Informazioni su Machine Learning Server o R Server autonomo in SQL Server
Si applica a: 
SQL Server 2016 (13.x) e versioni successive
Importante
Il supporto per Machine Learning Server (noto in precedenza come R Server) è terminato il 1° luglio 2022. Per altre informazioni, vedere Informazioni su Machine Learning Server
SQL Server fornisce il supporto dell'installazione per un'istanza di R Server o Machine Learning Server autonomo eseguito indipendentemente da SQL Server. A seconda della versione di SQL Server, un server autonomo si basa su R open source ed eventualmente su Python, a cui si sovrappongono librerie a prestazioni elevate di Microsoft che aggiungono caratteristiche di analisi statistica e predittiva su larga scala. Le librerie abilitano anche le attività di Machine Learning con script R o Python.
In SQL Server 2016 questa funzionalità è denominata R Server (Standalone) ed è solo R. In SQL Server 2017 questa funzionalità è denominata Machine Learning Server (Standalone) e include sia R che Python.
Nota
Essendo installato dal programma di installazione di SQL Server, un server autonomo è equivalente, dal punto di vista funzionale, alle versioni non SQL di Microsoft Machine Learning Server e supporta gli stessi scenari utente, tra cui esecuzione remota, operazionalizzazione e servizi Web, e la raccolta completa di librerie R e Python.
Componenti
SQL Server 2016 è solo R. SQL Server 2017 supporta R e Python. La tabella seguente descrive le caratteristiche di ogni versione.
| Componente | Descrizione |
|---|---|
| Pacchetti R | RevoScaleR è la libreria primaria per R scalabile con funzioni per la manipolazione, la trasformazione, la visualizzazione e l'analisi dei dati. MicrosoftML aggiunge algoritmi di Machine Learning per creare modelli personalizzati per l'analisi del testo, l'analisi delle immagini e l'analisi del sentiment. sqlRUtils fornisce funzioni helper per inserire gli script R in una stored procedure T-SQL, registrare una stored procedure con un database ed eseguirla da un ambiente di sviluppo R. olapR server a specificare le query MDX in R. |
| Microsoft R Open (MRO) | Microsoft R Open (ritirato) era la distribuzione open source di R di Microsoft. |
| Strumenti R | I prompt dei comandi e le finestre della console R sono strumenti standard in una distribuzione R. Sono disponibili in \Programmi\Microsoft SQL Server\140\R_SERVER\bin\x64. |
| Esempi e script R | Poiché i pacchetti R e RevoScaleR open source includono set di dati predefiniti, è possibile creare ed eseguire lo script usando i dati preinstallati. Sono disponibili in \Programmi\Microsoft SQL Server\140\R_SERVER\library\datasets e \library\RevoScaleR. |
| Pacchetti Python | revoscalepy è la libreria primaria per Python scalabile con funzioni per la manipolazione, la trasformazione, la visualizzazione e l'analisi dei dati. microsoftml aggiunge algoritmi di Machine Learning per creare modelli personalizzati per l'analisi del testo, l'analisi delle immagini e l'analisi del sentiment. |
| Strumenti Python | Lo strumento da riga di comando Python predefinito è utile per test e attività ad hoc. Lo strumento è disponibile in \Programmi\Microsoft SQL Server\140\PYTHON_SERVER\python.exe. |
| Anaconda | Anaconda è una distribuzione open source di Python e di pacchetti essenziali. |
| Esempi e script Python | Come R, Python include set di dati e script predefiniti. I dati di revoscalepy sono disponibili in \Programmi\Microsoft SQL Server\140\PYTHON_SERVER\lib\site-packages\revoscalepy\data\sample-data. |
| Modelli con training preliminare in R e Python | I modelli con training preliminare vengono creati per casi d'uso specifici e gestiti dal team di tecnici di data science di Microsoft. È possibile usare i modelli con training preliminare così some sono per valutare con un punteggio il sentiment positivo-negativo nel testo o rilevare le caratteristiche nelle immagini, usando i nuovi input di dati forniti. I modelli con training preliminare sono supportati e utilizzabili in un server autonomo, ma non è possibile installarli tramite il programma di installazione di SQL Server. Per altre informazioni, vedere Installare modelli di Machine Learning con training preliminare in SQL Server. |
Uso di un server autonomo
Gli sviluppatori R e Python scelgono in genere un server autonomo per superare i vincoli di memoria ed elaborazione di R e Python open source. Le librerie R e Python eseguite su un server autonomo possono caricare ed elaborare grandi quantità di dati in più core e aggregare i risultati in un unico output consolidato. Le funzioni a prestazioni elevate sono progettate sia per la scalabilità che per l'utilità: offrono analisi predittiva, modellazione statistica, visualizzazioni di dati e algoritmi di Machine Learning all'avanguardia in un prodotto server commerciale progettato e supportato da Microsoft.
Come server indipendente, separato da SQL Server, l'ambiente R e Python viene configurato e protetto ed è accessibile tramite il sistema operativo sottostante e gli strumenti standard disponibili nel server autonomo, non SQL Server. Non è disponibile alcun supporto predefinito per i dati relazionali di SQL Server. Per usare i dati di SQL Server, è possibile creare oggetti di origine dati e connessioni come da qualsiasi client.
A complemento di SQL Server, un server autonomo è utile anche come ambiente avanzato di sviluppo se è necessaria l'elaborazione sia locale che remota. I pacchetti R e Python in un server autonomo sono uguali a quelli forniti con un'installazione del motore di database, consentendo la portabilità del codice e il cambio del contesto di calcolo.
Come iniziare
Iniziare con il programma di installazione, associare i file binari allo strumento di sviluppo preferito e scrivere il primo script.
Passaggio 1: Installazione del software
Installare una delle due versioni seguenti:
- Machine Learning Server (Standalone) per SQL Server 2017
- SQL Server 2016 R Server (Standalone) - Solo R
Passaggio 2: Configurare uno strumento di sviluppo
In un server autonomo è normale lavorare in locale usando uno strumento di sviluppo installato nello stesso computer.
Passaggio 3: Scrivere il primo script
Scrivere uno script R o Python usando le funzioni di RevoScaleR, revoscalepy e gli algoritmi di Machine Learning.
Esplorare R e RevoScaleR in 25 funzioni: iniziare con i comandi R di base e quindi passare alle funzioni analitiche distribuibili di RevoScaleR che offrono prestazioni e scalabilità elevate per le soluzioni R. Include versioni parallelizzabili di molti dei più diffusi pacchetti di modellazione R, tra cui clustering K-Means, alberi delle decisioni e foreste delle decisioni, nonché strumenti per la modifica dei dati.
Avvio rapido: Esempio di classificazione binaria con il pacchetto microsoftml per Python: creare un modello di classificazione binaria usando le funzioni di microsoftml e il noto set di dati relativo al tumore del seno.
Scegliere il linguaggio migliore per l'attività. R è ideale per i calcoli statistici che sono difficili da implementare tramite SQL. Per le operazioni sui dati basate su set, sfruttare la potenza di SQL Server per ottenere prestazioni ottimali. Usare il motore di database in memoria per calcoli molto veloci sulle colonne.
Passaggio 4: Rendere operativa la soluzione
I server autonomi possono usare le caratteristiche di operazionalizzazione di Microsoft Machine Learning Server non SQL. È possibile configurare un server autonomo per l'operazionalizzazione, che offre questi vantaggi: distribuzione e hosting del codice come servizi Web, esecuzione della diagnostica, test della capacità dei servizi Web.
Passaggio 5: Gestire il server
SQL Server rilascia periodicamente aggiornamenti cumulativi. L'applicazione degli aggiornamenti cumulativi apporta miglioramenti della sicurezza e delle caratteristiche a un'installazione esistente.
Le descrizioni delle caratteristiche nuove o modificate sono disponibili nell'articolo Download di CAB e nelle pagine Web degli aggiornamenti cumulativi di SQL Server 2016 e degli aggiornamenti cumulativi di SQL Server 2017.
Per altre informazioni su come applicare gli aggiornamenti a un'istanza esistente, vedere Applicare gli aggiornamenti nelle istruzioni di installazione.
Vedi anche
Installare R Server (Standalone) o Machine Learning Server (Standalone)