Delen via

ML Studio-modulebeschrijvingen (klassiek)

  • Artikel

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.

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

Dit onderwerp bevat een overzicht van alle modules die zijn opgenomen in Machine Learning Studio (klassiek). Dit is een interactieve, visuele werkruimte om eenvoudig voorspellende modellen te bouwen en te testen.

Notitie

Van toepassing op: Machine Learning Studio (klassiek)

Vergelijkbare modules voor slepen en neerzetten zijn beschikbaar in Azure Machine Learning designer.

Wat is een module?

In Machine Learning Studio (klassiek) is een module een bouwsteen voor het maken van experimenten. Elke module bevat een specifieke machine learning algoritme, functie of codebibliotheek die kan reageren op gegevens in uw werkruimte. De modules zijn ontworpen om verbindingen van andere modules te accepteren om gegevens te delen en te wijzigen.

De code die in elke module wordt uitgevoerd, is afkomstig uit veel bronnen. Dit zijn open source bibliotheken en talen, algoritmen die zijn ontwikkeld door Microsoft Research en hulpprogramma's voor het werken met Azure en andere cloudservices.

Tip

Op zoek machine learning algoritmen? Zie de Machine Learning categorie, die onder andere modules bevat voor beslissings structuren, clustering en neurale netwerken. De categorieën Trainenen Evalueren bevatten modules voor het trainen en testen van uw modellen.

Door modules te verbinden en te configureren, kunt u een werkstroom maken waarmee gegevens uit externe bronnen worden gelezen, voorbereid op analyse, machine learning-algoritmen worden toegepast en resultaten worden gegenereerd.

Wanneer een experiment is geopend in Machine Learning Studio (klassiek), ziet u de volledige lijst met huidige modules in het navigatiedeelvenster aan de linkerkant. U sleept deze bouwstenen naar uw experiment en verbindt ze vervolgens om een volledige machine learning te maken, een zogenaamd experiment.

Soms worden modules bijgewerkt om nieuwe functionaliteit toe te voegen of oudere code te verwijderen. Als dit gebeurt, blijven alle experimenten die u hebt gemaakt en die gebruikmaken van de module, worden uitgevoerd. Maar de volgende keer dat u het experiment opent, wordt u gevraagd de module bij te werken of een andere module te gebruiken.

Voorbeelden

Zie deze zelfstudies voor een voorbeeld van het bouwen machine learning volledig experiment:

Modulecategorieën

Om het gemakkelijker te maken om gerelateerde modules te vinden, machine learning hulpprogramma's in Machine Learning Studio (klassiek) gegroepeerd op deze categorieën.

Conversies van gegevensindelingen

Gebruik deze modules om gegevens te converteren naar een van de indelingen die worden gebruikt door machine learning hulpprogramma's of indelingen.

  • Gegevensinvoer en -uitvoer

    Gebruik deze modules om gegevens en modellen te lezen uit cloudgegevensbronnen, waaronder Hadoop-clusters, Azure Table Storage en web-URL's. U kunt deze modules ook gebruiken om resultaten naar de opslag of naar een database te schrijven.

  • Gegevenstransformatie

    Gebruik deze modules om gegevens voor te bereiden voor analyse. U kunt gegevenstypen wijzigen, kolommen markeren als functies of labels, functies genereren en gegevens schalen of normaliseren.

  • Filter

    Numerieke gegevens transformeren die zijn afgeleid van digitale signaalverwerking.

  • Learning met tellingen

    Gebruik gezamenlijke waarschijnlijkheidsdistributies om functies te bouwen die grote gegevenssets compact beschrijven.

  • Manipulatie

    Deze groep biedt verschillende hulpprogramma's voor gegevenswetenschap. U kunt bijvoorbeeld ontbrekende waarden verwijderen of vervangen, een subset kolommen kiezen, een kolom toevoegen of twee gegevenssets samenvoegen.

  • Voorbeeld en splitsen

    Deel een gegevensset op basis van criteria of grootte om trainings- en testsets te maken of om bepaalde rijen te isoleren.

  • Schalen en verminderen

    Numerieke gegevens transformeren.

Functieselectie

Gebruik deze modules om de beste functies in uw gegevens te identificeren met behulp van veel onderzochte statistische methoden.

Machine Learning

Deze groep bevat de meeste van de machine learning algoritmen die worden ondersteund door Machine Learning.

Het bevat ook modules die zijn bedoeld om de algoritmen te ondersteunen door modellen te trainen, scores te genereren en modelprestaties te evalueren.

  • Evalueren

    Nadat u een model hebt getraind, gebruikt u deze hulpprogramma's om de nauwkeurigheid van het model te meten.

  • Initialiseren

    Deze modules bieden de machine learning algoritmen, die u kunt aanpassen door parameters in te stellen. De algoritmen in deze sectie zijn gegroepeerd op type:

  • Score

    Gebruik deze modules om nieuwe gegevens door te geven via het algoritme en een set resultaten te genereren voor evaluatie. U kunt ook de resultaten van scoren gebruiken als onderdeel van een voorspellende service.

  • Trainen

    Met deze modules wordt een geitialiseerd machine learning model op basis van de gegevens die u op geeft.

OpenCV-bibliotheekmodules

Met deze modules hebt u eenvoudig toegang tot een populaire open source bibliotheek voor afbeeldingsverwerking en afbeeldingsclassificatie.

R-taalmodules

Gebruik deze modules om aangepaste R-code toe te voegen aan uw experiment of implementeer een machine learning model op basis van een R-pakket.

Python-taalmodules

Gebruik deze modules om aangepaste Python-code toe te voegen aan uw experiment.

Statistische functies

Gebruik deze modules om waarschijnlijkheidsdistributies te berekenen, aangepaste berekeningen te maken en een groot aantal andere taken uit te voeren die betrekking hebben op numerieke variabelen.

Tekstanalyse

Gebruik deze modules om functie-hashing en benoemde entiteitsherkenning uit te voeren, of om tekst voor te verwerken met behulp van hulpprogramma's voor natuurlijke taalverwerking.

Tijdreeks

Gebruik deze modules om afwijkingen in trends te beoordelen met behulp van algoritmen die specifiek zijn ontworpen voor tijdreeksgegevens.

Machine Learning Studio-modules (klassiek) proberen geen hulpprogramma's voor gegevensintegratie te dupliceren die worden ondersteund in andere hulpprogramma's, zoals Azure Data Factory. In plaats daarvan bieden de modules functionaliteit die specifiek is voor machine learning:

  • Normalisering, groepering en schaalbaarheid van gegevens
  • Statistische distributie van gegevens berekenen
  • Conversie naar andere machine learning indelingen
  • Importeren van gegevens die worden gebruikt voor machine learning experimenten en het exporteren van resultaten
  • Tekstanalyse, functieselectie en dimensionaliteitsvermindering

Als u geavanceerdere faciliteiten nodig hebt voor gegevensmanipulatie en -opslag, bekijkt u het volgende:

  • Azure Data Factory: Pijplijnen voor gegevensverwerking in de cloud die klaar zijn voor ondernemingen.
  • Azure SQL Database: schaalbare opslag, met geïntegreerde toegang tot machine learning.
  • CosmosDB: NoSQL-gegevensopslag; gegevens importeren naar Machine Learning Studio (klassiek).
  • Azure Data Lake Analytics: Gedistribueerde analyse op big data.
  • Stream Analytics: Gebeurtenisverwerking voor de Internet of Things.
  • Azure Text Analytics: meerdere opties voor tekstverwerking en gerelateerde Cognitive Services voor spraak-, afbeeldings- en gezichtsherkenning.
  • Azure Databricks: Op Spark gebaseerd analyseplatform.

Zie ook