Jobs - Create Or Update

Layanan:

Machine Learning

Versi API:

2025-12-01

Membuat dan mengeksekusi Pekerjaan. Untuk kasus pembaruan, Tag dalam definisi yang diteruskan akan menggantikan Tag dalam pekerjaan yang ada.
Membuat dan mengeksekusi Pekerjaan. Untuk kasus pembaruan, Tag dalam definisi yang diteruskan akan menggantikan Tag dalam pekerjaan yang ada.

PUT https://management.azure.com/subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.MachineLearningServices/workspaces/{workspaceName}/jobs/{id}?api-version=2025-12-01

Parameter URI

Nama	Dalam	Diperlukan	Jenis	Deskripsi
id	path	True	string	Nama dan pengidentifikasi untuk Pekerjaan. Ini peka huruf besar/kecil.
resourceGroupName	path	True	string minLength: 1 maxLength: 90	Nama grup sumber daya. Nama tidak sensitif terhadap penggunaan huruf besar atau kecil.
subscriptionId	path	True	string minLength: 1	ID langganan target.
workspaceName	path	True	string pattern: ^[a-zA-Z0-9][a-zA-Z0-9_-]{2,32}$	Nama Ruang Kerja Azure Machine Learning
api-version	query	True	string minLength: 1	Versi API yang digunakan untuk operasi ini.

Isi Permintaan

Nama	Diperlukan	Jenis	Deskripsi
properties	True	JobBaseProperties: AutoMLJob CommandJob PipelineJob SparkJob SweepJob	[Diperlukan] Atribut tambahan entitas.

Respons

Nama	Jenis	Deskripsi
200 OK	JobBase	Operasi pembaruan 'JobBase' sumber daya berhasil
201 Created	JobBase	Operasi pembuatan 'JobBase' sumber daya berhasil
Other Status Codes	ErrorResponse	Respons kesalahan tak terduga.

Keamanan

azure_auth

Alur OAuth2 Azure Active Directory.

Jenis: oauth2
Alur: implicit
URL Otorisasi: https://login.microsoftonline.com/common/oauth2/authorize

Cakupan

Nama	Deskripsi
user_impersonation	meniru akun pengguna Anda

Contoh

CreateOrUpdate AutoML Job.

CreateOrUpdate Command Job.

CreateOrUpdate Pipeline Job.

CreateOrUpdate Sweep Job.

CreateOrUpdate AutoML Job.

Permintaan sampel

HTTP

PUT https://management.azure.com/subscriptions/00000000-1111-2222-3333-444444444444/resourceGroups/test-rg/providers/Microsoft.MachineLearningServices/workspaces/my-aml-workspace/jobs/string?api-version=2025-12-01

{
  "properties": {
    "description": "string",
    "computeId": "string",
    "displayName": "string",
    "environmentId": "string",
    "environmentVariables": {
      "string": "string"
    },
    "experimentName": "string",
    "identity": {
      "identityType": "AMLToken"
    },
    "isArchived": false,
    "jobType": "AutoML",
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "ReadWriteMount",
        "uri": "string"
      }
    },
    "properties": {
      "string": "string"
    },
    "resources": {
      "instanceCount": 1,
      "instanceType": "string",
      "properties": {
        "string": {
          "9bec0ab0-c62f-4fa9-a97c-7b24bbcc90ad": null
        }
      }
    },
    "services": {
      "string": {
        "endpoint": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        }
      }
    },
    "tags": {
      "string": "string"
    },
    "taskDetails": {
      "limitSettings": {
        "maxTrials": 2
      },
      "modelSettings": {
        "validationCropSize": 2
      },
      "searchSpace": [
        {
          "validationCropSize": "choice(2, 360)"
        }
      ],
      "targetColumnName": "string",
      "taskType": "ImageClassification",
      "trainingData": {
        "jobInputType": "mltable",
        "uri": "string"
      }
    }
  }
}

Respon sampel

Kode status:

200

{
  "name": "string",
  "type": "string",
  "id": "string",
  "properties": {
    "description": "string",
    "computeId": "string",
    "displayName": "string",
    "environmentId": "string",
    "environmentVariables": {
      "string": "string"
    },
    "experimentName": "string",
    "identity": {
      "identityType": "AMLToken"
    },
    "isArchived": false,
    "jobType": "AutoML",
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "ReadWriteMount",
        "uri": "string"
      }
    },
    "properties": {
      "string": "string"
    },
    "resources": {
      "instanceCount": 1,
      "instanceType": "string",
      "properties": {
        "string": {
          "9bec0ab0-c62f-4fa9-a97c-7b24bbcc90ad": null
        }
      }
    },
    "services": {
      "string": {
        "endpoint": "string",
        "errorMessage": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        },
        "status": "string"
      }
    },
    "status": "Scheduled",
    "tags": {
      "string": "string"
    },
    "taskDetails": {
      "limitSettings": {
        "maxTrials": 2
      },
      "modelSettings": {
        "validationCropSize": 2
      },
      "searchSpace": [
        {
          "validationCropSize": "choice(2, 360)"
        }
      ],
      "targetColumnName": "string",
      "taskType": "ImageClassification",
      "trainingData": {
        "jobInputType": "mltable",
        "uri": "string"
      }
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "ManagedIdentity"
  }
}

Kode status:

201

{
  "name": "string",
  "type": "string",
  "id": "string",
  "properties": {
    "description": "string",
    "computeId": "string",
    "displayName": "string",
    "environmentId": "string",
    "environmentVariables": {
      "string": "string"
    },
    "experimentName": "string",
    "identity": {
      "identityType": "AMLToken"
    },
    "isArchived": false,
    "jobType": "AutoML",
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "ReadWriteMount",
        "uri": "string"
      }
    },
    "properties": {
      "string": "string"
    },
    "resources": {
      "instanceCount": 1,
      "instanceType": "string",
      "properties": {
        "string": {
          "9bec0ab0-c62f-4fa9-a97c-7b24bbcc90ad": null
        }
      }
    },
    "services": {
      "string": {
        "endpoint": "string",
        "errorMessage": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        },
        "status": "string"
      }
    },
    "status": "Scheduled",
    "tags": {
      "string": "string"
    },
    "taskDetails": {
      "limitSettings": {
        "maxTrials": 2
      },
      "modelSettings": {
        "validationCropSize": 2
      },
      "searchSpace": [
        {
          "validationCropSize": "choice(2, 360)"
        }
      ],
      "targetColumnName": "string",
      "taskType": "ImageClassification",
      "trainingData": {
        "jobInputType": "mltable",
        "uri": "string"
      }
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "ManagedIdentity"
  }
}

CreateOrUpdate Command Job.

Permintaan sampel

HTTP

PUT https://management.azure.com/subscriptions/00000000-1111-2222-3333-444444444444/resourceGroups/test-rg/providers/Microsoft.MachineLearningServices/workspaces/my-aml-workspace/jobs/string?api-version=2025-12-01

{
  "properties": {
    "description": "string",
    "codeId": "string",
    "command": "string",
    "computeId": "string",
    "displayName": "string",
    "distribution": {
      "distributionType": "TensorFlow",
      "parameterServerCount": 1,
      "workerCount": 1
    },
    "environmentId": "string",
    "environmentVariables": {
      "string": "string"
    },
    "experimentName": "string",
    "identity": {
      "identityType": "AMLToken"
    },
    "inputs": {
      "string": {
        "description": "string",
        "jobInputType": "literal",
        "value": "string"
      }
    },
    "jobType": "Command",
    "limits": {
      "jobLimitsType": "Command",
      "timeout": "PT5M"
    },
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "ReadWriteMount",
        "uri": "string"
      }
    },
    "properties": {
      "string": "string"
    },
    "resources": {
      "instanceCount": 1,
      "instanceType": "string",
      "properties": {
        "string": {
          "e6b6493e-7d5e-4db3-be1e-306ec641327e": null
        }
      }
    },
    "services": {
      "string": {
        "endpoint": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        }
      }
    },
    "tags": {
      "string": "string"
    }
  }
}

Respon sampel

Kode status:

200

{
  "name": "string",
  "type": "string",
  "id": "string",
  "properties": {
    "description": "string",
    "codeId": "string",
    "command": "string",
    "computeId": "string",
    "displayName": "string",
    "distribution": {
      "distributionType": "TensorFlow",
      "parameterServerCount": 1,
      "workerCount": 1
    },
    "environmentId": "string",
    "environmentVariables": {
      "string": "string"
    },
    "experimentName": "string",
    "identity": {
      "identityType": "AMLToken"
    },
    "inputs": {
      "string": {
        "description": "string",
        "jobInputType": "literal",
        "value": "string"
      }
    },
    "jobType": "Command",
    "limits": {
      "jobLimitsType": "Command",
      "timeout": "PT5M"
    },
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "ReadWriteMount",
        "uri": "string"
      }
    },
    "parameters": {
      "string": "string"
    },
    "properties": {
      "string": "string"
    },
    "resources": {
      "instanceCount": 1,
      "instanceType": "string",
      "properties": {
        "string": {
          "a0847709-f5aa-4561-8ba5-d915d403fdcf": null
        }
      }
    },
    "services": {
      "string": {
        "endpoint": "string",
        "errorMessage": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        },
        "status": "string"
      }
    },
    "status": "NotStarted",
    "tags": {
      "string": "string"
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "User"
  }
}

Kode status:

201

{
  "name": "string",
  "type": "string",
  "id": "string",
  "properties": {
    "description": "string",
    "codeId": "string",
    "command": "string",
    "computeId": "string",
    "displayName": "string",
    "distribution": {
      "distributionType": "TensorFlow",
      "parameterServerCount": 1,
      "workerCount": 1
    },
    "environmentId": "string",
    "environmentVariables": {
      "string": "string"
    },
    "experimentName": "string",
    "identity": {
      "identityType": "AMLToken"
    },
    "inputs": {
      "string": {
        "description": "string",
        "jobInputType": "literal",
        "value": "string"
      }
    },
    "jobType": "Command",
    "limits": {
      "jobLimitsType": "Command",
      "timeout": "PT5M"
    },
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "ReadWriteMount",
        "uri": "string"
      }
    },
    "parameters": {
      "string": "string"
    },
    "properties": {
      "string": "string"
    },
    "resources": {
      "instanceCount": 1,
      "instanceType": "string",
      "properties": {
        "string": {
          "b8163d40-c351-43d6-8a34-d0cd895b8a5a": null
        }
      }
    },
    "services": {
      "string": {
        "endpoint": "string",
        "errorMessage": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        },
        "status": "string"
      }
    },
    "status": "NotStarted",
    "tags": {
      "string": "string"
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "User"
  }
}

CreateOrUpdate Pipeline Job.

Permintaan sampel

HTTP

PUT https://management.azure.com/subscriptions/00000000-1111-2222-3333-444444444444/resourceGroups/test-rg/providers/Microsoft.MachineLearningServices/workspaces/my-aml-workspace/jobs/string?api-version=2025-12-01

{
  "properties": {
    "description": "string",
    "computeId": "string",
    "displayName": "string",
    "experimentName": "string",
    "inputs": {
      "string": {
        "description": "string",
        "jobInputType": "literal",
        "value": "string"
      }
    },
    "jobType": "Pipeline",
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "Upload",
        "uri": "string"
      }
    },
    "properties": {
      "string": "string"
    },
    "services": {
      "string": {
        "endpoint": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        }
      }
    },
    "settings": {},
    "tags": {
      "string": "string"
    }
  }
}

Respon sampel

Kode status:

200

{
  "name": "string",
  "type": "string",
  "id": "string",
  "properties": {
    "description": "string",
    "computeId": "string",
    "displayName": "string",
    "experimentName": "string",
    "inputs": {
      "string": {
        "description": "string",
        "jobInputType": "literal",
        "value": "string"
      }
    },
    "jobType": "Pipeline",
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "Upload",
        "uri": "string"
      }
    },
    "properties": {
      "string": "string"
    },
    "services": {
      "string": {
        "endpoint": "string",
        "errorMessage": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        },
        "status": "string"
      }
    },
    "settings": {},
    "status": "NotStarted",
    "tags": {
      "string": "string"
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "User"
  }
}

Kode status:

201

{
  "name": "string",
  "type": "string",
  "id": "string",
  "properties": {
    "description": "string",
    "computeId": "string",
    "displayName": "string",
    "experimentName": "string",
    "inputs": {
      "string": {
        "description": "string",
        "jobInputType": "literal",
        "value": "string"
      }
    },
    "jobType": "Pipeline",
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "Upload",
        "uri": "string"
      }
    },
    "properties": {
      "string": "string"
    },
    "services": {
      "string": {
        "endpoint": "string",
        "errorMessage": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        },
        "status": "string"
      }
    },
    "settings": {},
    "status": "NotStarted",
    "tags": {
      "string": "string"
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "User"
  }
}

CreateOrUpdate Sweep Job.

Permintaan sampel

HTTP

PUT https://management.azure.com/subscriptions/00000000-1111-2222-3333-444444444444/resourceGroups/test-rg/providers/Microsoft.MachineLearningServices/workspaces/my-aml-workspace/jobs/string?api-version=2025-12-01

{
  "properties": {
    "description": "string",
    "computeId": "string",
    "displayName": "string",
    "earlyTermination": {
      "delayEvaluation": 1,
      "evaluationInterval": 1,
      "policyType": "MedianStopping"
    },
    "experimentName": "string",
    "jobType": "Sweep",
    "limits": {
      "jobLimitsType": "Sweep",
      "maxConcurrentTrials": 1,
      "maxTotalTrials": 1,
      "trialTimeout": "PT1S"
    },
    "objective": {
      "goal": "Minimize",
      "primaryMetric": "string"
    },
    "properties": {
      "string": "string"
    },
    "samplingAlgorithm": {
      "samplingAlgorithmType": "Grid"
    },
    "searchSpace": {
      "string": {}
    },
    "services": {
      "string": {
        "endpoint": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        }
      }
    },
    "tags": {
      "string": "string"
    },
    "trial": {
      "codeId": "string",
      "command": "string",
      "distribution": {
        "distributionType": "Mpi",
        "processCountPerInstance": 1
      },
      "environmentId": "string",
      "environmentVariables": {
        "string": "string"
      },
      "resources": {
        "instanceCount": 1,
        "instanceType": "string",
        "properties": {
          "string": {
            "e6b6493e-7d5e-4db3-be1e-306ec641327e": null
          }
        }
      }
    }
  }
}

Respon sampel

Kode status:

200

{
  "name": "string",
  "type": "string",
  "id": "string",
  "properties": {
    "description": "string",
    "computeId": "string",
    "displayName": "string",
    "earlyTermination": {
      "delayEvaluation": 1,
      "evaluationInterval": 1,
      "policyType": "MedianStopping"
    },
    "experimentName": "string",
    "jobType": "Sweep",
    "limits": {
      "jobLimitsType": "Sweep",
      "maxConcurrentTrials": 1,
      "maxTotalTrials": 1,
      "trialTimeout": "PT1S"
    },
    "objective": {
      "goal": "Minimize",
      "primaryMetric": "string"
    },
    "properties": {
      "string": "string"
    },
    "samplingAlgorithm": {
      "samplingAlgorithmType": "Grid"
    },
    "searchSpace": {
      "string": {}
    },
    "services": {
      "string": {
        "endpoint": "string",
        "errorMessage": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        },
        "status": "string"
      }
    },
    "status": "NotStarted",
    "tags": {
      "string": "string"
    },
    "trial": {
      "codeId": "string",
      "command": "string",
      "distribution": {
        "distributionType": "Mpi",
        "processCountPerInstance": 1
      },
      "environmentId": "string",
      "environmentVariables": {
        "string": "string"
      },
      "resources": {
        "instanceCount": 1,
        "instanceType": "string",
        "properties": {
          "string": {
            "e6b6493e-7d5e-4db3-be1e-306ec641327e": null
          }
        }
      }
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "User"
  }
}

Kode status:

201

{
  "name": "string",
  "type": "string",
  "id": "string",
  "properties": {
    "description": "string",
    "computeId": "string",
    "displayName": "string",
    "earlyTermination": {
      "delayEvaluation": 1,
      "evaluationInterval": 1,
      "policyType": "MedianStopping"
    },
    "experimentName": "string",
    "jobType": "Sweep",
    "limits": {
      "jobLimitsType": "Sweep",
      "maxConcurrentTrials": 1,
      "maxTotalTrials": 1,
      "trialTimeout": "PT1S"
    },
    "objective": {
      "goal": "Minimize",
      "primaryMetric": "string"
    },
    "properties": {
      "string": "string"
    },
    "samplingAlgorithm": {
      "samplingAlgorithmType": "Grid"
    },
    "searchSpace": {
      "string": {}
    },
    "services": {
      "string": {
        "endpoint": "string",
        "errorMessage": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        },
        "status": "string"
      }
    },
    "status": "NotStarted",
    "tags": {
      "string": "string"
    },
    "trial": {
      "codeId": "string",
      "command": "string",
      "distribution": {
        "distributionType": "Mpi",
        "processCountPerInstance": 1
      },
      "environmentId": "string",
      "environmentVariables": {
        "string": "string"
      },
      "resources": {
        "instanceCount": 1,
        "instanceType": "string",
        "properties": {
          "string": {
            "e6b6493e-7d5e-4db3-be1e-306ec641327e": null
          }
        }
      }
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "User"
  }
}

Definisi

Nama	Deskripsi
AllNodes	Semua simpul berarti layanan akan berjalan di semua simpul pekerjaan
AmlToken	Konfigurasi identitas Token AML.
AutoForecastHorizon	Cakrawala perkiraan ditentukan secara otomatis oleh sistem.
AutoMLJob	Kelas AutoMLJob. Gunakan kelas ini untuk menjalankan tugas AutoML seperti Klasifikasi/Regresi, dll. Lihat Enum TaskType untuk semua tugas yang didukung.
AutoNCrossValidations	Validasi N-Cross ditentukan secara otomatis.
AutoSeasonality
AutoTargetLags
AutoTargetRollingWindowSize	Jendela bergulir target lag ditentukan secara otomatis.
AzureDevOpsWebhook	Detail webhook khusus untuk Azure DevOps
BanditPolicy	Menentukan kebijakan penghentian dini berdasarkan kriteria kelonggaran, dan interval frekuensi dan penundaan untuk evaluasi
BayesianSamplingAlgorithm	Menentukan Algoritma Pengambilan Sampel yang menghasilkan nilai berdasarkan nilai sebelumnya
BlockedTransformers	Enum untuk semua model klasifikasi yang didukung oleh AutoML.
Classification	Tugas klasifikasi di vertikal Tabel AutoML.
ClassificationModels	Enum untuk semua model klasifikasi yang didukung oleh AutoML.
ClassificationMultilabelPrimaryMetrics	Metrik utama untuk tugas multilabel klasifikasi.
ClassificationPrimaryMetrics	Metrik utama untuk tugas klasifikasi.
ClassificationTrainingSettings	Konfigurasi terkait Pelatihan Klasifikasi.
CommandJob	Definisi pekerjaan perintah.
CommandJobLimits	Perintah Kelas batas pekerjaan.
createdByType	Jenis identitas yang membuat sumber daya.
CustomForecastHorizon	Cakrawala prakiraan maksimum yang diinginkan dalam satuan frekuensi rangkaian waktu.
CustomModelJobInput
CustomModelJobOutput
CustomNCrossValidations	Validasi N-Cross ditentukan oleh pengguna.
CustomSeasonality
CustomTargetLags
CustomTargetRollingWindowSize
DistributionType	Enum untuk menentukan jenis distribusi pekerjaan.
EarlyTerminationPolicyType
EmailNotificationEnableType	Enum untuk menentukan jenis pemberitahuan email.
ErrorAdditionalInfo	Info tambahan kesalahan manajemen sumber daya.
ErrorDetail	Detail kesalahan.
ErrorResponse	Tanggapan kesalahan
FeatureLags	Bendera untuk menghasilkan kelambatan untuk fitur numerik.
FeaturizationMode	Mode fiturisasi - Pengguna dapat menyimpan mode 'Otomatis' default dan AutoML akan mengurus transformasi data yang diperlukan dalam fase fiturisasi. Jika 'Nonaktif' dipilih, maka tidak ada fiturisasi yang dilakukan. Jika 'Kustom' dipilih, maka pengguna dapat menentukan input tambahan untuk menyesuaikan bagaimana fiturisasi dilakukan.
ForecastHorizonMode	Enum untuk menentukan mode pemilihan cakrawala perkiraan.
Forecasting	Tugas perkiraan di vertikal Tabel AutoML.
ForecastingModels	Enum untuk semua model perkiraan yang didukung oleh AutoML.
ForecastingPrimaryMetrics	Metrik utama untuk tugas Perkiraan.
ForecastingSettings	Memperkirakan parameter tertentu.
ForecastingTrainingSettings	Konfigurasi terkait pelatihan peramalan.
Goal	Menentukan sasaran metrik yang didukung untuk penyetelan hiperparameter
GridSamplingAlgorithm	Mendefinisikan Algoritma Pengambilan Sampel yang secara menyeluruh menghasilkan setiap kombinasi nilai dalam ruang
IdentityConfigurationType	Enum untuk menentukan kerangka kerja identitas.
ImageClassification	Klasifikasi Gambar. Klasifikasi gambar multi-kelas digunakan ketika gambar diklasifikasikan hanya dengan satu label dari sekumpulan kelas - misalnya setiap gambar diklasifikasikan sebagai gambar 'kucing' atau 'anjing' atau 'bebek'.
ImageClassificationMultilabel	Klasifikasi Gambar Multilabel. Klasifikasi gambar multi-label digunakan ketika gambar dapat memiliki satu atau lebih label dari sekumpulan label - misalnya gambar dapat diberi label dengan 'kucing' dan 'anjing'.
ImageInstanceSegmentation	Segmentasi Instans Gambar. Segmentasi instans digunakan untuk mengidentifikasi objek dalam gambar pada tingkat piksel, menggambar poligon di sekitar setiap objek dalam gambar.
ImageLimitSettings	Batasi pengaturan untuk pekerjaan AutoML.
ImageModelDistributionSettingsClassification	Ekspresi distribusi untuk menyapu nilai pengaturan model. <contoh> Beberapa contohnya adalah: ModelName = "choice('seresnext', 'resnest50')"; LearningRate = "uniform(0.001, 0.01)"; LayersToFreeze = "choice(0, 2)"; ```</example> For more details on how to compose distribution expressions please check the documentation: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters For more information on the available settings please visit the official documentation: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
ImageModelDistributionSettingsObjectDetection	Ekspresi distribusi untuk menyapu nilai pengaturan model. <contoh> Beberapa contohnya adalah: ModelName = "choice('seresnext', 'resnest50')"; LearningRate = "uniform(0.001, 0.01)"; LayersToFreeze = "choice(0, 2)"; ```</example> For more details on how to compose distribution expressions please check the documentation: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters For more information on the available settings please visit the official documentation: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
ImageModelSettingsClassification	Pengaturan yang digunakan untuk melatih model. Untuk informasi lebih lanjut tentang pengaturan yang tersedia, silakan kunjungi dokumentasi resmi: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
ImageModelSettingsObjectDetection	Pengaturan yang digunakan untuk melatih model. Untuk informasi lebih lanjut tentang pengaturan yang tersedia, silakan kunjungi dokumentasi resmi: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
ImageObjectDetection	Deteksi Objek Gambar. Deteksi objek digunakan untuk mengidentifikasi objek dalam gambar dan menemukan setiap objek dengan kotak pembatas misalnya menemukan semua anjing dan kucing dalam gambar dan menggambar kotak pembatas di sekitar masing-masing.
ImageSweepSettings	Pembersihan model dan pengaturan terkait pembersihan hiperparameter.
InputDeliveryMode	Enum untuk menentukan mode pengiriman data input.
InstanceSegmentationPrimaryMetrics	Metrik utama untuk tugas InstanceSegmentation.
JobBase	Amplop sumber daya Azure Resource Manager.
JobInputType	Enum untuk menentukan Jenis Input Pekerjaan.
JobLimitsType
JobOutputType	Enum untuk menentukan Jenis Output Pekerjaan.
JobResourceConfiguration
JobService	Definisi titik akhir pekerjaan
JobStatus	Status pekerjaan.
JobTier	Enum untuk menentukan tingkat pekerjaan.
JobType	Enum untuk menentukan jenis pekerjaan.
LearningRateScheduler	Enum penjadwal tingkat pembelajaran.
LiteralJobInput	Jenis input literal.
LogVerbosity	Enum untuk mengatur verbositas log.
ManagedIdentity	Konfigurasi identitas terkelola.
MedianStoppingPolicy	Menentukan kebijakan penghentian awal berdasarkan rata-rata berjalan metrik utama dari semua eksekusi
MLFlowModelJobInput
MLFlowModelJobOutput
MLTableJobInput
MLTableJobOutput
ModelSize	Ukuran model gambar.
Mpi	Konfigurasi distribusi MPI.
NCrossValidationsMode	Menentukan bagaimana nilai validasi N-Cross ditentukan.
NlpVerticalFeaturizationSettings
NlpVerticalLimitSettings	Kendala eksekusi pekerjaan.
NodesValueType	Jenis yang disebutkan untuk nilai simpul
NotificationSetting	Konfigurasi untuk pemberitahuan.
ObjectDetectionPrimaryMetrics	Metrik utama untuk tugas Image ObjectDetection.
Objective	Tujuan pengoptimalan.
OutputDeliveryMode	Enum mode pengiriman data keluaran.
PipelineJob	Definisi Pekerjaan Alur: mendefinisikan atribut generik untuk MFE.
PyTorch	Konfigurasi distribusi PyTorch.
QueueSettings
RandomSamplingAlgorithm	Mendefinisikan Algoritma Pengambilan Sampel yang menghasilkan nilai secara acak
RandomSamplingAlgorithmRule	Jenis algoritma acak tertentu
Regression	Tugas regresi di vertikal Tabel AutoML.
RegressionModels	Enum untuk semua model Regresi yang didukung oleh AutoML.
RegressionPrimaryMetrics	Metrik utama untuk tugas Regresi.
RegressionTrainingSettings	Konfigurasi terkait Pelatihan Regresi.
SamplingAlgorithmType
SeasonalityMode	Perkiraan mode musiman.
ShortSeriesHandlingConfiguration	Parameter yang menentukan bagaimana jika AutoML harus menangani rangkaian waktu singkat.
SparkJob	Definisi pekerjaan percikan.
SparkJobEntryType
SparkJobPythonEntry
SparkJobScalaEntry
SparkResourceConfiguration
StackEnsembleSettings	Pengaturan lanjutan untuk menyesuaikan eksekusi StackEnsemble.
StackMetaLearnerType	Meta-learner adalah model yang dilatih pada output dari model heterogen individu.\r\nPembelajar meta default adalah LogisticRegression untuk tugas klasifikasi (atau LogisticRegressionCV jika validasi silang diaktifkan) dan ElasticNet untuk tugas regresi/perkiraan (atau ElasticNetCV jika validasi silang diaktifkan).\r\nParameter ini dapat berupa salah satu string berikut: LogisticRegression, LogisticRegressionCV, LightGBMClassifier, ElasticNet, ElasticNetCV, LightGBMRegressor, atau LinearRegression
StochasticOptimizer	Pengoptimal stokastik untuk model gambar.
SweepJob	Definisi pekerjaan sapu.
SweepJobLimits	Kelas batas pekerjaan Sapuan.
systemData	Metadata yang berkaitan dengan pembuatan dan modifikasi terakhir sumber daya.
TableVerticalFeaturizationSettings	Konfigurasi Fiturisasi.
TableVerticalLimitSettings	Kendala eksekusi pekerjaan.
TargetAggregationFunction	Target fungsi agregat.
TargetLagsMode	Mode pemilihan kelambatan target.
TargetRollingWindowSizeMode	Target mode ukuran jendela bergulir.
TaskType	Jenis tugas AutoMLJob.
TensorFlow	Konfigurasi distribusi TensorFlow.
TextClassification	Tugas Klasifikasi Teks di vertikal AutoML NLP. NLP - Pemrosesan Bahasa Alami.
TextClassificationMultilabel	Tugas Multilabel Klasifikasi Teks di vertikal AutoML NLP. NLP - Pemrosesan Bahasa Alami.
TextNer	Text-NER tugas di vertikal AutoML NLP. NER - Pengakuan Entitas Bernama. NLP - Pemrosesan Bahasa Alami.
TrialComponent	Definisi komponen uji coba.
TritonModelJobInput
TritonModelJobOutput
TruncationSelectionPolicy	Menentukan kebijakan penghentian awal yang membatalkan persentase eksekusi tertentu pada setiap interval evaluasi.
UriFileJobInput
UriFileJobOutput
UriFolderJobInput
UriFolderJobOutput
UserIdentity	Konfigurasi identitas pengguna.
UseStl	Mengonfigurasi Dekomposisi STL dari kolom target rangkaian waktu.
ValidationMetricType	Metode komputasi metrik untuk digunakan untuk metrik validasi dalam tugas gambar.
WebhookType	Enum untuk menentukan jenis layanan panggilan balik webhook.

AllNodes

Objek

Semua simpul berarti layanan akan berjalan di semua simpul pekerjaan

Nama	Jenis	Deskripsi
nodesValueType	string: All	[Diperlukan] Jenis nilai Simpul

AmlToken

Objek

Konfigurasi identitas Token AML.

Nama	Jenis	Deskripsi
identityType	string: AMLToken	[Diperlukan] Menentukan jenis kerangka kerja identitas.

AutoForecastHorizon

Objek

Cakrawala perkiraan ditentukan secara otomatis oleh sistem.

Nama	Jenis	Deskripsi
mode	string: Auto	[Diperlukan] Atur mode pemilihan nilai horizon prakiraan.

AutoMLJob

Objek

Kelas AutoMLJob. Gunakan kelas ini untuk menjalankan tugas AutoML seperti Klasifikasi/Regresi, dll. Lihat Enum TaskType untuk semua tugas yang didukung.

Nama	Jenis	Nilai default	Deskripsi
componentId	string		ID sumber daya ARM dari sumber daya komponen.
computeId	string		ID sumber daya ARM dari sumber daya komputasi.
description	string		Teks deskripsi aset.
displayName	string		Tampilkan nama pekerjaan.
environmentId	string		ID sumber daya ARM dari spesifikasi Lingkungan untuk pekerjaan tersebut. Ini adalah nilai opsional untuk disediakan, jika tidak disediakan, AutoML akan default ini ke versi lingkungan yang dikuratori Production AutoML saat menjalankan pekerjaan.
environmentVariables	object		Variabel lingkungan yang disertakan dalam pekerjaan.
experimentName	string	Default	Nama eksperimen tempat pekerjaan berada. Jika tidak diatur, pekerjaan ditempatkan dalam eksperimen "Default".
identity	IdentityConfiguration: AmlToken ManagedIdentity UserIdentity		Konfigurasi identitas. Jika diatur, ini harus menjadi salah satu AmlToken, ManagedIdentity, UserIdentity, atau null. Default ke AmlToken jika null.
isArchived	boolean	False	Apakah aset diarsipkan?
jobType	string: AutoML		[Diperlukan] Menentukan jenis pekerjaan.
notificationSetting	NotificationSetting		Pengaturan pemberitahuan untuk pekerjaan
outputs	object		Pemetaan pengikatan data output yang digunakan dalam pekerjaan.
properties	object		Kamus properti aset.
queueSettings	QueueSettings		Pengaturan antrean untuk pekerjaan
resources	JobResourceConfiguration		Konfigurasi Sumber Daya Komputasi untuk pekerjaan tersebut.
services	<string,  JobService>		Daftar JobEndpoints. Untuk pekerjaan lokal, titik akhir pekerjaan akan memiliki nilai titik akhir FileStreamObject.
status	JobStatus		Status pekerjaan.
tags	object		Kamus tag. Tag dapat ditambahkan, dihapus, dan diperbarui.
taskDetails	AutoMLVertical: Classification Forecasting ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection Regression TextClassification TextClassificationMultilabel TextNer		[Diperlukan] Ini mewakili skenario yang dapat menjadi salah satu Tabel/NLP/Gambar

AutoNCrossValidations

Objek

Validasi N-Cross ditentukan secara otomatis.

Nama	Jenis	Deskripsi
mode	string: Auto	[Diperlukan] Mode untuk menentukan validasi N-Cross.

AutoSeasonality

Objek

Nama	Jenis	Deskripsi
mode	string: Auto	[Diperlukan] Mode musiman.

AutoTargetLags

Objek

Nama	Jenis	Deskripsi
mode	string: Auto	[Diperlukan] Mengatur mode jeda target - Otomatis/Kustom

AutoTargetRollingWindowSize

Objek

Jendela bergulir target lag ditentukan secara otomatis.

Nama	Jenis	Deskripsi
mode	string: Auto	[Diperlukan] Mode deteksi TargetRollingWindowSiz.

AzureDevOpsWebhook

Objek

Detail webhook khusus untuk Azure DevOps

Nama	Jenis	Deskripsi
eventType	string	Mengirim panggilan balik pada peristiwa pemberitahuan tertentu
webhookType	string: AzureDevOps	[Diperlukan] Menentukan jenis layanan untuk mengirim panggilan balik

BanditPolicy

Objek

Menentukan kebijakan penghentian dini berdasarkan kriteria kelonggaran, dan interval frekuensi dan penundaan untuk evaluasi

Nama	Jenis	Nilai default	Deskripsi
delayEvaluation	integer (int32)	0	Jumlah interval untuk menunda evaluasi pertama.
evaluationInterval	integer (int32)	0	Interval (jumlah eksekusi) antara evaluasi kebijakan.
policyType	string: Bandit		[Diperlukan] Nama konfigurasi kebijakan
slackAmount	number (float)	0	Jarak absolut yang diizinkan dari eksekusi berkinerja terbaik.
slackFactor	number (float)	0	Rasio jarak yang diizinkan dari eksekusi berkinerja terbaik.

BayesianSamplingAlgorithm

Objek

Menentukan Algoritma Pengambilan Sampel yang menghasilkan nilai berdasarkan nilai sebelumnya

Nama	Jenis	Deskripsi
samplingAlgorithmType	string: Bayesian	[Diperlukan] Algoritma yang digunakan untuk menghasilkan nilai hiperparameter, bersama dengan properti konfigurasi

BlockedTransformers

Enumerasi

Enum untuk semua model klasifikasi yang didukung oleh AutoML.

Nilai	Deskripsi
TextTargetEncoder	Pengodean target untuk data teks.
OneHotEncoder	Pengodean panas ohe menciptakan transformasi fitur biner.
CatTargetEncoder	Pengkodean target untuk data kategoris.
TfIdf	Tf-Idf adalah singkatan dari, frekuensi istilah-kali frekuensi dokumen terbalik. Ini adalah skema pembobotan istilah umum untuk mengidentifikasi informasi dari dokumen.
WoETargetEncoder	Pengkodean Weight of Evidence adalah teknik yang digunakan untuk mengkodekan variabel kategoris. Ini menggunakan log alami P(1)/P(0) untuk membuat bobot.
LabelEncoder	Encoder label mengonversi label/variabel kategoris dalam bentuk numerik.
WordEmbedding	Penyematan kata membantu mewakili kata atau frasa sebagai vektor, atau serangkaian angka.
NaiveBayes	Naive Bayes adalah klasifikasi yang digunakan untuk klasifikasi fitur diskrit yang didistribusikan secara kategoris.
CountVectorizer	Count Vectorizer mengonversi kumpulan dokumen teks menjadi matriks jumlah token.
HashOneHotEncoder	Hashing One Hot Encoder dapat mengubah variabel kategoris menjadi sejumlah fitur baru yang terbatas. Ini sering digunakan untuk fitur kategoris kardinalitas tinggi.

Classification

Objek

Tugas klasifikasi di vertikal Tabel AutoML.

Nama	Jenis	Nilai default	Deskripsi
cvSplitColumnNames	string[]		Kolom yang digunakan untuk data CVSplit.
featurizationSettings	TableVerticalFeaturizationSettings		Input fiturisasi diperlukan untuk pekerjaan AutoML.
limitSettings	TableVerticalLimitSettings		Batasan eksekusi untuk AutoMLJob.
logVerbosity	LogVerbosity	Info	Enum untuk mengatur verbositas log.
nCrossValidations	NCrossValidations: AutoNCrossValidations CustomNCrossValidations		Jumlah lipatan validasi silang yang akan diterapkan pada himpunan data pelatihan ketika himpunan data validasi tidak disediakan.
positiveLabel	string		Label positif untuk perhitungan metrik biner.
primaryMetric	ClassificationPrimaryMetrics	AUCWeighted	Metrik utama untuk tugas klasifikasi.
targetColumnName	string		Nama kolom target: Ini adalah kolom nilai prediksi. Juga dikenal sebagai nama kolom label dalam konteks tugas klasifikasi.
taskType	string: Classification		[Diperlukan] Jenis tugas untuk AutoMLJob.
testData	MLTableJobInput		Menguji input data.
testDataSize	number (double)		Pecahan himpunan data pengujian yang perlu disisihkan untuk tujuan validasi. Nilai antara (0.0 , 1.0) Diterapkan saat himpunan data validasi tidak disediakan.
trainingData	MLTableJobInput		[Diperlukan] Input data pelatihan.
trainingSettings	ClassificationTrainingSettings		Input untuk fase pelatihan untuk Pekerjaan AutoML.
validationData	MLTableJobInput		Input data validasi.
validationDataSize	number (double)		Sebagian kecil himpunan data pelatihan yang perlu disisihkan untuk tujuan validasi. Nilai antara (0.0 , 1.0) Diterapkan saat himpunan data validasi tidak disediakan.
weightColumnName	string		Nama kolom berat sampel. ML otomatis mendukung kolom tertimbang sebagai input, menyebabkan baris dalam data ditimbang ke atas atau ke bawah.

ClassificationModels

Enumerasi

Enum untuk semua model klasifikasi yang didukung oleh AutoML.

Nilai	Deskripsi
LogisticRegression	Regresi logistik adalah teknik klasifikasi dasar. Ini termasuk dalam kelompok pengklasifikasi linier dan agak mirip dengan regresi polinomial dan linier. Regresi logistik cepat dan relatif tidak rumit, dan akan lebih mudah bagi Anda untuk menafsirkan hasilnya. Meskipun pada dasarnya adalah metode untuk klasifikasi biner, ini juga dapat diterapkan pada masalah multikelas.
SGD	SGD: Stochastic gradient descent adalah algoritme pengoptimalan yang sering digunakan dalam aplikasi pembelajaran mesin untuk menemukan parameter model yang sesuai dengan kecocokan antara output yang diprediksi dan aktual.
MultinomialNaiveBayes	Pengklasifikasi Multinomial Naive Bayes cocok untuk klasifikasi dengan fitur diskrit (misalnya, jumlah kata untuk klasifikasi teks). Distribusi multinomial biasanya membutuhkan jumlah fitur bilangan bulat. Namun, dalam praktiknya, hitungan fraksional seperti tf-idf juga dapat berfungsi.
BernoulliNaiveBayes	Pengklasifikasi Bayes naif untuk model Bernoulli multivariat.
SVM	Mesin vektor pendukung (SVM) adalah model pembelajaran mesin yang diawasi yang menggunakan algoritme klasifikasi untuk masalah klasifikasi dua kelompok. Setelah memberikan set model SVM dari data pelatihan berlabel untuk setiap kategori, mereka dapat mengkategorikan teks baru.
LinearSVM	Mesin vektor pendukung (SVM) adalah model pembelajaran mesin yang diawasi yang menggunakan algoritme klasifikasi untuk masalah klasifikasi dua kelompok. Setelah memberikan set model SVM dari data pelatihan berlabel untuk setiap kategori, mereka dapat mengkategorikan teks baru. SVM linier berkinerja terbaik ketika data input bersifat linier, yaitu, data dapat dengan mudah diklasifikasikan dengan menggambar garis lurus antara nilai yang diklasifikasikan pada grafik yang diplot.
KNN	Algoritma K-nearest neighbors (KNN) menggunakan 'kesamaan fitur' untuk memprediksi nilai titik data baru yang selanjutnya berarti bahwa titik data baru akan diberi nilai berdasarkan seberapa dekat titik tersebut cocok dengan poin dalam set pelatihan.
DecisionTree	Decision Tree adalah metode pembelajaran yang diawasi non-parametrik yang digunakan untuk tugas klasifikasi dan regresi. Tujuannya adalah untuk membuat model yang memprediksi nilai variabel target dengan mempelajari aturan keputusan sederhana yang disimpulkan dari fitur data.
RandomForest	Random forest adalah algoritma pembelajaran yang diawasi. "Hutan" yang dibangunnya, adalah ansambel pohon keputusan, biasanya dilatih dengan metode "mengantongi". Ide umum dari metode pengantongan adalah bahwa kombinasi model pembelajaran meningkatkan hasil keseluruhan.
ExtremeRandomTrees	Extreme Trees adalah algoritme pembelajaran mesin ansambel yang menggabungkan prediksi dari banyak pohon keputusan. Ini terkait dengan algoritma hutan acak yang banyak digunakan.
LightGBM	LightGBM adalah kerangka kerja penambah gradien yang menggunakan algoritma pembelajaran berbasis pohon.
GradientBoosting	Teknik mengalihkan pelajar minggu menjadi pembelajar yang kuat disebut Boosting. Proses algoritma peningkatan gradien bekerja pada teori eksekusi ini.
XGBoostClassifier	XGBoost: Algoritma Peningkatan Gradien Ekstrim. Algoritme ini digunakan untuk data terstruktur di mana nilai kolom target dapat dibagi menjadi nilai kelas yang berbeda.

ClassificationMultilabelPrimaryMetrics

Enumerasi

Metrik utama untuk tugas multilabel klasifikasi.

Nilai	Deskripsi
AUCWeighted	AUC adalah Area di bawah kurva. Metrik ini mewakili rata-rata aritmatika skor untuk setiap kelas, ditimbang dengan jumlah instance true di setiap kelas.
Accuracy	Akurasi adalah rasio prediksi yang sama persis dengan label kelas yang benar.
NormMacroRecall	Pengenalan makro yang dinormalisasi adalah pengenalan makro rata-rata dan dinormalisasi, sehingga performa acak memiliki skor 0, dan performa sempurna memiliki skor 1.
AveragePrecisionScoreWeighted	Rata-rata aritmatika dari skor presisi rata-rata untuk setiap kelas, ditimbang dengan jumlah instance true di setiap kelas.
PrecisionScoreWeighted	Rata-rata aritmatika presisi untuk setiap kelas, ditimbang dengan jumlah contoh benar di setiap kelas.
IOU	Persimpangan di atas Union. Persimpangan prediksi dibagi dengan penyatuan prediksi.

ClassificationPrimaryMetrics

Enumerasi

Metrik utama untuk tugas klasifikasi.

Nilai	Deskripsi
AUCWeighted	AUC adalah Area di bawah kurva. Metrik ini mewakili rata-rata aritmatika skor untuk setiap kelas, ditimbang dengan jumlah instance true di setiap kelas.
Accuracy	Akurasi adalah rasio prediksi yang sama persis dengan label kelas yang benar.
NormMacroRecall	Pengenalan makro yang dinormalisasi adalah pengenalan makro rata-rata dan dinormalisasi, sehingga performa acak memiliki skor 0, dan performa sempurna memiliki skor 1.
AveragePrecisionScoreWeighted	Rata-rata aritmatika dari skor presisi rata-rata untuk setiap kelas, ditimbang dengan jumlah instance true di setiap kelas.
PrecisionScoreWeighted	Rata-rata aritmatika presisi untuk setiap kelas, ditimbang dengan jumlah contoh benar di setiap kelas.

ClassificationTrainingSettings

Objek

Konfigurasi terkait Pelatihan Klasifikasi.

Nama	Jenis	Nilai default	Deskripsi
allowedTrainingAlgorithms	ClassificationModels[]		Model yang diizinkan untuk tugas klasifikasi.
blockedTrainingAlgorithms	ClassificationModels[]		Model yang diblokir untuk tugas klasifikasi.
enableDnnTraining	boolean	False	Aktifkan rekomendasi model DNN.
enableModelExplainability	boolean	True	Bendera untuk mengaktifkan kemampuan penjelasan pada model terbaik.
enableOnnxCompatibleModels	boolean	False	Bendera untuk mengaktifkan model yang kompatibel dengan onnx.
enableStackEnsemble	boolean	True	Aktifkan eksekusi ansambel tumpukan.
enableVoteEnsemble	boolean	True	Aktifkan eksekusi ansambel pemungutan suara.
ensembleModelDownloadTimeout	string (duration)	PT5M	Selama pembuatan model VotingEnsemble dan StackEnsemble, beberapa model yang dipasang dari eksekusi anak sebelumnya diunduh. Konfigurasikan parameter ini dengan nilai yang lebih tinggi dari 300 detik, jika diperlukan lebih banyak waktu.
stackEnsembleSettings	StackEnsembleSettings		Pengaturan ansambel tumpukan untuk eksekusi ansambel tumpukan.

CommandJob

Objek

Definisi pekerjaan perintah.

Nama	Jenis	Nilai default	Deskripsi
codeId	string		ID sumber daya ARM dari aset kode.
command	string minLength: 1 pattern: [a-zA-Z0-9_]		[Diperlukan] Perintah untuk dijalankan pada startup pekerjaan. eg. "train.py Python"
componentId	string		ID sumber daya ARM dari sumber daya komponen.
computeId	string		ID sumber daya ARM dari sumber daya komputasi.
description	string		Teks deskripsi aset.
displayName	string		Tampilkan nama pekerjaan.
distribution	DistributionConfiguration: Mpi PyTorch TensorFlow		Konfigurasi distribusi pekerjaan. Jika diatur, ini harus menjadi salah satu Mpi, Tensorflow, PyTorch, atau null.
environmentId	string minLength: 1 pattern: [a-zA-Z0-9_]		[Diperlukan] ID sumber daya ARM dari spesifikasi Lingkungan untuk pekerjaan tersebut.
environmentVariables	object		Variabel lingkungan yang disertakan dalam pekerjaan.
experimentName	string	Default	Nama eksperimen tempat pekerjaan berada. Jika tidak diatur, pekerjaan ditempatkan dalam eksperimen "Default".
identity	IdentityConfiguration: AmlToken ManagedIdentity UserIdentity		Konfigurasi identitas. Jika diatur, ini harus menjadi salah satu AmlToken, ManagedIdentity, UserIdentity, atau null. Default ke AmlToken jika null.
inputs	object		Pemetaan pengikatan data input yang digunakan dalam pekerjaan.
isArchived	boolean	False	Apakah aset diarsipkan?
jobType	string: Command		[Diperlukan] Menentukan jenis pekerjaan.
limits	CommandJobLimits		Batas Pekerjaan Perintah.
notificationSetting	NotificationSetting		Pengaturan pemberitahuan untuk pekerjaan
outputs	object		Pemetaan pengikatan data output yang digunakan dalam pekerjaan.
parameters			Parameter input.
properties	object		Kamus properti aset.
queueSettings	QueueSettings		Pengaturan antrean untuk pekerjaan
resources	JobResourceConfiguration		Konfigurasi Sumber Daya Komputasi untuk pekerjaan tersebut.
services	<string,  JobService>		Daftar JobEndpoints. Untuk pekerjaan lokal, titik akhir pekerjaan akan memiliki nilai titik akhir FileStreamObject.
status	JobStatus		Status pekerjaan.
tags	object		Kamus tag. Tag dapat ditambahkan, dihapus, dan diperbarui.

CommandJobLimits

Objek

Perintah Kelas batas pekerjaan.

Nama	Jenis	Deskripsi
jobLimitsType	string: Command	[Diperlukan] Jenis JobLimit.
timeout	string (duration)	Durasi eksekusi maksimum dalam format ISO 8601, setelah itu pekerjaan akan dibatalkan. Hanya mendukung durasi dengan presisi serendah Detik.

createdByType

Enumerasi

Jenis identitas yang membuat sumber daya.

Nilai	Deskripsi
User
Application
ManagedIdentity
Key

CustomForecastHorizon

Objek

Cakrawala prakiraan maksimum yang diinginkan dalam satuan frekuensi rangkaian waktu.

Nama	Jenis	Deskripsi
mode	string: Custom	[Diperlukan] Atur mode pemilihan nilai horizon prakiraan.
value	integer (int32)	[Diperlukan] Prakiraan nilai horizon.

CustomModelJobInput

Objek

Nama	Jenis	Nilai default	Deskripsi
description	string		Deskripsi untuk input.
jobInputType	string: custom_model		[Diperlukan] Menentukan jenis pekerjaan.
mode	InputDeliveryMode	ReadOnlyMount	Enum untuk menentukan mode pengiriman data input.
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[Diperlukan] URI Aset Input.

CustomModelJobOutput

Objek

Nama	Jenis	Nilai default	Deskripsi
assetName	string		Nama Aset Output.
description	string		Deskripsi untuk output.
jobOutputType	string: custom_model		[Diperlukan] Menentukan jenis pekerjaan.
mode	OutputDeliveryMode	ReadWriteMount	Enum mode pengiriman data keluaran.
uri	string		URI Aset Output.

CustomNCrossValidations

Objek

Validasi N-Cross ditentukan oleh pengguna.

Nama	Jenis	Deskripsi
mode	string: Custom	[Diperlukan] Mode untuk menentukan validasi N-Cross.
value	integer (int32)	[Diperlukan] Nilai validasi N-Cross.

CustomSeasonality

Objek

Nama	Jenis	Deskripsi
mode	string: Custom	[Diperlukan] Mode musiman.
value	integer (int32)	[Diperlukan] Nilai musiman.

CustomTargetLags

Objek

Nama	Jenis	Deskripsi
mode	string: Custom	[Diperlukan] Mengatur mode jeda target - Otomatis/Kustom
values	integer[] (int32)	[Diperlukan] Atur nilai jeda target.

CustomTargetRollingWindowSize

Objek

Nama	Jenis	Deskripsi
mode	string: Custom	[Diperlukan] Mode deteksi TargetRollingWindowSiz.
value	integer (int32)	[Diperlukan] Nilai TargetRollingWindowSize.

DistributionType

Enumerasi

Enum untuk menentukan jenis distribusi pekerjaan.

Nilai	Deskripsi
PyTorch
TensorFlow
Mpi

EarlyTerminationPolicyType

Enumerasi

Nilai	Deskripsi
Bandit
MedianStopping
TruncationSelection

EmailNotificationEnableType

Enumerasi

Enum untuk menentukan jenis pemberitahuan email.

Nilai	Deskripsi
JobCompleted
JobFailed
JobCancelled

ErrorAdditionalInfo

Objek

Info tambahan kesalahan manajemen sumber daya.

Nama	Jenis	Deskripsi
info	object	Info tambahan.
type	string	Jenis info tambahan.

ErrorDetail

Objek

Detail kesalahan.

Nama	Jenis	Deskripsi
additionalInfo	ErrorAdditionalInfo[]	Info tambahan kesalahan.
code	string	Kode kesalahan.
details	ErrorDetail[]	Detail kesalahan.
message	string	Pesan kesalahan.
target	string	Target kesalahan.

ErrorResponse

Objek

Tanggapan kesalahan

Nama	Jenis	Deskripsi
error	ErrorDetail	Objek kesalahan.

FeatureLags

Enumerasi

Bendera untuk menghasilkan kelambatan untuk fitur numerik.

Nilai	Deskripsi
None	Tidak ada kelambatan fitur yang dihasilkan.
Auto	Sistem menghasilkan kelambatan fitur secara otomatis.

FeaturizationMode

Enumerasi

Mode fiturisasi - Pengguna dapat menyimpan mode 'Otomatis' default dan AutoML akan mengurus transformasi data yang diperlukan dalam fase fiturisasi. Jika 'Nonaktif' dipilih, maka tidak ada fiturisasi yang dilakukan. Jika 'Kustom' dipilih, maka pengguna dapat menentukan input tambahan untuk menyesuaikan bagaimana fiturisasi dilakukan.

Nilai	Deskripsi
Auto	Mode otomatis, sistem melakukan fiturisasi tanpa input fiturisasi khusus.
Custom	Fitur khusus.
Off	Fitur dimatikan. Tugas 'Perkiraan' tidak dapat menggunakan nilai ini.

ForecastHorizonMode

Enumerasi

Enum untuk menentukan mode pemilihan cakrawala perkiraan.

Nilai	Deskripsi
Auto	Cakrawala perkiraan akan ditentukan secara otomatis.
Custom	Gunakan cakrawala perkiraan kustom.

Forecasting

Objek

Tugas perkiraan di vertikal Tabel AutoML.

Nama	Jenis	Nilai default	Deskripsi
cvSplitColumnNames	string[]		Kolom yang digunakan untuk data CVSplit.
featurizationSettings	TableVerticalFeaturizationSettings		Input fiturisasi diperlukan untuk pekerjaan AutoML.
forecastingSettings	ForecastingSettings		Memperkirakan input khusus tugas.
limitSettings	TableVerticalLimitSettings		Batasan eksekusi untuk AutoMLJob.
logVerbosity	LogVerbosity	Info	Enum untuk mengatur verbositas log.
nCrossValidations	NCrossValidations: AutoNCrossValidations CustomNCrossValidations		Jumlah lipatan validasi silang yang akan diterapkan pada himpunan data pelatihan ketika himpunan data validasi tidak disediakan.
primaryMetric	ForecastingPrimaryMetrics	NormalizedRootMeanSquaredError	Metrik utama untuk tugas Perkiraan.
targetColumnName	string		Nama kolom target: Ini adalah kolom nilai prediksi. Juga dikenal sebagai nama kolom label dalam konteks tugas klasifikasi.
taskType	string: Forecasting		[Diperlukan] Jenis tugas untuk AutoMLJob.
testData	MLTableJobInput		Menguji input data.
testDataSize	number (double)		Pecahan himpunan data pengujian yang perlu disisihkan untuk tujuan validasi. Nilai antara (0.0 , 1.0) Diterapkan saat himpunan data validasi tidak disediakan.
trainingData	MLTableJobInput		[Diperlukan] Input data pelatihan.
trainingSettings	ForecastingTrainingSettings		Input untuk fase pelatihan untuk Pekerjaan AutoML.
validationData	MLTableJobInput		Input data validasi.
validationDataSize	number (double)		Sebagian kecil himpunan data pelatihan yang perlu disisihkan untuk tujuan validasi. Nilai antara (0.0 , 1.0) Diterapkan saat himpunan data validasi tidak disediakan.
weightColumnName	string		Nama kolom berat sampel. ML otomatis mendukung kolom tertimbang sebagai input, menyebabkan baris dalam data ditimbang ke atas atau ke bawah.

ForecastingModels

Enumerasi

Enum untuk semua model perkiraan yang didukung oleh AutoML.

Nilai	Deskripsi
AutoArima	Model Auto-Autoregressive Integrated Moving Average (ARIMA) menggunakan data deret waktu dan analisis statistik untuk menafsirkan data dan membuat prediksi di masa depan. Model ini bertujuan untuk menjelaskan data dengan menggunakan data deret waktu pada nilai-nilai masa lalunya dan menggunakan regresi linier untuk membuat prediksi.
Prophet	Prophet adalah prosedur untuk meramalkan data deret waktu berdasarkan model aditif di mana tren non-linier sesuai dengan musiman tahunan, mingguan, dan harian, ditambah efek liburan. Ini bekerja paling baik dengan deret waktu yang memiliki efek musiman yang kuat dan beberapa musim data historis. Prophet kuat terhadap data yang hilang dan pergeseran tren, dan biasanya menangani outlier dengan baik.
Naive	Model peramalan Naif membuat prediksi dengan membawa nilai target terbaru untuk setiap deret waktu dalam data pelatihan.
SeasonalNaive	Model peramalan Naif Musiman membuat prediksi dengan meneruskan nilai target musim terbaru untuk setiap deret waktu dalam data pelatihan.
Average	Model perkiraan rata-rata membuat prediksi dengan meneruskan rata-rata nilai target untuk setiap deret waktu dalam data pelatihan.
SeasonalAverage	Model perkiraan Rata-Rata Musiman membuat prediksi dengan meneruskan nilai rata-rata data musim terbaru untuk setiap deret waktu dalam data pelatihan.
ExponentialSmoothing	Penghalusan eksponensial adalah metode peramalan deret waktu untuk data univariat yang dapat diperluas untuk mendukung data dengan tren sistematis atau komponen musiman.
Arimax	Model Autoregressive Integrated Moving Average with Explanatory Variable (ARIMAX) dapat dilihat sebagai model regresi ganda dengan satu atau lebih suku autoregresif (AR) dan/atau satu atau lebih suku rata-rata bergerak (MA). Metode ini cocok untuk peramalan ketika data stasioner/tidak stasioner, dan multivariat dengan semua jenis pola data, yaitu, level/tren/musiman/siklusitas.
TCNForecaster	TCNForecaster: Peramal Jaringan Konvolusional Temporal. TODO: Mintalah tim peramalan untuk pengantar singkat.
ElasticNet	Jaring elastis adalah jenis regresi linier teratur populer yang menggabungkan dua penalti populer, khususnya fungsi penalti L1 dan L2.
GradientBoosting	Teknik mengalihkan pelajar minggu menjadi pembelajar yang kuat disebut Boosting. Proses algoritma peningkatan gradien bekerja pada teori eksekusi ini.
DecisionTree	Decision Tree adalah metode pembelajaran yang diawasi non-parametrik yang digunakan untuk tugas klasifikasi dan regresi. Tujuannya adalah untuk membuat model yang memprediksi nilai variabel target dengan mempelajari aturan keputusan sederhana yang disimpulkan dari fitur data.
KNN	Algoritma K-nearest neighbors (KNN) menggunakan 'kesamaan fitur' untuk memprediksi nilai titik data baru yang selanjutnya berarti bahwa titik data baru akan diberi nilai berdasarkan seberapa dekat titik tersebut cocok dengan poin dalam set pelatihan.
LassoLars	Model laso cocok dengan Regresi Sudut Terkecil alias Lars. Ini adalah Model Linear yang dilatih dengan L1 sebelumnya sebagai regularizer.
SGD	SGD: Stochastic gradient descent adalah algoritme pengoptimalan yang sering digunakan dalam aplikasi pembelajaran mesin untuk menemukan parameter model yang sesuai dengan kecocokan antara output yang diprediksi dan aktual. Ini adalah teknik yang tidak tepat tetapi kuat.
RandomForest	Random forest adalah algoritma pembelajaran yang diawasi. "Hutan" yang dibangunnya, adalah ansambel pohon keputusan, biasanya dilatih dengan metode "mengantongi". Ide umum dari metode pengantongan adalah bahwa kombinasi model pembelajaran meningkatkan hasil keseluruhan.
ExtremeRandomTrees	Extreme Trees adalah algoritme pembelajaran mesin ansambel yang menggabungkan prediksi dari banyak pohon keputusan. Ini terkait dengan algoritma hutan acak yang banyak digunakan.
LightGBM	LightGBM adalah kerangka kerja penambah gradien yang menggunakan algoritma pembelajaran berbasis pohon.
XGBoostRegressor	XGBoostRegressor: Extreme Gradient Boosting Regressor adalah model pembelajaran mesin yang diawasi menggunakan ansambel pelajar dasar.

ForecastingPrimaryMetrics

Enumerasi

Metrik utama untuk tugas Perkiraan.

Nilai	Deskripsi
SpearmanCorrelation	Koefisien korelasi peringkat Spearman adalah ukuran korelasi peringkat non-parametrik.
NormalizedRootMeanSquaredError	Normalized Root Mean Squared Error (NRMSE) RMSE memfasilitasi perbandingan antara model dengan skala yang berbeda.
R2Score	Skor R2 adalah salah satu ukuran evaluasi kinerja untuk model pembelajaran mesin berbasis perkiraan.
NormalizedMeanAbsoluteError	Normalized Mean Absolute Error (NMAE) adalah metrik validasi untuk membandingkan Mean Absolute Error (MAE) dari deret (waktu) dengan skala yang berbeda.

ForecastingSettings

Objek

Memperkirakan parameter tertentu.

Nama	Jenis	Nilai default	Deskripsi
countryOrRegionForHolidays	string		Negara atau wilayah untuk hari libur untuk tugas prakiraan. Ini harus berupa kode negara/wilayah dua huruf ISO 3166, misalnya 'US' atau 'GB'.
cvStepSize	integer (int32)		Jumlah periode antara waktu asal satu lipatan CV dan lipatan berikutnya. Misalnya, jika CVStepSize = 3 untuk data harian, waktu asal untuk setiap lipatan akan berjarak tiga hari.
featureLags	FeatureLags	None	Bendera untuk menghasilkan kelambatan untuk fitur numerik.
forecastHorizon	ForecastHorizon: AutoForecastHorizon CustomForecastHorizon		Cakrawala prakiraan maksimum yang diinginkan dalam satuan frekuensi rangkaian waktu.
frequency	string		Saat memperkirakan, parameter ini mewakili periode yang diinginkan prakiraan, misalnya harian, mingguan, tahunan, dll. Frekuensi prakiraan adalah frekuensi himpunan data secara default.
seasonality	Seasonality: AutoSeasonality CustomSeasonality		Atur musiman rangkaian waktu sebagai kelipatan bilangan bulat dari frekuensi seri. Jika musiman diatur ke 'otomatis', musim akan disimpulkan.
shortSeriesHandlingConfig	ShortSeriesHandlingConfiguration	Auto	Parameter yang menentukan bagaimana jika AutoML harus menangani rangkaian waktu singkat.
targetAggregateFunction	TargetAggregationFunction	None	Target fungsi agregat.
targetLags	TargetLags: AutoTargetLags CustomTargetLags		Jumlah periode terakhir untuk ditinggalkan dari kolom target.
targetRollingWindowSize	TargetRollingWindowSize: AutoTargetRollingWindowSize CustomTargetRollingWindowSize		Jumlah periode sebelumnya yang digunakan untuk membuat rata-rata jendela bergulir dari kolom target.
timeColumnName	string		Nama kolom waktu. Parameter ini diperlukan saat memperkirakan untuk menentukan kolom tanggalwaktu dalam data input yang digunakan untuk membangun rangkaian waktu dan menyimpulkan frekuensinya.
timeSeriesIdColumnNames	string[]		Nama kolom yang digunakan untuk mengelompokkan timeseries. Ini dapat digunakan untuk membuat beberapa seri. Jika butir tidak ditentukan, himpunan data diasumsikan sebagai satu rangkaian waktu. Parameter ini digunakan dengan prakiraan jenis tugas.
useStl	UseStl	None	Mengonfigurasi Dekomposisi STL dari kolom target rangkaian waktu.

ForecastingTrainingSettings

Objek

Konfigurasi terkait pelatihan peramalan.

Nama	Jenis	Nilai default	Deskripsi
allowedTrainingAlgorithms	ForecastingModels[]		Model yang diizinkan untuk tugas prakiraan.
blockedTrainingAlgorithms	ForecastingModels[]		Model yang diblokir untuk tugas prakiraan.
enableDnnTraining	boolean	False	Aktifkan rekomendasi model DNN.
enableModelExplainability	boolean	True	Bendera untuk mengaktifkan kemampuan penjelasan pada model terbaik.
enableOnnxCompatibleModels	boolean	False	Bendera untuk mengaktifkan model yang kompatibel dengan onnx.
enableStackEnsemble	boolean	True	Aktifkan eksekusi ansambel tumpukan.
enableVoteEnsemble	boolean	True	Aktifkan eksekusi ansambel pemungutan suara.
ensembleModelDownloadTimeout	string (duration)	PT5M	Selama pembuatan model VotingEnsemble dan StackEnsemble, beberapa model yang dipasang dari eksekusi anak sebelumnya diunduh. Konfigurasikan parameter ini dengan nilai yang lebih tinggi dari 300 detik, jika diperlukan lebih banyak waktu.
stackEnsembleSettings	StackEnsembleSettings		Pengaturan ansambel tumpukan untuk eksekusi ansambel tumpukan.

Goal

Enumerasi

Menentukan sasaran metrik yang didukung untuk penyetelan hiperparameter

Nilai	Deskripsi
Minimize
Maximize

GridSamplingAlgorithm

Objek

Mendefinisikan Algoritma Pengambilan Sampel yang secara menyeluruh menghasilkan setiap kombinasi nilai dalam ruang

Nama	Jenis	Deskripsi
samplingAlgorithmType	string: Grid	[Diperlukan] Algoritma yang digunakan untuk menghasilkan nilai hiperparameter, bersama dengan properti konfigurasi

IdentityConfigurationType

Enumerasi

Enum untuk menentukan kerangka kerja identitas.

Nilai	Deskripsi
Managed
AMLToken
UserIdentity

ImageClassification

Objek

Klasifikasi Gambar. Klasifikasi gambar multi-kelas digunakan ketika gambar diklasifikasikan hanya dengan satu label dari sekumpulan kelas - misalnya setiap gambar diklasifikasikan sebagai gambar 'kucing' atau 'anjing' atau 'bebek'.

Nama	Jenis	Nilai default	Deskripsi
limitSettings	ImageLimitSettings		[Diperlukan] Batasi pengaturan untuk pekerjaan AutoML.
logVerbosity	LogVerbosity	Info	Enum untuk mengatur verbositas log.
modelSettings	ImageModelSettingsClassification		Pengaturan yang digunakan untuk melatih model.
primaryMetric	ClassificationPrimaryMetrics	Accuracy	Metrik utama untuk tugas klasifikasi.
searchSpace	ImageModelDistributionSettingsClassification[]		Cari ruang untuk mengambil sampel berbagai kombinasi model dan hiperparameternya.
sweepSettings	ImageSweepSettings		Pembersihan model dan pengaturan terkait pembersihan hiperparameter.
targetColumnName	string		Nama kolom target: Ini adalah kolom nilai prediksi. Juga dikenal sebagai nama kolom label dalam konteks tugas klasifikasi.
taskType	string: ImageClassification		[Diperlukan] Jenis tugas untuk AutoMLJob.
trainingData	MLTableJobInput		[Diperlukan] Input data pelatihan.
validationData	MLTableJobInput		Input data validasi.
validationDataSize	number (double)		Sebagian kecil himpunan data pelatihan yang perlu disisihkan untuk tujuan validasi. Nilai antara (0.0 , 1.0) Diterapkan saat himpunan data validasi tidak disediakan.

ImageClassificationMultilabel

Objek

Klasifikasi Gambar Multilabel. Klasifikasi gambar multi-label digunakan ketika gambar dapat memiliki satu atau lebih label dari sekumpulan label - misalnya gambar dapat diberi label dengan 'kucing' dan 'anjing'.

Nama	Jenis	Nilai default	Deskripsi
limitSettings	ImageLimitSettings		[Diperlukan] Batasi pengaturan untuk pekerjaan AutoML.
logVerbosity	LogVerbosity	Info	Enum untuk mengatur verbositas log.
modelSettings	ImageModelSettingsClassification		Pengaturan yang digunakan untuk melatih model.
primaryMetric	ClassificationMultilabelPrimaryMetrics	IOU	Metrik utama untuk tugas multilabel klasifikasi.
searchSpace	ImageModelDistributionSettingsClassification[]		Cari ruang untuk mengambil sampel berbagai kombinasi model dan hiperparameternya.
sweepSettings	ImageSweepSettings		Pembersihan model dan pengaturan terkait pembersihan hiperparameter.
targetColumnName	string		Nama kolom target: Ini adalah kolom nilai prediksi. Juga dikenal sebagai nama kolom label dalam konteks tugas klasifikasi.
taskType	string: ImageClassificationMultilabel		[Diperlukan] Jenis tugas untuk AutoMLJob.
trainingData	MLTableJobInput		[Diperlukan] Input data pelatihan.
validationData	MLTableJobInput		Input data validasi.
validationDataSize	number (double)		Sebagian kecil himpunan data pelatihan yang perlu disisihkan untuk tujuan validasi. Nilai antara (0.0 , 1.0) Diterapkan saat himpunan data validasi tidak disediakan.

ImageInstanceSegmentation

Objek

Segmentasi Instans Gambar. Segmentasi instans digunakan untuk mengidentifikasi objek dalam gambar pada tingkat piksel, menggambar poligon di sekitar setiap objek dalam gambar.

Nama	Jenis	Nilai default	Deskripsi
limitSettings	ImageLimitSettings		[Diperlukan] Batasi pengaturan untuk pekerjaan AutoML.
logVerbosity	LogVerbosity	Info	Enum untuk mengatur verbositas log.
modelSettings	ImageModelSettingsObjectDetection		Pengaturan yang digunakan untuk melatih model.
primaryMetric	InstanceSegmentationPrimaryMetrics	MeanAveragePrecision	Metrik utama untuk tugas InstanceSegmentation.
searchSpace	ImageModelDistributionSettingsObjectDetection[]		Cari ruang untuk mengambil sampel berbagai kombinasi model dan hiperparameternya.
sweepSettings	ImageSweepSettings		Pembersihan model dan pengaturan terkait pembersihan hiperparameter.
targetColumnName	string		Nama kolom target: Ini adalah kolom nilai prediksi. Juga dikenal sebagai nama kolom label dalam konteks tugas klasifikasi.
taskType	string: ImageInstanceSegmentation		[Diperlukan] Jenis tugas untuk AutoMLJob.
trainingData	MLTableJobInput		[Diperlukan] Input data pelatihan.
validationData	MLTableJobInput		Input data validasi.
validationDataSize	number (double)		Sebagian kecil himpunan data pelatihan yang perlu disisihkan untuk tujuan validasi. Nilai antara (0.0 , 1.0) Diterapkan saat himpunan data validasi tidak disediakan.

ImageLimitSettings

Objek

Batasi pengaturan untuk pekerjaan AutoML.

Nama	Jenis	Nilai default	Deskripsi
maxConcurrentTrials	integer (int32)	1	Jumlah maksimum iterasi AutoML bersamaan.
maxTrials	integer (int32)	1	Jumlah maksimum iterasi AutoML.
timeout	string (duration)	P7D	Batas waktu pekerjaan AutoML.

ImageModelDistributionSettingsClassification

Objek

Ekspresi distribusi untuk menyapu nilai pengaturan model. <contoh> Beberapa contohnya adalah:

ModelName = "choice('seresnext', 'resnest50')";
LearningRate = "uniform(0.001, 0.01)";
LayersToFreeze = "choice(0, 2)";
```</example>
For more details on how to compose distribution expressions please check the documentation:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters
For more information on the available settings please visit the official documentation:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

Nama	Jenis	Deskripsi
amsGradient	string	Aktifkan AMSGrad saat pengoptimal adalah 'adam' atau 'adamw'.
augmentations	string	Pengaturan untuk menggunakan Augmentasi.
beta1	string	Nilai 'beta1' ketika pengoptimal adalah 'adam' atau 'adamw'. Harus berupa float dalam rentang [0, 1].
beta2	string	Nilai 'beta2' ketika pengoptimal adalah 'adam' atau 'adamw'. Harus berupa float dalam rentang [0, 1].
distributed	string	Apakah akan menggunakan pelatihan distribusi.
earlyStopping	string	Aktifkan logika penghentian awal selama pelatihan.
earlyStoppingDelay	string	Jumlah minimum epoch atau evaluasi validasi yang harus menunggu sebelum peningkatan metrik primer dilacak untuk penghentian awal. Harus berupa nilai bilangan bulat positif.
earlyStoppingPatience	string	Jumlah minimum epoch atau evaluasi validasi tanpa peningkatan metrik utama sebelum eksekusi dihentikan. Harus berupa nilai bilangan bulat positif.
enableOnnxNormalization	string	Aktifkan normalisasi saat mengekspor model ONNX.
evaluationFrequency	string	Frekuensi untuk mengevaluasi himpunan data validasi untuk mendapatkan skor metrik. Harus berupa nilai bilangan bulat positif.
gradientAccumulationStep	string	Akumulasi gradien berarti menjalankan sejumlah langkah "GradAccumulationStep" yang dikonfigurasi tanpa memperbarui bobot model saat mengakumulasi gradien langkah-langkah tersebut, lalu menggunakan gradien akumulasi untuk menghitung pembaruan bobot. Harus berupa nilai bilangan bulat positif.
layersToFreeze	string	Jumlah lapisan yang akan dibekukan untuk model. Harus berupa nilai bilangan bulat positif. Misalnya, meneruskan 2 sebagai nilai untuk 'seresnext' berarti membekukan layer0 dan layer1. Untuk daftar lengkap model yang didukung dan detail tentang pembekuan lapisan, silakan lihat: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
learningRate	string	Tingkat pembelajaran awal. Harus berupa float dalam rentang [0, 1].
learningRateScheduler	string	Jenis penjadwal tingkat pembelajaran. Harus 'warmup_cosine' atau 'langkah'.
modelName	string	Nama model yang akan digunakan untuk pelatihan. Untuk informasi lebih lanjut tentang model yang tersedia, silakan kunjungi dokumentasi resmi: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
momentum	string	Nilai momentum saat pengoptimal adalah 'sgd'. Harus berupa float dalam rentang [0, 1].
nesterov	string	Aktifkan nesterov saat pengoptimal adalah 'sgd'.
numberOfEpochs	string	Jumlah epoch pelatihan. Harus berupa nilai bilangan bulat positif.
numberOfWorkers	string	Jumlah pekerja pemuat data. Harus bilangan bulat non-negatif.
optimizer	string	Jenis pengoptimal. Harus berupa 'sgd', 'adam', atau 'adamw'.
randomSeed	string	Benih acak yang akan digunakan saat menggunakan pelatihan deterministik.
stepLRGamma	string	Nilai gamma ketika penjadwal tingkat pembelajaran adalah 'langkah'. Harus berupa float dalam rentang [0, 1].
stepLRStepSize	string	Nilai ukuran langkah saat penjadwal tingkat pembelajaran adalah 'langkah'. Harus berupa nilai bilangan bulat positif.
trainingBatchSize	string	Ukuran batch pelatihan. Harus berupa nilai bilangan bulat positif.
trainingCropSize	string	Ukuran pemangkasan gambar yang dimasukkan ke jaringan neural untuk himpunan data pelatihan. Harus berupa nilai bilangan bulat positif.
validationBatchSize	string	Ukuran batch validasi. Harus berupa nilai bilangan bulat positif.
validationCropSize	string	Ukuran pemangkasan gambar yang dimasukkan ke jaringan neural untuk himpunan data validasi. Harus berupa nilai bilangan bulat positif.
validationResizeSize	string	Ukuran gambar untuk mengubah ukuran sebelum pemotongan untuk himpunan data validasi. Harus berupa nilai bilangan bulat positif.
warmupCosineLRCycles	string	Nilai siklus kosinus saat penjadwal tingkat pembelajaran adalah 'warmup_cosine'. Harus berupa float dalam rentang [0, 1].
warmupCosineLRWarmupEpochs	string	Nilai epoch pemanasan ketika penjadwal tingkat pembelajaran adalah 'warmup_cosine'. Harus berupa nilai bilangan bulat positif.
weightDecay	string	Nilai pembbusukan berat saat pengoptimal adalah 'sgd', 'adam', atau 'adamw'. Harus berupa float dalam kisaran[0, 1].
weightedLoss	string	Penurunan tertimbang. Nilai yang diterima adalah 0 untuk tidak ada penurunan tertimbang. 1 untuk penurunan tertimbang dengan sqrt. (class_weights). 2 untuk penurunan berat badan dengan class_weights. Harus 0 atau 1 atau 2.

ImageModelDistributionSettingsObjectDetection

Objek

Ekspresi distribusi untuk menyapu nilai pengaturan model. <contoh> Beberapa contohnya adalah:

ModelName = "choice('seresnext', 'resnest50')";
LearningRate = "uniform(0.001, 0.01)";
LayersToFreeze = "choice(0, 2)";
```</example>
For more details on how to compose distribution expressions please check the documentation:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters
For more information on the available settings please visit the official documentation:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

Nama	Jenis	Deskripsi
amsGradient	string	Aktifkan AMSGrad saat pengoptimal adalah 'adam' atau 'adamw'.
augmentations	string	Pengaturan untuk menggunakan Augmentasi.
beta1	string	Nilai 'beta1' ketika pengoptimal adalah 'adam' atau 'adamw'. Harus berupa float dalam rentang [0, 1].
beta2	string	Nilai 'beta2' ketika pengoptimal adalah 'adam' atau 'adamw'. Harus berupa float dalam rentang [0, 1].
boxDetectionsPerImage	string	Jumlah maksimum deteksi per gambar, untuk semua kelas. Harus berupa nilai bilangan bulat positif. Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.
boxScoreThreshold	string	Selama inferensi, hanya mengembalikan proposal dengan skor klasifikasi lebih besar dari BoxScoreThreshold. Harus berupa float dalam kisaran[0, 1].
distributed	string	Apakah akan menggunakan pelatihan distribusi.
earlyStopping	string	Aktifkan logika penghentian awal selama pelatihan.
earlyStoppingDelay	string	Jumlah minimum epoch atau evaluasi validasi yang harus menunggu sebelum peningkatan metrik primer dilacak untuk penghentian awal. Harus berupa nilai bilangan bulat positif.
earlyStoppingPatience	string	Jumlah minimum epoch atau evaluasi validasi tanpa peningkatan metrik utama sebelum eksekusi dihentikan. Harus berupa nilai bilangan bulat positif.
enableOnnxNormalization	string	Aktifkan normalisasi saat mengekspor model ONNX.
evaluationFrequency	string	Frekuensi untuk mengevaluasi himpunan data validasi untuk mendapatkan skor metrik. Harus berupa nilai bilangan bulat positif.
gradientAccumulationStep	string	Akumulasi gradien berarti menjalankan sejumlah langkah "GradAccumulationStep" yang dikonfigurasi tanpa memperbarui bobot model saat mengakumulasi gradien langkah-langkah tersebut, lalu menggunakan gradien akumulasi untuk menghitung pembaruan bobot. Harus berupa nilai bilangan bulat positif.
imageSize	string	Ukuran gambar untuk pelatihan dan validasi. Harus berupa nilai bilangan bulat positif. Catatan: Pelatihan yang dijalankan mungkin masuk ke CUDA OOM jika ukurannya terlalu besar. Catatan: Pengaturan ini hanya didukung untuk algoritma 'yolov5'.
layersToFreeze	string	Jumlah lapisan yang akan dibekukan untuk model. Harus berupa nilai bilangan bulat positif. Misalnya, meneruskan 2 sebagai nilai untuk 'seresnext' berarti membekukan layer0 dan layer1. Untuk daftar lengkap model yang didukung dan detail tentang pembekuan lapisan, silakan lihat: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
learningRate	string	Tingkat pembelajaran awal. Harus berupa float dalam rentang [0, 1].
learningRateScheduler	string	Jenis penjadwal tingkat pembelajaran. Harus 'warmup_cosine' atau 'langkah'.
maxSize	string	Ukuran maksimum gambar yang akan diskalakan ulang sebelum mengumpankannya ke tulang punggung. Harus berupa nilai bilangan bulat positif. Catatan: pelatihan yang dijalankan mungkin masuk ke CUDA OOM jika ukurannya terlalu besar. Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.
minSize	string	Ukuran minimum gambar yang akan diskalakan ulang sebelum mengumpankannya ke tulang punggung. Harus berupa nilai bilangan bulat positif. Catatan: pelatihan yang dijalankan mungkin masuk ke CUDA OOM jika ukurannya terlalu besar. Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.
modelName	string	Nama model yang akan digunakan untuk pelatihan. Untuk informasi lebih lanjut tentang model yang tersedia, silakan kunjungi dokumentasi resmi: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
modelSize	string	Ukuran model. Harus 'kecil', 'sedang', 'besar', atau 'xlarge'. Catatan: pelatihan yang dijalankan mungkin masuk ke CUDA OOM jika ukuran model terlalu besar. Catatan: Pengaturan ini hanya didukung untuk algoritma 'yolov5'.
momentum	string	Nilai momentum saat pengoptimal adalah 'sgd'. Harus berupa float dalam rentang [0, 1].
multiScale	string	Aktifkan gambar multi-skala dengan memvariasikan ukuran gambar sebesar +/- 50%. Catatan: pelatihan yang dijalankan mungkin masuk ke CUDA OOM jika tidak ada memori GPU yang memadai. Catatan: Pengaturan ini hanya didukung untuk algoritma 'yolov5'.
nesterov	string	Aktifkan nesterov saat pengoptimal adalah 'sgd'.
nmsIouThreshold	string	Ambang batas IOU yang digunakan selama inferensi dalam pemrosesan pos NMS. Harus mengapung dalam kisaran [0, 1].
numberOfEpochs	string	Jumlah epoch pelatihan. Harus berupa nilai bilangan bulat positif.
numberOfWorkers	string	Jumlah pekerja pemuat data. Harus bilangan bulat non-negatif.
optimizer	string	Jenis pengoptimal. Harus berupa 'sgd', 'adam', atau 'adamw'.
randomSeed	string	Benih acak yang akan digunakan saat menggunakan pelatihan deterministik.
stepLRGamma	string	Nilai gamma ketika penjadwal tingkat pembelajaran adalah 'langkah'. Harus berupa float dalam rentang [0, 1].
stepLRStepSize	string	Nilai ukuran langkah saat penjadwal tingkat pembelajaran adalah 'langkah'. Harus berupa nilai bilangan bulat positif.
tileGridSize	string	Ukuran kisi yang digunakan untuk memilah setiap gambar. Catatan: TileGridSize tidak boleh None untuk mengaktifkan logika deteksi objek kecil. String yang berisi dua bilangan bulat dalam format mxn. Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.
tileOverlapRatio	string	Rasio tumpang tindih antara petak peta yang berdekatan di setiap dimensi. Harus mengapung dalam kisaran [0, 1). Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.
tilePredictionsNmsThreshold	string	Ambang batas IOU yang digunakan untuk melakukan NMS sambil menggabungkan prediksi dari petak peta dan gambar. Digunakan dalam validasi/inferensi. Harus mengapung dalam kisaran [0, 1]. Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'. NMS: Penindasan non-maksimum
trainingBatchSize	string	Ukuran batch pelatihan. Harus berupa nilai bilangan bulat positif.
validationBatchSize	string	Ukuran batch validasi. Harus berupa nilai bilangan bulat positif.
validationIouThreshold	string	Ambang batas IOU untuk digunakan saat menghitung metrik validasi. Harus mengapung dalam kisaran [0, 1].
validationMetricType	string	Metode komputasi metrik yang digunakan untuk metrik validasi. Harus 'none', 'coco', 'voc', atau 'coco_voc'.
warmupCosineLRCycles	string	Nilai siklus kosinus saat penjadwal tingkat pembelajaran adalah 'warmup_cosine'. Harus berupa float dalam rentang [0, 1].
warmupCosineLRWarmupEpochs	string	Nilai epoch pemanasan ketika penjadwal tingkat pembelajaran adalah 'warmup_cosine'. Harus berupa nilai bilangan bulat positif.
weightDecay	string	Nilai pembbusukan berat saat pengoptimal adalah 'sgd', 'adam', atau 'adamw'. Harus berupa float dalam kisaran[0, 1].

ImageModelSettingsClassification

Objek

Pengaturan yang digunakan untuk melatih model. Untuk informasi lebih lanjut tentang pengaturan yang tersedia, silakan kunjungi dokumentasi resmi: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

Nama	Jenis	Nilai default	Deskripsi
advancedSettings	string		Pengaturan untuk skenario tingkat lanjut.
amsGradient	boolean		Aktifkan AMSGrad saat pengoptimal adalah 'adam' atau 'adamw'.
augmentations	string		Pengaturan untuk menggunakan Augmentasi.
beta1	number (float)		Nilai 'beta1' ketika pengoptimal adalah 'adam' atau 'adamw'. Harus berupa float dalam rentang [0, 1].
beta2	number (float)		Nilai 'beta2' ketika pengoptimal adalah 'adam' atau 'adamw'. Harus berupa float dalam rentang [0, 1].
checkpointFrequency	integer (int32)		Frekuensi untuk menyimpan titik pemeriksaan model. Harus berupa nilai bilangan bulat positif.
checkpointModel	MLFlowModelJobInput		Model titik pemeriksaan yang telah dilatih sebelumnya untuk pelatihan bertahap.
checkpointRunId	string		Id eksekusi sebelumnya yang memiliki titik pemeriksaan yang telah dilatih sebelumnya untuk pelatihan inkremental.
distributed	boolean		Apakah akan menggunakan pelatihan terdistribusi.
earlyStopping	boolean		Aktifkan logika penghentian awal selama pelatihan.
earlyStoppingDelay	integer (int32)		Jumlah minimum epoch atau evaluasi validasi yang harus menunggu sebelum peningkatan metrik primer dilacak untuk penghentian awal. Harus berupa nilai bilangan bulat positif.
earlyStoppingPatience	integer (int32)		Jumlah minimum epoch atau evaluasi validasi tanpa peningkatan metrik utama sebelum eksekusi dihentikan. Harus berupa nilai bilangan bulat positif.
enableOnnxNormalization	boolean		Aktifkan normalisasi saat mengekspor model ONNX.
evaluationFrequency	integer (int32)		Frekuensi untuk mengevaluasi himpunan data validasi untuk mendapatkan skor metrik. Harus berupa nilai bilangan bulat positif.
gradientAccumulationStep	integer (int32)		Akumulasi gradien berarti menjalankan sejumlah langkah "GradAccumulationStep" yang dikonfigurasi tanpa memperbarui bobot model saat mengakumulasi gradien langkah-langkah tersebut, lalu menggunakan gradien akumulasi untuk menghitung pembaruan bobot. Harus berupa nilai bilangan bulat positif.
layersToFreeze	integer (int32)		Jumlah lapisan yang akan dibekukan untuk model. Harus berupa nilai bilangan bulat positif. Misalnya, meneruskan 2 sebagai nilai untuk 'seresnext' berarti membekukan layer0 dan layer1. Untuk daftar lengkap model yang didukung dan detail tentang pembekuan lapisan, silakan lihat: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
learningRate	number (float)		Tingkat pembelajaran awal. Harus berupa float dalam rentang [0, 1].
learningRateScheduler	LearningRateScheduler	None	Enum penjadwal tingkat pembelajaran.
modelName	string		Nama model yang akan digunakan untuk pelatihan. Untuk informasi lebih lanjut tentang model yang tersedia, silakan kunjungi dokumentasi resmi: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
momentum	number (float)		Nilai momentum saat pengoptimal adalah 'sgd'. Harus berupa float dalam rentang [0, 1].
nesterov	boolean		Aktifkan nesterov saat pengoptimal adalah 'sgd'.
numberOfEpochs	integer (int32)		Jumlah epoch pelatihan. Harus berupa nilai bilangan bulat positif.
numberOfWorkers	integer (int32)		Jumlah pekerja pemuat data. Harus bilangan bulat non-negatif.
optimizer	StochasticOptimizer	None	Pengoptimal stokastik untuk model gambar.
randomSeed	integer (int32)		Benih acak yang akan digunakan saat menggunakan pelatihan deterministik.
stepLRGamma	number (float)		Nilai gamma ketika penjadwal tingkat pembelajaran adalah 'langkah'. Harus berupa float dalam rentang [0, 1].
stepLRStepSize	integer (int32)		Nilai ukuran langkah saat penjadwal tingkat pembelajaran adalah 'langkah'. Harus berupa nilai bilangan bulat positif.
trainingBatchSize	integer (int32)		Ukuran batch pelatihan. Harus berupa nilai bilangan bulat positif.
trainingCropSize	integer (int32)		Ukuran pemangkasan gambar yang dimasukkan ke jaringan neural untuk himpunan data pelatihan. Harus berupa nilai bilangan bulat positif.
validationBatchSize	integer (int32)		Ukuran batch validasi. Harus berupa nilai bilangan bulat positif.
validationCropSize	integer (int32)		Ukuran pemangkasan gambar yang dimasukkan ke jaringan neural untuk himpunan data validasi. Harus berupa nilai bilangan bulat positif.
validationResizeSize	integer (int32)		Ukuran gambar untuk mengubah ukuran sebelum pemotongan untuk himpunan data validasi. Harus berupa nilai bilangan bulat positif.
warmupCosineLRCycles	number (float)		Nilai siklus kosinus saat penjadwal tingkat pembelajaran adalah 'warmup_cosine'. Harus berupa float dalam rentang [0, 1].
warmupCosineLRWarmupEpochs	integer (int32)		Nilai epoch pemanasan ketika penjadwal tingkat pembelajaran adalah 'warmup_cosine'. Harus berupa nilai bilangan bulat positif.
weightDecay	number (float)		Nilai pembbusukan berat saat pengoptimal adalah 'sgd', 'adam', atau 'adamw'. Harus berupa float dalam kisaran[0, 1].
weightedLoss	integer (int32)		Penurunan tertimbang. Nilai yang diterima adalah 0 untuk tidak ada penurunan tertimbang. 1 untuk penurunan tertimbang dengan sqrt. (class_weights). 2 untuk penurunan berat badan dengan class_weights. Harus 0 atau 1 atau 2.

ImageModelSettingsObjectDetection

Objek

Pengaturan yang digunakan untuk melatih model. Untuk informasi lebih lanjut tentang pengaturan yang tersedia, silakan kunjungi dokumentasi resmi: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

Nama	Jenis	Nilai default	Deskripsi
advancedSettings	string		Pengaturan untuk skenario tingkat lanjut.
amsGradient	boolean		Aktifkan AMSGrad saat pengoptimal adalah 'adam' atau 'adamw'.
augmentations	string		Pengaturan untuk menggunakan Augmentasi.
beta1	number (float)		Nilai 'beta1' ketika pengoptimal adalah 'adam' atau 'adamw'. Harus berupa float dalam rentang [0, 1].
beta2	number (float)		Nilai 'beta2' ketika pengoptimal adalah 'adam' atau 'adamw'. Harus berupa float dalam rentang [0, 1].
boxDetectionsPerImage	integer (int32)		Jumlah maksimum deteksi per gambar, untuk semua kelas. Harus berupa nilai bilangan bulat positif. Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.
boxScoreThreshold	number (float)		Selama inferensi, hanya mengembalikan proposal dengan skor klasifikasi lebih besar dari BoxScoreThreshold. Harus berupa float dalam kisaran[0, 1].
checkpointFrequency	integer (int32)		Frekuensi untuk menyimpan titik pemeriksaan model. Harus berupa nilai bilangan bulat positif.
checkpointModel	MLFlowModelJobInput		Model titik pemeriksaan yang telah dilatih sebelumnya untuk pelatihan bertahap.
checkpointRunId	string		Id eksekusi sebelumnya yang memiliki titik pemeriksaan yang telah dilatih sebelumnya untuk pelatihan inkremental.
distributed	boolean		Apakah akan menggunakan pelatihan terdistribusi.
earlyStopping	boolean		Aktifkan logika penghentian awal selama pelatihan.
earlyStoppingDelay	integer (int32)		Jumlah minimum epoch atau evaluasi validasi yang harus menunggu sebelum peningkatan metrik primer dilacak untuk penghentian awal. Harus berupa nilai bilangan bulat positif.
earlyStoppingPatience	integer (int32)		Jumlah minimum epoch atau evaluasi validasi tanpa peningkatan metrik utama sebelum eksekusi dihentikan. Harus berupa nilai bilangan bulat positif.
enableOnnxNormalization	boolean		Aktifkan normalisasi saat mengekspor model ONNX.
evaluationFrequency	integer (int32)		Frekuensi untuk mengevaluasi himpunan data validasi untuk mendapatkan skor metrik. Harus berupa nilai bilangan bulat positif.
gradientAccumulationStep	integer (int32)		Akumulasi gradien berarti menjalankan sejumlah langkah "GradAccumulationStep" yang dikonfigurasi tanpa memperbarui bobot model saat mengakumulasi gradien langkah-langkah tersebut, lalu menggunakan gradien akumulasi untuk menghitung pembaruan bobot. Harus berupa nilai bilangan bulat positif.
imageSize	integer (int32)		Ukuran gambar untuk pelatihan dan validasi. Harus berupa nilai bilangan bulat positif. Catatan: Pelatihan yang dijalankan mungkin masuk ke CUDA OOM jika ukurannya terlalu besar. Catatan: Pengaturan ini hanya didukung untuk algoritma 'yolov5'.
layersToFreeze	integer (int32)		Jumlah lapisan yang akan dibekukan untuk model. Harus berupa nilai bilangan bulat positif. Misalnya, meneruskan 2 sebagai nilai untuk 'seresnext' berarti membekukan layer0 dan layer1. Untuk daftar lengkap model yang didukung dan detail tentang pembekuan lapisan, silakan lihat: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
learningRate	number (float)		Tingkat pembelajaran awal. Harus berupa float dalam rentang [0, 1].
learningRateScheduler	LearningRateScheduler	None	Enum penjadwal tingkat pembelajaran.
maxSize	integer (int32)		Ukuran maksimum gambar yang akan diskalakan ulang sebelum mengumpankannya ke tulang punggung. Harus berupa nilai bilangan bulat positif. Catatan: pelatihan yang dijalankan mungkin masuk ke CUDA OOM jika ukurannya terlalu besar. Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.
minSize	integer (int32)		Ukuran minimum gambar yang akan diskalakan ulang sebelum mengumpankannya ke tulang punggung. Harus berupa nilai bilangan bulat positif. Catatan: pelatihan yang dijalankan mungkin masuk ke CUDA OOM jika ukurannya terlalu besar. Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.
modelName	string		Nama model yang akan digunakan untuk pelatihan. Untuk informasi lebih lanjut tentang model yang tersedia, silakan kunjungi dokumentasi resmi: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
modelSize	ModelSize	None	Ukuran model gambar.
momentum	number (float)		Nilai momentum saat pengoptimal adalah 'sgd'. Harus berupa float dalam rentang [0, 1].
multiScale	boolean		Aktifkan gambar multi-skala dengan memvariasikan ukuran gambar sebesar +/- 50%. Catatan: pelatihan yang dijalankan mungkin masuk ke CUDA OOM jika tidak ada memori GPU yang memadai. Catatan: Pengaturan ini hanya didukung untuk algoritma 'yolov5'.
nesterov	boolean		Aktifkan nesterov saat pengoptimal adalah 'sgd'.
nmsIouThreshold	number (float)		Ambang batas IOU yang digunakan selama inferensi dalam pemrosesan pos NMS. Harus berupa float dalam rentang [0, 1].
numberOfEpochs	integer (int32)		Jumlah epoch pelatihan. Harus berupa nilai bilangan bulat positif.
numberOfWorkers	integer (int32)		Jumlah pekerja pemuat data. Harus bilangan bulat non-negatif.
optimizer	StochasticOptimizer	None	Pengoptimal stokastik untuk model gambar.
randomSeed	integer (int32)		Benih acak yang akan digunakan saat menggunakan pelatihan deterministik.
stepLRGamma	number (float)		Nilai gamma ketika penjadwal tingkat pembelajaran adalah 'langkah'. Harus berupa float dalam rentang [0, 1].
stepLRStepSize	integer (int32)		Nilai ukuran langkah saat penjadwal tingkat pembelajaran adalah 'langkah'. Harus berupa nilai bilangan bulat positif.
tileGridSize	string		Ukuran kisi yang digunakan untuk memilah setiap gambar. Catatan: TileGridSize tidak boleh None untuk mengaktifkan logika deteksi objek kecil. String yang berisi dua bilangan bulat dalam format mxn. Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.
tileOverlapRatio	number (float)		Rasio tumpang tindih antara petak peta yang berdekatan di setiap dimensi. Harus mengapung dalam kisaran [0, 1). Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.
tilePredictionsNmsThreshold	number (float)		Ambang batas IOU yang digunakan untuk melakukan NMS sambil menggabungkan prediksi dari petak peta dan gambar. Digunakan dalam validasi/inferensi. Harus mengapung dalam kisaran [0, 1]. Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.
trainingBatchSize	integer (int32)		Ukuran batch pelatihan. Harus berupa nilai bilangan bulat positif.
validationBatchSize	integer (int32)		Ukuran batch validasi. Harus berupa nilai bilangan bulat positif.
validationIouThreshold	number (float)		Ambang batas IOU untuk digunakan saat menghitung metrik validasi. Harus mengapung dalam kisaran [0, 1].
validationMetricType	ValidationMetricType	None	Metode komputasi metrik untuk digunakan untuk metrik validasi dalam tugas gambar.
warmupCosineLRCycles	number (float)		Nilai siklus kosinus saat penjadwal tingkat pembelajaran adalah 'warmup_cosine'. Harus berupa float dalam rentang [0, 1].
warmupCosineLRWarmupEpochs	integer (int32)		Nilai epoch pemanasan ketika penjadwal tingkat pembelajaran adalah 'warmup_cosine'. Harus berupa nilai bilangan bulat positif.
weightDecay	number (float)		Nilai pembbusukan berat saat pengoptimal adalah 'sgd', 'adam', atau 'adamw'. Harus berupa float dalam kisaran[0, 1].

ImageObjectDetection

Objek

Deteksi Objek Gambar. Deteksi objek digunakan untuk mengidentifikasi objek dalam gambar dan menemukan setiap objek dengan kotak pembatas misalnya menemukan semua anjing dan kucing dalam gambar dan menggambar kotak pembatas di sekitar masing-masing.

Nama	Jenis	Nilai default	Deskripsi
limitSettings	ImageLimitSettings		[Diperlukan] Batasi pengaturan untuk pekerjaan AutoML.
logVerbosity	LogVerbosity	Info	Enum untuk mengatur verbositas log.
modelSettings	ImageModelSettingsObjectDetection		Pengaturan yang digunakan untuk melatih model.
primaryMetric	ObjectDetectionPrimaryMetrics	MeanAveragePrecision	Metrik utama untuk tugas Image ObjectDetection.
searchSpace	ImageModelDistributionSettingsObjectDetection[]		Cari ruang untuk mengambil sampel berbagai kombinasi model dan hiperparameternya.
sweepSettings	ImageSweepSettings		Pembersihan model dan pengaturan terkait pembersihan hiperparameter.
targetColumnName	string		Nama kolom target: Ini adalah kolom nilai prediksi. Juga dikenal sebagai nama kolom label dalam konteks tugas klasifikasi.
taskType	string: ImageObjectDetection		[Diperlukan] Jenis tugas untuk AutoMLJob.
trainingData	MLTableJobInput		[Diperlukan] Input data pelatihan.
validationData	MLTableJobInput		Input data validasi.
validationDataSize	number (double)		Sebagian kecil himpunan data pelatihan yang perlu disisihkan untuk tujuan validasi. Nilai antara (0.0 , 1.0) Diterapkan saat himpunan data validasi tidak disediakan.

ImageSweepSettings

Objek

Pembersihan model dan pengaturan terkait pembersihan hiperparameter.

Nama	Jenis	Deskripsi
earlyTermination	EarlyTerminationPolicy: BanditPolicy MedianStoppingPolicy TruncationSelectionPolicy	Jenis kebijakan penghentian dini.
samplingAlgorithm	SamplingAlgorithmType	[Diperlukan] Jenis algoritma pengambilan sampel hyperparameter.

InputDeliveryMode

Enumerasi

Enum untuk menentukan mode pengiriman data input.

Nilai	Deskripsi
ReadOnlyMount
ReadWriteMount
Download
Direct
EvalMount
EvalDownload

InstanceSegmentationPrimaryMetrics

Enumerasi

Metrik utama untuk tugas InstanceSegmentation.

Nilai	Deskripsi
MeanAveragePrecision	Presisi Rata-rata Rata-Rata (MAP) adalah rata-rata AP (Presisi Rata-rata). AP dihitung untuk setiap kelas dan dirata-ratakan untuk mendapatkan MAP.

JobBase

Objek

Amplop sumber daya Azure Resource Manager.

Nama	Jenis	Deskripsi
id	string	ID sumber daya yang sepenuhnya memenuhi syarat untuk sumber daya. Misalnya - /subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/{resourceProviderNamespace}/{resourceType}/{resourceName}
name	string	Nama sumber daya.
properties	JobBaseProperties: AutoMLJob CommandJob PipelineJob SparkJob SweepJob	[Diperlukan] Atribut tambahan entitas.
systemData	systemData	Metadata Azure Resource Manager yang berisi informasi createBy dan modifiedBy.
type	string	Jenis sumber daya. Misalnya "Microsoft.Compute/virtualMachines" atau "Microsoft.Storage/storageAccounts"

JobInputType

Enumerasi

Enum untuk menentukan Jenis Input Pekerjaan.

Nilai	Deskripsi
literal
uri_file
uri_folder
mltable
custom_model
mlflow_model
triton_model

JobLimitsType

Enumerasi

Nilai	Deskripsi
Command
Sweep

JobOutputType

Enumerasi

Enum untuk menentukan Jenis Output Pekerjaan.

Nilai	Deskripsi
uri_file
uri_folder
mltable
custom_model
mlflow_model
triton_model

JobResourceConfiguration

Objek

Nama	Jenis	Nilai default	Deskripsi
dockerArgs	string		Argumen tambahan untuk diteruskan ke perintah jalankan Docker. Ini akan mengambil alih parameter apa pun yang telah ditetapkan oleh sistem, atau di bagian ini. Parameter ini hanya didukung untuk jenis komputasi Azure ML.
dockerArgsList	string[]		Argumen tambahan untuk diteruskan ke perintah jalankan Docker, sebagai koleksi. Ini akan mengambil alih parameter apa pun yang telah ditetapkan oleh sistem, atau di bagian ini. Parameter ini hanya didukung untuk jenis komputasi Azure ML.
instanceCount	integer (int32)	1	Jumlah instans atau simpul opsional yang digunakan oleh target komputasi.
instanceType	string		Jenis VM opsional yang digunakan sebagaimana didukung oleh target komputasi.
properties			Kantong properti tambahan.
shmSize	string pattern: \d+[bBkKmMgG]	2g	Ukuran blok memori bersama kontainer docker. Ini harus dalam format (angka)(unit) di mana jumlahnya lebih besar dari 0 dan unit dapat berupa salah satu b(byte), k(kilobyte), m(megabyte), atau g(gigabyte).

JobService

Objek

Definisi titik akhir pekerjaan

Nama	Jenis	Deskripsi
endpoint	string	Url untuk titik akhir.
errorMessage	string	Kesalahan apa pun dalam layanan.
jobServiceType	string	Jenis titik akhir.
nodes	Nodes: AllNodes	Simpul yang ingin digunakan pengguna untuk memulai layanan. Jika Node tidak diatur atau diatur ke null, layanan hanya akan dimulai pada simpul pemimpin.
port	integer (int32)	Port untuk titik akhir.
properties	object	Properti tambahan untuk diatur pada titik akhir.
status	string	Status titik akhir.

JobStatus

Enumerasi

Status pekerjaan.

Nilai	Deskripsi
NotStarted	Run belum dimulai.
Starting	Run telah dimulai. Pengguna memiliki ID eksekusi.
Provisioning	(Tidak digunakan saat ini) Ini akan digunakan jika ES membuat target komputasi.
Preparing	Lingkungan lari sedang disiapkan.
Queued	Pekerjaan diantri dalam target komputasi. Misalnya, di BatchAI, pekerjaan dalam status antrian, sambil menunggu semua simpul yang diperlukan siap.
Running	Pekerjaan mulai berjalan di target komputasi.
Finalizing	Pekerjaan selesai dalam target. Ini dalam status pengumpulan output sekarang.
CancelRequested	Pembatalan telah diminta untuk pekerjaan tersebut.
Completed	Pekerjaan berhasil diselesaikan. Hal ini mencerminkan bahwa pekerjaan itu sendiri dan status pengumpulan output berhasil diselesaikan
Failed	Pekerjaan gagal.
Canceled	Setelah permintaan pembatalan, pekerjaan sekarang berhasil dibatalkan.
NotResponding	Saat detak jantung diaktifkan, jika eksekusi tidak memperbarui informasi apa pun ke RunHistory maka eksekusi akan masuk ke status NotResponse. NotResponding adalah satu-satunya negara bagian yang dikecualikan dari perintah transisi yang ketat. Eksekusi dapat beralih dari NotResponding ke salah satu status sebelumnya.
Paused	Pekerjaan dijeda oleh pengguna. Beberapa penyesuaian pada pekerjaan pelabelan hanya dapat dilakukan dalam keadaan dijeda.
Unknown	Status pekerjaan default jika tidak dipetakan ke semua status lainnya

JobTier

Enumerasi

Enum untuk menentukan tingkat pekerjaan.

Nilai	Deskripsi
Null
Spot
Basic
Standard
Premium

JobType

Enumerasi

Enum untuk menentukan jenis pekerjaan.

Nilai	Deskripsi
AutoML
Command
Sweep
Pipeline
Spark

LearningRateScheduler

Enumerasi

Enum penjadwal tingkat pembelajaran.

Nilai	Deskripsi
None	Tidak ada penjadwal tingkat pembelajaran yang dipilih.
WarmupCosine	Anil kosinus dengan pemanasan.
Step	Penjadwal tingkat pembelajaran langkah.

LiteralJobInput

Objek

Jenis input literal.

Nama	Jenis	Deskripsi
description	string	Deskripsi untuk input.
jobInputType	string: literal	[Diperlukan] Menentukan jenis pekerjaan.
value	string minLength: 1 pattern: [a-zA-Z0-9_]	[Diperlukan] Nilai harfiah untuk input.

LogVerbosity

Enumerasi

Enum untuk mengatur verbositas log.

Nilai	Deskripsi
NotSet	Tidak ada log yang dipancarkan.
Debug	Debug dan pernyataan log di atas dicatat.
Info	Info dan pernyataan log di atas dicatat.
Warning	Pernyataan peringatan dan log di atas dicatat.
Error	Kesalahan dan pernyataan log di atas dicatat.
Critical	Hanya pernyataan penting yang dicatat.

ManagedIdentity

Objek

Konfigurasi identitas terkelola.

Nama	Jenis	Deskripsi
clientId	string (uuid)	Menentukan identitas yang ditetapkan pengguna berdasarkan ID klien. Untuk sistem yang ditetapkan, jangan atur bidang ini.
identityType	string: Managed	[Diperlukan] Menentukan jenis kerangka kerja identitas.
objectId	string (uuid)	Menentukan identitas yang ditetapkan pengguna menurut ID objek. Untuk sistem yang ditetapkan, jangan atur bidang ini.
resourceId	string	Menentukan identitas yang ditetapkan pengguna oleh ID sumber daya ARM. Untuk sistem yang ditetapkan, jangan atur bidang ini.

MedianStoppingPolicy

Objek

Menentukan kebijakan penghentian awal berdasarkan rata-rata berjalan metrik utama dari semua eksekusi

Nama	Jenis	Nilai default	Deskripsi
delayEvaluation	integer (int32)	0	Jumlah interval untuk menunda evaluasi pertama.
evaluationInterval	integer (int32)	0	Interval (jumlah eksekusi) antara evaluasi kebijakan.
policyType	string: MedianStopping		[Diperlukan] Nama konfigurasi kebijakan

MLFlowModelJobInput

Objek

Nama	Jenis	Nilai default	Deskripsi
description	string		Deskripsi untuk input.
jobInputType	string: mlflow_model		[Diperlukan] Menentukan jenis pekerjaan.
mode	InputDeliveryMode	ReadOnlyMount	Enum untuk menentukan mode pengiriman data input.
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[Diperlukan] URI Aset Input.

MLFlowModelJobOutput

Objek

Nama	Jenis	Nilai default	Deskripsi
assetName	string		Nama Aset Output.
description	string		Deskripsi untuk output.
jobOutputType	string: mlflow_model		[Diperlukan] Menentukan jenis pekerjaan.
mode	OutputDeliveryMode	ReadWriteMount	Enum mode pengiriman data keluaran.
uri	string		URI Aset Output.

MLTableJobInput

Objek

Nama	Jenis	Nilai default	Deskripsi
description	string		Deskripsi untuk input.
jobInputType	string: mltable		[Diperlukan] Menentukan jenis pekerjaan.
mode	InputDeliveryMode	ReadOnlyMount	Enum untuk menentukan mode pengiriman data input.
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[Diperlukan] URI Aset Input.

MLTableJobOutput

Objek

Nama	Jenis	Nilai default	Deskripsi
assetName	string		Nama Aset Output.
description	string		Deskripsi untuk output.
jobOutputType	string: mltable		[Diperlukan] Menentukan jenis pekerjaan.
mode	OutputDeliveryMode	ReadWriteMount	Enum mode pengiriman data keluaran.
uri	string		URI Aset Output.

ModelSize

Enumerasi

Ukuran model gambar.

Nilai	Deskripsi
None	Tidak ada nilai yang dipilih.
Small	Ukuran kecil.
Medium	Berukuran.
Large	Ukuran besar.
ExtraLarge	Ukuran ekstra besar.

Mpi

Objek

Konfigurasi distribusi MPI.

Nama	Jenis	Deskripsi
distributionType	string: Mpi	[Diperlukan] Menentukan jenis kerangka kerja distribusi.
processCountPerInstance	integer (int32)	Jumlah proses per node MPI.

NCrossValidationsMode

Enumerasi

Menentukan bagaimana nilai validasi N-Cross ditentukan.

Nilai	Deskripsi
Auto	Tentukan nilai validasi N-Cross secara otomatis. Hanya didukung untuk tugas AutoML 'Peramalan'.
Custom	Gunakan nilai validasi N-Cross kustom.

NlpVerticalFeaturizationSettings

Objek

Nama	Jenis	Deskripsi
datasetLanguage	string	Bahasa himpunan data, berguna untuk data teks.

NlpVerticalLimitSettings

Objek

Kendala eksekusi pekerjaan.

Nama	Jenis	Nilai default	Deskripsi
maxConcurrentTrials	integer (int32)	1	Perulangan AutoML Bersamaan Maksimum.
maxTrials	integer (int32)	1	Jumlah iterasi AutoML.
timeout	string (duration)	P7D	Batas waktu pekerjaan AutoML.

NodesValueType

Enumerasi

Jenis yang disebutkan untuk nilai simpul

Nilai	Deskripsi
All

NotificationSetting

Objek

Konfigurasi untuk pemberitahuan.

Nama	Jenis	Deskripsi
emailOn	EmailNotificationEnableType[]	Mengirim pemberitahuan email ke pengguna pada jenis pemberitahuan tertentu
emails	string[]	Ini adalah daftar penerima email yang memiliki batasan 499 karakter secara total concat dengan pemisah koma
webhooks	object	Kirim panggilan balik webhook ke layanan. Kunci adalah nama yang disediakan pengguna untuk webhook.

ObjectDetectionPrimaryMetrics

Enumerasi

Metrik utama untuk tugas Image ObjectDetection.

Nilai	Deskripsi
MeanAveragePrecision	Presisi Rata-rata Rata-Rata (MAP) adalah rata-rata AP (Presisi Rata-rata). AP dihitung untuk setiap kelas dan dirata-ratakan untuk mendapatkan MAP.

Objective

Objek

Tujuan pengoptimalan.

Nama	Jenis	Deskripsi
goal	Goal	[Diperlukan] Menentukan tujuan metrik yang didukung untuk penyetelan hiperparameter
primaryMetric	string minLength: 1 pattern: [a-zA-Z0-9_]	[Diperlukan] Nama metrik yang akan dioptimalkan.

OutputDeliveryMode

Enumerasi

Enum mode pengiriman data keluaran.

Nilai	Deskripsi
ReadWriteMount
Upload
Direct

PipelineJob

Objek

Definisi Pekerjaan Alur: mendefinisikan atribut generik untuk MFE.

Nama	Jenis	Nilai default	Deskripsi
componentId	string		ID sumber daya ARM dari sumber daya komponen.
computeId	string		ID sumber daya ARM dari sumber daya komputasi.
description	string		Teks deskripsi aset.
displayName	string		Tampilkan nama pekerjaan.
experimentName	string	Default	Nama eksperimen tempat pekerjaan berada. Jika tidak diatur, pekerjaan ditempatkan dalam eksperimen "Default".
identity	IdentityConfiguration: AmlToken ManagedIdentity UserIdentity		Konfigurasi identitas. Jika diatur, ini harus menjadi salah satu AmlToken, ManagedIdentity, UserIdentity, atau null. Default ke AmlToken jika null.
inputs	object		Input untuk pekerjaan alur.
isArchived	boolean	False	Apakah aset diarsipkan?
jobType	string: Pipeline		[Diperlukan] Menentukan jenis pekerjaan.
jobs			Pekerjaan membangun Pekerjaan Alur.
notificationSetting	NotificationSetting		Pengaturan pemberitahuan untuk pekerjaan
outputs	object		Output untuk pekerjaan alur
properties	object		Kamus properti aset.
services	<string,  JobService>		Daftar JobEndpoints. Untuk pekerjaan lokal, titik akhir pekerjaan akan memiliki nilai titik akhir FileStreamObject.
settings			Pengaturan alur, untuk hal-hal seperti ContinueRunOnStepFailure dll.
sourceJobId	string		ID sumber daya ARM dari pekerjaan sumber.
status	JobStatus		Status pekerjaan.
tags	object		Kamus tag. Tag dapat ditambahkan, dihapus, dan diperbarui.

PyTorch

Objek

Konfigurasi distribusi PyTorch.

Nama	Jenis	Deskripsi
distributionType	string: PyTorch	[Diperlukan] Menentukan jenis kerangka kerja distribusi.
processCountPerInstance	integer (int32)	Jumlah proses per simpul.

QueueSettings

Objek

Nama	Jenis	Nilai default	Deskripsi
jobTier	JobTier	Null	Enum untuk menentukan tingkat pekerjaan.

RandomSamplingAlgorithm

Objek

Mendefinisikan Algoritma Pengambilan Sampel yang menghasilkan nilai secara acak

Nama	Jenis	Nilai default	Deskripsi
rule	RandomSamplingAlgorithmRule	Random	Jenis algoritma acak tertentu
samplingAlgorithmType	string: Random		[Diperlukan] Algoritma yang digunakan untuk menghasilkan nilai hiperparameter, bersama dengan properti konfigurasi
seed	integer (int32)		Bilangan bulat opsional untuk digunakan sebagai seed untuk pembuatan angka acak

RandomSamplingAlgorithmRule

Enumerasi

Jenis algoritma acak tertentu

Nilai	Deskripsi
Random
Sobol

Regression

Objek

Tugas regresi di vertikal Tabel AutoML.

Nama	Jenis	Nilai default	Deskripsi
cvSplitColumnNames	string[]		Kolom yang digunakan untuk data CVSplit.
featurizationSettings	TableVerticalFeaturizationSettings		Input fiturisasi diperlukan untuk pekerjaan AutoML.
limitSettings	TableVerticalLimitSettings		Batasan eksekusi untuk AutoMLJob.
logVerbosity	LogVerbosity	Info	Enum untuk mengatur verbositas log.
nCrossValidations	NCrossValidations: AutoNCrossValidations CustomNCrossValidations		Jumlah lipatan validasi silang yang akan diterapkan pada himpunan data pelatihan ketika himpunan data validasi tidak disediakan.
primaryMetric	RegressionPrimaryMetrics	NormalizedRootMeanSquaredError	Metrik utama untuk tugas Regresi.
targetColumnName	string		Nama kolom target: Ini adalah kolom nilai prediksi. Juga dikenal sebagai nama kolom label dalam konteks tugas klasifikasi.
taskType	string: Regression		[Diperlukan] Jenis tugas untuk AutoMLJob.
testData	MLTableJobInput		Menguji input data.
testDataSize	number (double)		Pecahan himpunan data pengujian yang perlu disisihkan untuk tujuan validasi. Nilai antara (0.0 , 1.0) Diterapkan saat himpunan data validasi tidak disediakan.
trainingData	MLTableJobInput		[Diperlukan] Input data pelatihan.
trainingSettings	RegressionTrainingSettings		Input untuk fase pelatihan untuk Pekerjaan AutoML.
validationData	MLTableJobInput		Input data validasi.
validationDataSize	number (double)		Sebagian kecil himpunan data pelatihan yang perlu disisihkan untuk tujuan validasi. Nilai antara (0.0 , 1.0) Diterapkan saat himpunan data validasi tidak disediakan.
weightColumnName	string		Nama kolom berat sampel. ML otomatis mendukung kolom tertimbang sebagai input, menyebabkan baris dalam data ditimbang ke atas atau ke bawah.

RegressionModels

Enumerasi

Enum untuk semua model Regresi yang didukung oleh AutoML.

Nilai	Deskripsi
ElasticNet	Jaring elastis adalah jenis regresi linier teratur populer yang menggabungkan dua penalti populer, khususnya fungsi penalti L1 dan L2.
GradientBoosting	Teknik mengalihkan pelajar minggu menjadi pembelajar yang kuat disebut Boosting. Proses algoritma peningkatan gradien bekerja pada teori eksekusi ini.
DecisionTree	Decision Tree adalah metode pembelajaran yang diawasi non-parametrik yang digunakan untuk tugas klasifikasi dan regresi. Tujuannya adalah untuk membuat model yang memprediksi nilai variabel target dengan mempelajari aturan keputusan sederhana yang disimpulkan dari fitur data.
KNN	Algoritma K-nearest neighbors (KNN) menggunakan 'kesamaan fitur' untuk memprediksi nilai titik data baru yang selanjutnya berarti bahwa titik data baru akan diberi nilai berdasarkan seberapa dekat titik tersebut cocok dengan poin dalam set pelatihan.
LassoLars	Model laso cocok dengan Regresi Sudut Terkecil alias Lars. Ini adalah Model Linear yang dilatih dengan L1 sebelumnya sebagai regularizer.
SGD	SGD: Stochastic gradient descent adalah algoritme pengoptimalan yang sering digunakan dalam aplikasi pembelajaran mesin untuk menemukan parameter model yang sesuai dengan kecocokan antara output yang diprediksi dan aktual. Ini adalah teknik yang tidak tepat tetapi kuat.
RandomForest	Random forest adalah algoritma pembelajaran yang diawasi. "Hutan" yang dibangunnya, adalah ansambel pohon keputusan, biasanya dilatih dengan metode "mengantongi". Ide umum dari metode pengantongan adalah bahwa kombinasi model pembelajaran meningkatkan hasil keseluruhan.
ExtremeRandomTrees	Extreme Trees adalah algoritme pembelajaran mesin ansambel yang menggabungkan prediksi dari banyak pohon keputusan. Ini terkait dengan algoritma hutan acak yang banyak digunakan.
LightGBM	LightGBM adalah kerangka kerja penambah gradien yang menggunakan algoritma pembelajaran berbasis pohon.
XGBoostRegressor	XGBoostRegressor: Extreme Gradient Boosting Regressor adalah model pembelajaran mesin yang diawasi menggunakan ansambel pelajar dasar.

RegressionPrimaryMetrics

Enumerasi

Metrik utama untuk tugas Regresi.

Nilai	Deskripsi
SpearmanCorrelation	Koefisien korelasi peringkat Spearman adalah ukuran nonparametrik korelasi peringkat.
NormalizedRootMeanSquaredError	Normalized Root Mean Squared Error (NRMSE) RMSE memfasilitasi perbandingan antara model dengan skala yang berbeda.
R2Score	Skor R2 adalah salah satu ukuran evaluasi kinerja untuk model pembelajaran mesin berbasis perkiraan.
NormalizedMeanAbsoluteError	Normalized Mean Absolute Error (NMAE) adalah metrik validasi untuk membandingkan Mean Absolute Error (MAE) dari deret (waktu) dengan skala yang berbeda.

RegressionTrainingSettings

Objek

Konfigurasi terkait Pelatihan Regresi.

Nama	Jenis	Nilai default	Deskripsi
allowedTrainingAlgorithms	RegressionModels[]		Model yang diizinkan untuk tugas regresi.
blockedTrainingAlgorithms	RegressionModels[]		Model yang diblokir untuk tugas regresi.
enableDnnTraining	boolean	False	Aktifkan rekomendasi model DNN.
enableModelExplainability	boolean	True	Bendera untuk mengaktifkan kemampuan penjelasan pada model terbaik.
enableOnnxCompatibleModels	boolean	False	Bendera untuk mengaktifkan model yang kompatibel dengan onnx.
enableStackEnsemble	boolean	True	Aktifkan eksekusi ansambel tumpukan.
enableVoteEnsemble	boolean	True	Aktifkan eksekusi ansambel pemungutan suara.
ensembleModelDownloadTimeout	string (duration)	PT5M	Selama pembuatan model VotingEnsemble dan StackEnsemble, beberapa model yang dipasang dari eksekusi anak sebelumnya diunduh. Konfigurasikan parameter ini dengan nilai yang lebih tinggi dari 300 detik, jika diperlukan lebih banyak waktu.
stackEnsembleSettings	StackEnsembleSettings		Pengaturan ansambel tumpukan untuk eksekusi ansambel tumpukan.

SamplingAlgorithmType

Enumerasi

Nilai	Deskripsi
Grid
Random
Bayesian

SeasonalityMode

Enumerasi

Perkiraan mode musiman.

Nilai	Deskripsi
Auto	Musiman akan ditentukan secara otomatis.
Custom	Gunakan nilai musiman kustom.

ShortSeriesHandlingConfiguration

Enumerasi

Parameter yang menentukan bagaimana jika AutoML harus menangani rangkaian waktu singkat.

Nilai	Deskripsi
None	Mewakili nilai no/null.
Auto	Seri pendek akan dilapisi jika tidak ada seri panjang, jika tidak, seri pendek akan dijatuhkan.
Pad	Semua seri pendek akan dilapisi.
Drop	Semua seri pendek akan dijatuhkan.

SparkJob

Objek

Definisi pekerjaan percikan.

Nama	Jenis	Nilai default	Deskripsi
archives	string[]		Arsipkan file yang digunakan dalam pekerjaan.
args	string		Argumen untuk pekerjaan tersebut.
codeId	string (arm-id) minLength: 1 pattern: [a-zA-Z0-9_]		[Wajib] arm-id aset kode.
componentId	string		ID sumber daya ARM dari sumber daya komponen.
computeId	string		ID sumber daya ARM dari sumber daya komputasi.
conf	object		Properti yang dikonfigurasi Spark.
description	string		Teks deskripsi aset.
displayName	string		Tampilkan nama pekerjaan.
entry	SparkJobEntry: SparkJobPythonEntry SparkJobScalaEntry		[Diperlukan] Entri yang akan dijalankan pada startup pekerjaan.
environmentId	string (arm-id)		ID sumber daya ARM dari spesifikasi Lingkungan untuk pekerjaan tersebut.
environmentVariables	object		Variabel lingkungan yang disertakan dalam pekerjaan.
experimentName	string	Default	Nama eksperimen tempat pekerjaan berada. Jika tidak diatur, pekerjaan ditempatkan dalam eksperimen "Default".
files	string[]		File yang digunakan dalam pekerjaan.
identity	IdentityConfiguration: AmlToken ManagedIdentity UserIdentity		Konfigurasi identitas. Jika diatur, ini harus menjadi salah satu AmlToken, ManagedIdentity, UserIdentity, atau null. Default ke AmlToken jika null.
inputs	object		Pemetaan pengikatan data input yang digunakan dalam pekerjaan.
isArchived	boolean	False	Apakah aset diarsipkan?
jars	string[]		File jar yang digunakan dalam pekerjaan.
jobType	string: Spark		[Diperlukan] Menentukan jenis pekerjaan.
notificationSetting	NotificationSetting		Pengaturan pemberitahuan untuk pekerjaan
outputs	object		Pemetaan pengikatan data output yang digunakan dalam pekerjaan.
properties	object		Kamus properti aset.
pyFiles	string[]		File Python yang digunakan dalam pekerjaan.
queueSettings	QueueSettings		Pengaturan antrean untuk pekerjaan
resources	SparkResourceConfiguration		Konfigurasi Sumber Daya Komputasi untuk pekerjaan tersebut.
services	<string,  JobService>		Daftar JobEndpoints. Untuk pekerjaan lokal, titik akhir pekerjaan akan memiliki nilai titik akhir FileStreamObject.
status	JobStatus		Status pekerjaan.
tags	object		Kamus tag. Tag dapat ditambahkan, dihapus, dan diperbarui.

SparkJobEntryType

Enumerasi

Nilai	Deskripsi
SparkJobPythonEntry
SparkJobScalaEntry

SparkJobPythonEntry

Objek

Nama	Jenis	Deskripsi
file	string minLength: 1 pattern: [a-zA-Z0-9_]	[Diperlukan] Jalur file python relatif untuk titik entri pekerjaan.
sparkJobEntryType	string: SparkJobPythonEntry	[Diperlukan] Jenis titik masuk pekerjaan.

SparkJobScalaEntry

Objek

Nama	Jenis	Deskripsi
className	string minLength: 1 pattern: [a-zA-Z0-9_]	[Diperlukan] Nama kelas Scala digunakan sebagai titik masuk.
sparkJobEntryType	string: SparkJobScalaEntry	[Diperlukan] Jenis titik masuk pekerjaan.

SparkResourceConfiguration

Objek

Nama	Jenis	Nilai default	Deskripsi
instanceType	string		Jenis VM opsional yang digunakan sebagaimana didukung oleh target komputasi.
runtimeVersion	string	3.1	Versi runtime spark yang digunakan untuk pekerjaan tersebut.

StackEnsembleSettings

Objek

Pengaturan lanjutan untuk menyesuaikan eksekusi StackEnsemble.

Nama	Jenis	Nilai default	Deskripsi
stackMetaLearnerKWargs			Parameter opsional untuk diteruskan ke penginisialisasi meta-learner.
stackMetaLearnerTrainPercentage	number (double)	0.2	Menentukan proporsi set pelatihan (saat memilih pelatihan dan jenis pelatihan validasi) yang akan dicadangkan untuk melatih meta-learner. Nilai defaultnya adalah 0,2.
stackMetaLearnerType	StackMetaLearnerType	None	Meta-learner adalah model yang dilatih pada output dari model heterogen individu.\r\nPembelajar meta default adalah LogisticRegression untuk tugas klasifikasi (atau LogisticRegressionCV jika validasi silang diaktifkan) dan ElasticNet untuk tugas regresi/perkiraan (atau ElasticNetCV jika validasi silang diaktifkan).\r\nParameter ini dapat berupa salah satu string berikut: LogisticRegression, LogisticRegressionCV, LightGBMClassifier, ElasticNet, ElasticNetCV, LightGBMRegressor, atau LinearRegression

StackMetaLearnerType

Enumerasi

Meta-learner adalah model yang dilatih pada output dari model heterogen individu.\r\nPembelajar meta default adalah LogisticRegression untuk tugas klasifikasi (atau LogisticRegressionCV jika validasi silang diaktifkan) dan ElasticNet untuk tugas regresi/perkiraan (atau ElasticNetCV jika validasi silang diaktifkan).\r\nParameter ini dapat berupa salah satu string berikut: LogisticRegression, LogisticRegressionCV, LightGBMClassifier, ElasticNet, ElasticNetCV, LightGBMRegressor, atau LinearRegression

Nilai	Deskripsi
None
LogisticRegression	Pembelajar meta default adalah LogisticRegression untuk tugas klasifikasi.
LogisticRegressionCV	Pembelajar meta default adalah LogisticRegression untuk tugas klasifikasi saat CV aktif.
LightGBMClassifier
ElasticNet	Pembelajar meta default adalah LogisticRegression untuk tugas regresi.
ElasticNetCV	Pembelajar meta default adalah LogisticRegression untuk tugas regresi saat CV aktif.
LightGBMRegressor
LinearRegression

StochasticOptimizer

Enumerasi

Pengoptimal stokastik untuk model gambar.

Nilai	Deskripsi
None	Tidak ada pengoptimal yang dipilih.
Sgd	Pengoptimal Penurunan Gradien Stokastik.
Adam	Adam adalah algoritma yang mengoptimalkan fungsi objektif stokastik berdasarkan perkiraan momen adaptif
Adamw	AdamW adalah varian dari pengoptimal Adam yang memiliki implementasi peluruhan berat badan yang lebih baik.

SweepJob

Objek

Definisi pekerjaan sapu.

Nama	Jenis	Nilai default	Deskripsi
componentId	string		ID sumber daya ARM dari sumber daya komponen.
computeId	string		ID sumber daya ARM dari sumber daya komputasi.
description	string		Teks deskripsi aset.
displayName	string		Tampilkan nama pekerjaan.
earlyTermination	EarlyTerminationPolicy: BanditPolicy MedianStoppingPolicy TruncationSelectionPolicy		Kebijakan penghentian dini memungkinkan pembatalan eksekusi berkinerja buruk sebelum selesai
experimentName	string	Default	Nama eksperimen tempat pekerjaan berada. Jika tidak diatur, pekerjaan ditempatkan dalam eksperimen "Default".
identity	IdentityConfiguration: AmlToken ManagedIdentity UserIdentity		Konfigurasi identitas. Jika diatur, ini harus menjadi salah satu AmlToken, ManagedIdentity, UserIdentity, atau null. Default ke AmlToken jika null.
inputs	object		Pemetaan pengikatan data input yang digunakan dalam pekerjaan.
isArchived	boolean	False	Apakah aset diarsipkan?
jobType	string: Sweep		[Diperlukan] Menentukan jenis pekerjaan.
limits	SweepJobLimits		Batas Pekerjaan Pembersihan.
notificationSetting	NotificationSetting		Pengaturan pemberitahuan untuk pekerjaan
objective	Objective		[Diperlukan] Tujuan pengoptimalan.
outputs	object		Pemetaan pengikatan data output yang digunakan dalam pekerjaan.
properties	object		Kamus properti aset.
queueSettings	QueueSettings		Pengaturan antrean untuk pekerjaan
samplingAlgorithm	SamplingAlgorithm: BayesianSamplingAlgorithm GridSamplingAlgorithm RandomSamplingAlgorithm		[Diperlukan] Algoritma pengambilan sampel hiperparameter
searchSpace			[Diperlukan] Kamus yang berisi setiap parameter dan distribusinya. Kunci kamus adalah nama parameter
services	<string,  JobService>		Daftar JobEndpoints. Untuk pekerjaan lokal, titik akhir pekerjaan akan memiliki nilai titik akhir FileStreamObject.
status	JobStatus		Status pekerjaan.
tags	object		Kamus tag. Tag dapat ditambahkan, dihapus, dan diperbarui.
trial	TrialComponent		[Diperlukan] Definisi komponen uji coba.

SweepJobLimits

Objek

Kelas batas pekerjaan Sapuan.

Nama	Jenis	Deskripsi
jobLimitsType	string: Sweep	[Diperlukan] Jenis JobLimit.
maxConcurrentTrials	integer (int32)	Sweep Job maks uji coba bersamaan.
maxTotalTrials	integer (int32)	Uji coba total maksimum Sweep Job.
timeout	string (duration)	Durasi eksekusi maksimum dalam format ISO 8601, setelah itu pekerjaan akan dibatalkan. Hanya mendukung durasi dengan presisi serendah Detik.
trialTimeout	string (duration)	Nilai batas waktu Uji Coba Pekerjaan Pembersihan.

systemData

Objek

Metadata yang berkaitan dengan pembuatan dan modifikasi terakhir sumber daya.

Nama	Jenis	Deskripsi
createdAt	string (date-time)	Tanda waktu pembuatan sumber daya (UTC).
createdBy	string	Identitas yang membuat sumber daya.
createdByType	createdByType	Jenis identitas yang membuat sumber daya.
lastModifiedAt	string (date-time)	Stempel waktu modifikasi terakhir sumber daya (UTC)
lastModifiedBy	string	Identitas yang terakhir mengubah sumber daya.
lastModifiedByType	createdByType	Jenis identitas yang terakhir memodifikasi sumber daya.

TableVerticalFeaturizationSettings

Objek

Konfigurasi Fiturisasi.

Nama	Jenis	Nilai default	Deskripsi
blockedTransformers	BlockedTransformers[]		Transformator ini tidak boleh digunakan dalam fiturisasi.
columnNameAndTypes	object		Kamus nama kolom dan jenisnya (int, float, string, datetime dll).
datasetLanguage	string		Bahasa himpunan data, berguna untuk data teks.
enableDnnFeaturization	boolean	False	Menentukan apakah akan menggunakan fiturizer berbasis Dnn untuk fiturisasi data.
mode	FeaturizationMode	Auto	Mode fiturisasi - Pengguna dapat menyimpan mode 'Otomatis' default dan AutoML akan mengurus transformasi data yang diperlukan dalam fase fiturisasi. Jika 'Nonaktif' dipilih, maka tidak ada fiturisasi yang dilakukan. Jika 'Kustom' dipilih, maka pengguna dapat menentukan input tambahan untuk menyesuaikan bagaimana fiturisasi dilakukan.
transformerParams	object		Pengguna dapat menentukan transformator tambahan yang akan digunakan bersama dengan kolom yang akan diterapkan dan parameter untuk konstruktor transformator.

TableVerticalLimitSettings

Objek

Kendala eksekusi pekerjaan.

Nama	Jenis	Nilai default	Deskripsi
enableEarlyTermination	boolean	True	Mengaktifkan penghentian dini, menentukan apakah AutoMLJob akan berakhir lebih awal atau tidak jika tidak ada peningkatan skor dalam 20 perulangan terakhir.
exitScore	number (double)		Skor keluar untuk pekerjaan AutoML.
maxConcurrentTrials	integer (int32)	1	Perulangan Bersamaan Maksimum.
maxCoresPerTrial	integer (int32)	-1	Core maks per iterasi.
maxTrials	integer (int32)	1000	Jumlah perulangan.
timeout	string (duration)	PT6H	Batas waktu pekerjaan AutoML.
trialTimeout	string (duration)	PT30M	Batas waktu perulangan.

TargetAggregationFunction

Enumerasi

Target fungsi agregat.

Nilai	Deskripsi
None	Mewakili tidak ada set nilai.
Sum
Max
Min
Mean

TargetLagsMode

Enumerasi

Mode pemilihan kelambatan target.

Nilai	Deskripsi
Auto	Target lag akan ditentukan secara otomatis.
Custom	Gunakan kelambatan target kustom.

TargetRollingWindowSizeMode

Enumerasi

Target mode ukuran jendela bergulir.

Nilai	Deskripsi
Auto	Tentukan ukuran jendela bergulir secara otomatis.
Custom	Gunakan ukuran jendela bergulir yang ditentukan.

TaskType

Enumerasi

Jenis tugas AutoMLJob.

Nilai	Deskripsi
Classification	Klasifikasi dalam pembelajaran mesin dan statistik adalah pendekatan pembelajaran yang diawasi di mana program komputer belajar dari data yang diberikan kepadanya dan membuat pengamatan atau klasifikasi baru.
Regression	Regresi berarti memprediksi nilai menggunakan data input. Model regresi digunakan untuk memprediksi nilai kontinu.
Forecasting	Peramalan adalah jenis tugas regresi khusus yang berhubungan dengan data deret waktu dan membuat model peramalan yang dapat digunakan untuk memprediksi nilai masa depan dalam waktu dekat berdasarkan input.
ImageClassification	Klasifikasi Gambar. Klasifikasi gambar multi-kelas digunakan ketika gambar diklasifikasikan hanya dengan satu label dari sekumpulan kelas - misalnya setiap gambar diklasifikasikan sebagai gambar 'kucing' atau 'anjing' atau 'bebek'.
ImageClassificationMultilabel	Klasifikasi Gambar Multilabel. Klasifikasi gambar multi-label digunakan ketika gambar dapat memiliki satu atau lebih label dari sekumpulan label - misalnya gambar dapat diberi label dengan 'kucing' dan 'anjing'.
ImageObjectDetection	Deteksi Objek Gambar. Deteksi objek digunakan untuk mengidentifikasi objek dalam gambar dan menemukan setiap objek dengan kotak pembatas misalnya menemukan semua anjing dan kucing dalam gambar dan menggambar kotak pembatas di sekitar masing-masing.
ImageInstanceSegmentation	Segmentasi Instans Gambar. Segmentasi instans digunakan untuk mengidentifikasi objek dalam gambar pada tingkat piksel, menggambar poligon di sekitar setiap objek dalam gambar.
TextClassification	Klasifikasi teks (juga dikenal sebagai penandaan teks atau kategorisasi teks) adalah proses penyortiran teks ke dalam kategori. Kategori saling eksklusif.
TextClassificationMultilabel	Tugas klasifikasi multilabel menetapkan setiap sampel ke grup (nol atau lebih) label target.
TextNER	Teks Bernama Pengenalan Entitas alias TextNER. Pengenalan Entitas Bernama (NER) adalah kemampuan untuk mengambil teks bentuk bebas dan mengidentifikasi kemunculan entitas seperti orang, lokasi, organisasi, dan lainnya.

TensorFlow

Objek

Konfigurasi distribusi TensorFlow.

Nama	Jenis	Nilai default	Deskripsi
distributionType	string: TensorFlow		[Diperlukan] Menentukan jenis kerangka kerja distribusi.
parameterServerCount	integer (int32)	0	Jumlah tugas server parameter.
workerCount	integer (int32)		Jumlah pekerja. Jika tidak ditentukan, akan default ke jumlah instans.

TextClassification

Objek

Tugas Klasifikasi Teks di vertikal AutoML NLP. NLP - Pemrosesan Bahasa Alami.

Nama	Jenis	Nilai default	Deskripsi
featurizationSettings	NlpVerticalFeaturizationSettings		Input fiturisasi diperlukan untuk pekerjaan AutoML.
limitSettings	NlpVerticalLimitSettings		Batasan eksekusi untuk AutoMLJob.
logVerbosity	LogVerbosity	Info	Enum untuk mengatur verbositas log.
primaryMetric	ClassificationPrimaryMetrics	Accuracy	Metrik utama untuk tugas klasifikasi.
targetColumnName	string		Nama kolom target: Ini adalah kolom nilai prediksi. Juga dikenal sebagai nama kolom label dalam konteks tugas klasifikasi.
taskType	string: TextClassification		[Diperlukan] Jenis tugas untuk AutoMLJob.
trainingData	MLTableJobInput		[Diperlukan] Input data pelatihan.
validationData	MLTableJobInput		Input data validasi.

TextClassificationMultilabel

Objek

Tugas Multilabel Klasifikasi Teks di vertikal AutoML NLP. NLP - Pemrosesan Bahasa Alami.

Nama	Jenis	Nilai default	Deskripsi
featurizationSettings	NlpVerticalFeaturizationSettings		Input fiturisasi diperlukan untuk pekerjaan AutoML.
limitSettings	NlpVerticalLimitSettings		Batasan eksekusi untuk AutoMLJob.
logVerbosity	LogVerbosity	Info	Enum untuk mengatur verbositas log.
primaryMetric	ClassificationMultilabelPrimaryMetrics		Metrik utama untuk tugasClassification-Multilabel Teks. Saat ini hanya Akurasi yang didukung sebagai metrik utama, oleh karena itu pengguna tidak perlu mengaturnya secara eksplisit.
targetColumnName	string		Nama kolom target: Ini adalah kolom nilai prediksi. Juga dikenal sebagai nama kolom label dalam konteks tugas klasifikasi.
taskType	string: TextClassificationMultilabel		[Diperlukan] Jenis tugas untuk AutoMLJob.
trainingData	MLTableJobInput		[Diperlukan] Input data pelatihan.
validationData	MLTableJobInput		Input data validasi.

TextNer

Objek

Text-NER tugas di vertikal AutoML NLP. NER - Pengakuan Entitas Bernama. NLP - Pemrosesan Bahasa Alami.

Nama	Jenis	Nilai default	Deskripsi
featurizationSettings	NlpVerticalFeaturizationSettings		Input fiturisasi diperlukan untuk pekerjaan AutoML.
limitSettings	NlpVerticalLimitSettings		Batasan eksekusi untuk AutoMLJob.
logVerbosity	LogVerbosity	Info	Enum untuk mengatur verbositas log.
primaryMetric	ClassificationPrimaryMetrics		Metrik utama untuk tugas Text-NER. Hanya 'Akurasi' yang didukung untuk Text-NER, jadi pengguna tidak perlu mengaturnya secara eksplisit.
targetColumnName	string		Nama kolom target: Ini adalah kolom nilai prediksi. Juga dikenal sebagai nama kolom label dalam konteks tugas klasifikasi.
taskType	string: TextNER		[Diperlukan] Jenis tugas untuk AutoMLJob.
trainingData	MLTableJobInput		[Diperlukan] Input data pelatihan.
validationData	MLTableJobInput		Input data validasi.

TrialComponent

Objek

Definisi komponen uji coba.

Nama	Jenis	Deskripsi
codeId	string	ID sumber daya ARM dari aset kode.
command	string minLength: 1 pattern: [a-zA-Z0-9_]	[Diperlukan] Perintah untuk dijalankan pada startup pekerjaan. eg. "train.py Python"
distribution	DistributionConfiguration: Mpi PyTorch TensorFlow	Konfigurasi distribusi pekerjaan. Jika diatur, ini harus menjadi salah satu Mpi, Tensorflow, PyTorch, atau null.
environmentId	string minLength: 1 pattern: [a-zA-Z0-9_]	[Diperlukan] ID sumber daya ARM dari spesifikasi Lingkungan untuk pekerjaan tersebut.
environmentVariables	object	Variabel lingkungan yang disertakan dalam pekerjaan.
resources	JobResourceConfiguration	Konfigurasi Sumber Daya Komputasi untuk pekerjaan tersebut.

TritonModelJobInput

Objek

Nama	Jenis	Nilai default	Deskripsi
description	string		Deskripsi untuk input.
jobInputType	string: triton_model		[Diperlukan] Menentukan jenis pekerjaan.
mode	InputDeliveryMode	ReadOnlyMount	Enum untuk menentukan mode pengiriman data input.
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[Diperlukan] URI Aset Input.

TritonModelJobOutput

Objek

Nama	Jenis	Nilai default	Deskripsi
assetName	string		Nama Aset Output.
description	string		Deskripsi untuk output.
jobOutputType	string: triton_model		[Diperlukan] Menentukan jenis pekerjaan.
mode	OutputDeliveryMode	ReadWriteMount	Enum mode pengiriman data keluaran.
uri	string		URI Aset Output.

TruncationSelectionPolicy

Objek

Menentukan kebijakan penghentian awal yang membatalkan persentase eksekusi tertentu pada setiap interval evaluasi.

Nama	Jenis	Nilai default	Deskripsi
delayEvaluation	integer (int32)	0	Jumlah interval untuk menunda evaluasi pertama.
evaluationInterval	integer (int32)	0	Interval (jumlah eksekusi) antara evaluasi kebijakan.
policyType	string: TruncationSelection		[Diperlukan] Nama konfigurasi kebijakan
truncationPercentage	integer (int32)	0	Persentase eksekusi untuk dibatalkan pada setiap interval evaluasi.

UriFileJobInput

Objek

Nama	Jenis	Nilai default	Deskripsi
description	string		Deskripsi untuk input.
jobInputType	string: uri_file		[Diperlukan] Menentukan jenis pekerjaan.
mode	InputDeliveryMode	ReadOnlyMount	Enum untuk menentukan mode pengiriman data input.
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[Diperlukan] URI Aset Input.

UriFileJobOutput

Objek

Nama	Jenis	Nilai default	Deskripsi
assetName	string		Nama Aset Output.
description	string		Deskripsi untuk output.
jobOutputType	string: uri_file		[Diperlukan] Menentukan jenis pekerjaan.
mode	OutputDeliveryMode	ReadWriteMount	Enum mode pengiriman data keluaran.
uri	string		URI Aset Output.

UriFolderJobInput

Objek

Nama	Jenis	Nilai default	Deskripsi
description	string		Deskripsi untuk input.
jobInputType	string: uri_folder		[Diperlukan] Menentukan jenis pekerjaan.
mode	InputDeliveryMode	ReadOnlyMount	Enum untuk menentukan mode pengiriman data input.
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[Diperlukan] URI Aset Input.

UriFolderJobOutput

Objek

Nama	Jenis	Nilai default	Deskripsi
assetName	string		Nama Aset Output.
description	string		Deskripsi untuk output.
jobOutputType	string: uri_folder		[Diperlukan] Menentukan jenis pekerjaan.
mode	OutputDeliveryMode	ReadWriteMount	Enum mode pengiriman data keluaran.
uri	string		URI Aset Output.

UserIdentity

Objek

Konfigurasi identitas pengguna.

Nama	Jenis	Deskripsi
identityType	string: UserIdentity	[Diperlukan] Menentukan jenis kerangka kerja identitas.

UseStl

Enumerasi

Mengonfigurasi Dekomposisi STL dari kolom target rangkaian waktu.

Nilai	Deskripsi
None	Tidak ada dekomposisi stl.
Season
SeasonTrend

ValidationMetricType

Enumerasi

Metode komputasi metrik untuk digunakan untuk metrik validasi dalam tugas gambar.

Nilai	Deskripsi
None	Tidak ada metrik.
Coco	Metrik kelapa.
Voc	Metrik voc.
CocoVoc	Metrik CocoVoc.

WebhookType

Enumerasi

Enum untuk menentukan jenis layanan panggilan balik webhook.

Nilai	Deskripsi
AzureDevOps