempartisi data. |
| Regresi Hutan Keputusan | Membuat model regresi dengan menggunakan algoritma hutan keputusan. |
| Mendeteksi Bahasa | Mendeteksi bahasa setiap baris dalam file input. |
| Mengedit Metadata | Mengedit metadata yang terkait dengan kolom dalam himpunan data. |
| Memasukkan Data Secara Manual | Memungkinkan memasukkan dan mengedit himpunan data kecil dengan mengetik nilai. |
| Evaluasi Model | Mengevaluasi klasifikasi skor atau model regresi dengan menggunakan metrik standar. |
| Mengevaluasi Fungsi Probabilitas | Sesuai dengan fungsi distribusi probabilitas tertentu ke himpunan data. |
| Evaluasi Pemberi Rekomendasi | Mengevaluasi keakuratan prediksi model rekomendasi. |
| Jalankan Skrip Python | Mengeksekusi skrip Python dari eksperimen Pembelajaran Mesin. |
| Jalankan skrip R | Mengeksekusi skrip R dari eksperimen Pembelajaran Mesin. |
| Tabel Hitung Ekspor | Ekspor dihitung dari transformasi hitungan. |
| Mengekspor data | Menulis himpunan data ke URL web atau ke berbagai bentuk penyimpanan berbasis cloud di Azure, seperti tabel, blob, dan database SQL do Azure. Modul ini sebelumnya bernama Writer. |
| Ekstrak Frasa Kunci dari Teks | Mengekstrak kata kunci dan frasa dari kolom teks. |
| Ekstrak Fitur N-Gram dari Teks | Membuat fitur kamus N-Gram, lalu melakukan pemilihan fitur pada mereka. |
| Regresi Kuantil Hutan Cepat | Membuat model regresi kuanttil. |
| Hashing Fitur | Mengonversi data teks menjadi fitur yang dikodekan integer dengan menggunakan pustaka Vowpal Wabbit. |
| Pilihan Fitur Berbasis Filter | Mengidentifikasi fitur dalam dataset yang memiliki kekuatan prediktif terbesar. |
| FIR Filter | Membuat filter respons impuls terbatas untuk pemrosesan sinyal. |
| Analisis Diskriminan Linier Fisher | Mengidentifikasi kombinasi linier variabel fitur yang dapat mengelompokkan data terbaik ke dalam kelas terpisah. |
| Nilai Kategoris Grup | Mengelompokkan data dari beberapa kategori ke dalam kategori baru. |
| Mengelompokkan Data ke dalam Bin | Menempatkan data numerik ke dalam tempat sampah. |
| IIR Filter | Membuat filter respons impuls tak terbatas untuk pemrosesan sinyal. |
| Tabel Hitung Impor | Impor dihitung dari tabel hitungan yang ada. |
| Mengimpor data | Memuat data dari sumber eksternal di web atau dari berbagai bentuk penyimpanan berbasis cloud di Azure, seperti tabel, blob, SQL database, dan Azure Cosmos DB. Dapat memuat data dari database SQL Server lokal jika gateway telah dikonfigurasi. Modul ini sebelumnya bernama Reader. |
| Impor Gambar | Memuat gambar dari penyimpanan Azure Blob ke dalam himpunan data. |
| Data Gabungan | Bergabung dengan dua himpunan data. |
| Pengklusteran K-Means | Mengonfigurasi dan menginisialisasi model pengelompokan K-means. |
| Alokasi Latent Dirichlet | Melakukan pemodelan topik dengan menggunakan perpustakaan Vowpal Wabbit untuk Latent Dirichlet Allocation (LDA). |
| Regresi Linear | Membuat model regresi linier. |
| Model Terlatih Beban | Mendapatkan model terlatih yang dapat Anda gunakan untuk mencetak gol dalam percobaan. |
| Median Filter | Membuat filter median yang digunakan untuk memuluskan data untuk analisis tren. |
| Gabungkan Transformasi Jumlah | Menggabungkan dua set tabel hitungan. |
| Mengubah Parameter Tabel Hitungan | Membangun satu set fitur berbasis hitungan yang ringkas dari tabel hitungan. |
| Filter Rata-Rata Bergerak | Membuat filter rata-rata bergerak yang menghaluskan data untuk analisis tren. |
| Hutan Keputusan Multi kelas | Membuat model klasifikasi multiclass dengan menggunakan algoritma hutan keputusan. |
| Hutan Keputusan Multiclass | Membuat model klasifikasi multiclass dengan menggunakan algoritma hutan keputusan. |
| Regresi Logistik Multi kelas | Membuat model klasifikasi regresi logistik multiclass. |
| Jaringan Neural Multi kelas | Membuat model klasifikasi multiclass dengan menggunakan algoritma jaringan saraf. |
| Pengenalan Entitas Bernama | Mengenali entitas bernama dalam kolom teks. |
| Regresi Jaringan Saraf | Membuat model regresi dengan menggunakan algoritma jaringan saraf. |
| Menormalkan Data | Skala ulang data numerik untuk membatasi nilai himpunan data ke rentang standar. |
| Mesin Vektor Pendukung Satu Kelas | Membuat model mesin vektor dukungan satu kelas untuk deteksi anomali. |
| Multiclass Satu-vs-Semua | Membuat model klasifikasi multiclass dari ansambel model klasifikasi biner. |
| Regresi Ordinal | Membuat model regresi ordinal. |
| Partisi dan Sampel | Membuat beberapa partisi himpunan data berdasarkan pengambilan sampel. |
| Pentingnya Fitur Permutasi | Menghitung fitur permutasi pentingnya skor variabel fitur dalam model terlatih dan dataset uji. |
| PCA-Based Deteksi Anomali | Membuat model deteksi anomali dengan menggunakan Principal Component Analysis (PCA). |
| Regresi Poisson | Membuat model regresi yang mengasumsikan data memiliki distribusi Poisson. |
| Teks Praproses | Melakukan operasi pembersihan pada teks. |
| Klasifikasi Gambar Kaskade Yang Telah Dilatih Sebelumnya | Membuat model klasifikasi gambar yang telah dilatih sebelumnya untuk wajah frontal dengan menggunakan Perpustakaan OpenCV. |
| Analisis Komponen Utama | Menghitung seperangkat fitur yang telah mengurangi dimensi untuk pembelajaran yang lebih efisien. |
| Menghapus Baris Duplikat | Menghapus baris duplikat dari himpunan data. |
| Ganti Nilai Diskrit | Mengganti nilai diskrit dari satu kolom dengan nilai numerik berdasarkan kolom lain. |
| Peng recommender Matchbox Skor | Skor prediksi untuk himpunan data dengan menggunakan rekomendasi Matchbox. |
| Berikan Skor Model | Prediksi skor untuk klasifikasi terlatih atau model regresi. |
| Skor Vowpal Wabbit 7-4 Model | Skor data dengan menggunakan sistem pembelajaran mesin Vowpal Wabbit. Membutuhkan model terlatih yang dibangun dengan menggunakan Vowpal Wabbit versi 7-4 dan 7-6. |
| Skor Vowpal Wabbit 7-10 Model | Skor data dengan menggunakan sistem pembelajaran mesin Vowpal Wabbit. Memerlukan model terlatih yang dibangun dengan menggunakan Vowpal Wabbit versi 7-10. |
| Skor Vowpal Wabbit 8 Model | Mencetak data dengan menggunakan sistem pembelajaran mesin Vowpal Wabbit dari antarmuka baris perintah. Membutuhkan model terlatih yang dibangun dengan menggunakan Vowpal Wabbit versi 8. |
| Memilih Kolom di Himpunan Data | Memilih kolom untuk disertakan atau dikecualikan dari himpunan data dalam operasi. |
| SMOTE | Meningkatkan jumlah contoh insiden rendah dalam dataset dengan menggunakan oversampling minoritas sintetis. |
| Memisahkan Data | Mempartisi baris himpunan data menjadi dua set yang berbeda. |
| Meringkas Data | Menghasilkan laporan statistik deskriptif dasar untuk kolom dalam himpunan data. |
| Sapu Pengelompokan | Melakukan sapuan parameter pada model pengelompokan untuk menentukan pengaturan parameter optimal. |
| Uji Hipotesis Menggunakan T-Test | Membandingkan berarti dari dua himpunan data dengan menggunakan t-test. |
| Filter Ambang Batas | Membuat filter ambang batas yang membatasi nilai. |
| Deteksi Anomali Deret Waktu | Mempelajari tren dalam data deret waktu, lalu menggunakan tren untuk mendeteksi anomali. |
| Melatih Model Deteksi Anomali | Melatih model detektor anomali, dan kemudian memberi label data dari set pelatihan. |
| Melatih Model Pengklusteran | Melatih model pengelompokan, lalu menetapkan data dari pelatihan yang ditetapkan ke kluster. |
| Rekomendasi Kotak Korek Api Kereta Api | Melatih rekomendasi Bayesian dengan menggunakan algoritma Matchbox. |
| Melatih Model | Melatih model klasifikasi atau regresi dengan cara yang diawasi. |
| Latih Vowpal Wabbit 7-4 Model | Melatih model dari sistem pembelajaran mesin Vowpal Wabbit. Modul ini untuk kompatibilitas dengan Vowpal Wabbit versi 7-4 dan 7-6. |
| Melatih Vowpal Wabbit 7-10 Model | Melatih model dari sistem pembelajaran mesin Vowpal Wabbit. Modul ini untuk Vowpal Wabbit versi 7-10. |
| Kereta Vowpal Wabbit 8 Model | Melatih model dengan menggunakan versi 8 dari sistem pembelajaran mesin Vowpal Wabbit. Modul ini untuk Vowpal Wabbit versi 8. |
| Sesuaikan Hyperparameter Model | Melakukan sapuan parameter pada model regresi atau klasifikasi untuk menentukan pengaturan parameter optimal. |
| Perceptron Rata-Rata Dua Kelas | Membuat model klasifikasi biner perseceptron rata-rata. |
| Mesin Bayes Point Dua Kelas | Membuat model klasifikasi biner mesin titik Bayes. |
| Pohon Keputusan yang Didorong Dua Kelas | Membuat pengklasifikasi biner dengan menggunakan algoritma pohon keputusan yang ditingkatkan. |
| Hutan Keputusan Dua Kelas | Membuat model klasifikasi dua kelas dengan menggunakan algoritma hutan keputusan. |
| Hutan Keputusan Dua Kelas | Membuat model klasifikasi dua kelas dengan menggunakan algoritma hutan keputusan. |
| Mesin Vektor Dukungan Mendalam Lokal Dua Kelas | Membuat model klasifikasi biner dengan menggunakan algoritma mesin vektor dukungan lokal yang mendalam. |
| Regresi Logistik Dua Kelas | Membuat model regresi logistik dua kelas. |
| Jaringan Neural Dua Kelas | Membuat pengklasifikasi biner dengan menggunakan algoritma jaringan saraf. |
| Mesin Vektor Dukungan Dua Kelas | Membuat model klasifikasi biner dengan menggunakan algoritma mesin vektor pendukung. |
| Membongkar Himpunan Data yang Dibongkar | Bongkar kumpulan data dari paket .zip di penyimpanan pengguna. |
| Filter yang Ditentukan Pengguna | Membuat filter respons impuls terbatas atau tak terbatas kustom. |