Azure Data Science Virtual Machine 上の機械学習ツールとデータ サイエンス ツール
Azure Data Science Virtual Machine (DSVM) には、機械学習のための豊富な一連のツールやライブラリが備わっています。 こうしたリソースは、Python、R、Julia などの一般的な言語で使用できます。
DSVM では、機械学習の次のツールとライブラリがサポートされています。
Azure Machine Learning SDK for Python
詳細については、「Azure Machine Learning SDK for Python」を参照してください。
カテゴリ | 値 |
---|---|
紹介 | Azure Machine Learning クラウド サービスを使用し、機械学習モデルの開発したり、デプロイしたりできます。 Python SDK を使用することで、モデルを構築、トレーニング、スケール調整、管理しながらモデルを追跡できます。 モデルをコンテナーとしてデプロイし、それをクラウド、オンプレミス、または Azure IoT Edge で実行します。 |
サポートされているエディション | Windows (Conda 環境:AzureML)、Linux (Conda 環境: py36) |
標準的な使用 | 一般的な機械学習プラットフォーム |
構成またはインストール方法 | GPU サポートと共にインストールされます |
使用または実行方法 | Python SDK および Azure CLI として。 Windows エディションで conda 環境 AzureML にアクティブ化ましす。または Linux エディションで py36 にアクティブ化します。 |
サンプルへのリンク | サンプルの Jupyter ノートブックを、AzureML ディレクトリの notebooks の下で見つけます。 |
H2O
カテゴリ | 値 |
---|---|
紹介 | 分散型、高速、インメモリで、かつスケーラブルな機械学習をサポートするオープンソースの AI プラットフォームです。 |
サポートされているバージョン | Linux |
標準的な使用 | 汎用で分散型のスケーラブル機械学習 |
構成またはインストール方法 | H2O は /dsvm/tools/h2o にインストールされます。 |
使用または実行方法 | X2Go で VM に接続します。 新しいターミナルを起動し、java -jar /dsvm/tools/h2o/current/h2o.jar を実行します。 次に、Web ブラウザーを開始し、http://localhost:54321 に接続します。 |
サンプルへのリンク | Jupyter の VM に関するサンプルを h2o ディレクトリの下で見つけます。 |
DSVM には、DSVM 用の Anaconda Python ディストリビューションの一部である一般的な scikit-learn
パッケージなど、他にもいくつかの機械学習ライブラリがあります。 Python、R、Julia で使用可能なパッケージの一覧が必要な場合、それぞれのパッケージ マネージャーを実行します。
LightGBM
カテゴリ | 値 |
---|---|
紹介 | ディシジョン ツリー アルゴリズムに基づく、高速な、分散型、高パフォーマンスの勾配ブースティング (GBDT、GBRT、GBM、または MART) フレームワークです。 機械学習タスク (ランク付けや分類など) でそれが使用されます。 |
サポートされているバージョン | Windows、Linux |
標準的な使用 | 汎用の勾配ブースティング フレームワーク |
構成またはインストール方法 | LightGBM は Windows に Python パッケージとしてインストールされます。 Linux では、コマンドラインの実行可能ファイルは /opt/LightGBM/lightgbm にあります。 R パッケージがインストールされ、Python パッケージがインストールされます。 |
サンプルへのリンク | LightGBM ガイド |
Rattle
カテゴリ | 値 |
---|---|
紹介 | R を使用したデータ マイニングのためのグラフィカル ユーザー インターフェイス。 |
サポートされているエディション | Windows、Linux |
標準的な使用 | R 用の一般的な UI データ マイニング ツール |
使用または実行方法 | UI ツールとして。 Windows では、コマンド プロンプトを起動し、R を実行してから、R 内で rattle() を実行します。 Linux では、X2Go で接続し、ターミナルを起動し、R を実行してから、R 内で rattle() を実行します。 |
サンプルへのリンク | Rattle |
Vowpal Wabbit
カテゴリ | 値 |
---|---|
紹介 | 高速でオープンソースの、コア以外の学習システム ライブラリ |
サポートされているエディション | Windows、Linux |
標準的な使用 | 一般的な機械学習ライブラリ |
構成またはインストール方法 | Windows: MSI インストーラー Linux: apt-get |
使用または実行方法 | パスの通ったコマンド ライン ツール (Windows では C:\Program Files\VowpalWabbit\vw.exe 、Linux では /usr/bin/vw ) として |
サンプルへのリンク | VowPal Wabbit サンプル |
Weka
カテゴリ | 値 |
---|---|
紹介 | データ マイニング タスクのための機械学習アルゴリズムのコレクション。 アルゴリズムを直接適用するか、独自の Java コードから呼び出すことができます。 Weka には、データの前処理、分類、回帰、クラスタリング、アソシエーション ルール、および視覚化のためのツールが含まれています。 |
サポートされているエディション | Windows、Linux |
標準的な使用 | 一般的な機械学習ツール |
使用または実行方法 | Windows では、 [スタート] メニューで Weka を探します。 Linux では、X2Go でサインインし、 [アプリケーション]>[開発]>[Weka] に移動します。 |
サンプルへのリンク | Weka サンプル |
XGBoost
カテゴリ | 値 |
---|---|
紹介 | Python、R、Java、Scala、C++ など用の、高速で、可搬性があり、分散型の勾配ブースティング (GBDT、GBRT、または GBM) ライブラリ。 これは 1 台のコンピューター、Apache Hadoop、Spark 上で実行されます。 |
サポートされているエディション | Windows、Linux |
標準的な使用 | 一般的な機械学習ライブラリ |
構成またはインストール方法 | GPU サポートと共にインストールされます |
使用または実行方法 | Python ライブラリ (2.7 および 3.6 以降)、R パッケージ、パスの通ったコマンド ライン ツール (Windows では C:\dsvm\tools\xgboost\bin\xgboost.exe 、Linux では /dsvm/tools/xgboost/xgboost ) として |
サンプルへのリンク | サンプルは、VM 上の Linux では /dsvm/tools/xgboost/demo 、Windows では C:\dsvm\tools\xgboost\demo に含まれています。 |
フィードバック
https://aka.ms/ContentUserFeedback」を参照してください。
以下は間もなく提供いたします。2024 年を通じて、コンテンツのフィードバック メカニズムとして GitHub の issue を段階的に廃止し、新しいフィードバック システムに置き換えます。 詳細については、「フィードバックの送信と表示