Machine Learning Studio -webservices (klassiek): implementatie en verbruik

VAN TOEPASSING OP: Machine Learning Studio (klassiek) Azure Machine Learning

Belangrijk

De ondersteuning voor Azure Machine Learning-studio (klassiek) eindigt op 31 augustus 2024. U wordt aangeraden om vóór die datum over te stappen naar Azure Machine Learning.

Vanaf 1 december 2021 kunt u geen nieuwe resources voor Azure Machine Learning-studio (klassiek) meer maken. Tot en met 31 augustus 2024 kunt u de bestaande resources van Azure Machine Learning-studio (klassiek) blijven gebruiken.

• Zie informatie over het verplaatsen van machine learning-projecten van ML Studio (klassiek) naar Azure Machine Learning.
• Meer informatie over Azure Machine Learning

De documentatie van ML-studio (klassiek) wordt buiten gebruik gesteld en wordt in de toekomst mogelijk niet meer bijgewerkt.

U kunt Machine Learning Studio (klassiek) gebruiken om machine learning-werkstromen en -modellen als webservices te implementeren. Deze webservices kunnen vervolgens worden gebruikt om de machine learning-modellen van toepassingen via internet aan te roepen om voorspellingen in realtime of in batchmodus uit te voeren. Omdat de webservices RESTful zijn, kunt u deze aanroepen vanuit verschillende programmeertalen en platforms, zoals .NET en Java, en vanuit toepassingen, zoals Excel.

De volgende secties bevatten koppelingen naar walkthroughs, code en documentatie om u op weg te helpen.

Een webservice implementeren

Met Machine Learning Studio (klassiek)

De Studio-portal (klassiek) en de Machine Learning Web Services-portal helpen u bij het implementeren en beheren van een webservice zonder code te schrijven.

De volgende koppelingen bevatten algemene informatie over het implementeren van een nieuwe webservice:

• Zie Een nieuwe webservice implementeren voor een overzicht van het implementeren van een nieuwe webservice die is gebaseerd op Azure Resource Manager.

• Zie Een Machine Learning-webservice implementeren voor een overzicht van het implementeren van een webservice.

• Voor een volledig overzicht van het maken en implementeren van een webservice begint u met zelfstudie 1: Kredietrisico voorspellen.

• Zie voor specifieke voorbeelden die een webservice implementeren:

  • Zelfstudie 3: Kredietrisicomodel implementeren
  • Een webservice implementeren in meerdere regio's

Met resourceprovider-API's van webservices (Azure Resource Manager API's)

De Machine Learning Studio-resourceprovider (klassiek) voor webservices maakt implementatie en beheer van webservices mogelijk met behulp van REST API-aanroepen. Zie de naslaginformatie over machine learning-webservice (REST) voor meer informatie.

Met PowerShell-cmdlets

De Machine Learning Studio-resourceprovider (klassiek) voor webservices maakt implementatie en beheer van webservices mogelijk met behulp van PowerShell-cmdlets.

Als u de cmdlets wilt gebruiken, moet u zich eerst aanmelden bij uw Azure-account vanuit de PowerShell-omgeving met behulp van de cmdlet Connect-AzAccount . Als u niet bekend bent met het aanroepen van PowerShell-opdrachten die zijn gebaseerd op Resource Manager, raadpleegt u Het gebruik van Azure PowerShell met Azure Resource Manager.

Gebruik deze voorbeeldcode om uw voorspellende experiment te exporteren. Nadat u het .exe-bestand uit de code hebt gemaakt, kunt u het volgende typen:

C:\<folder>\GetWSD <experiment-url> <workspace-auth-token>

Als u de toepassing uitvoert, wordt een JSON-sjabloon voor de webservice gemaakt. Als u de sjabloon wilt gebruiken om een webservice te implementeren, moet u de volgende informatie toevoegen:

• Naam en sleutel van opslagaccount

  U kunt de naam en sleutel van het opslagaccount ophalen uit de Azure Portal.

• Id van toezeggingsplan

  U kunt de plan-id ophalen uit de Machine Learning Web Services-portal door u aan te melden en op de naam van een plan te klikken.

Voeg deze toe aan de JSON-sjabloon als onderliggende elementen van het knooppunt Eigenschappen op hetzelfde niveau als het MachineLearningWorkspace-knooppunt .

Hier volgt een voorbeeld:

"StorageAccount": {
        "name": "YourStorageAccountName",
        "key": "YourStorageAccountKey"
},
"CommitmentPlan": {
    "id": "subscriptions/YouSubscriptionID/resourceGroups/YourResourceGroupID/providers/Microsoft.MachineLearning/commitmentPlans/YourPlanName"
}

Zie de volgende artikelen en voorbeeldcode voor meer informatie:

• Naslaginformatie over Machine Learning Studio-cmdlets (klassiek) op MSDN

De webservices gebruiken

Vanuit de gebruikersinterface van Machine Learning-webservices (testen)

U kunt uw webservice testen vanuit de Machine Learning Web Services-portal. Dit omvat het testen van de interfaces Request-Response service (RRS) en Batch Execution Service (BES).

• Een nieuwe webservice implementeren
• Een Machine Learning-webservice implementeren
• Zelfstudie 3: Kredietrisicomodel implementeren

Vanuit Excel

U kunt een Excel-sjabloon downloaden die gebruikmaakt van de webservice:

• Een Machine Learning-webservice gebruiken vanuit Excel
• Excel-invoegtoepassing voor Machine Learning-webservices

Vanaf een OP REST gebaseerde client

Machine Learning-webservices zijn RESTful API's. U kunt deze API's gebruiken vanaf verschillende platforms, zoals .NET, Python, R, Java, enzovoort. De pagina Verbruiken voor uw webservice in de Machine Learning Web Services-portal bevat voorbeeldcode waarmee u aan de slag kunt gaan. Zie Een Machine Learning-webservice gebruiken voor meer informatie.