Machine Learning Studio (klassiek): Hulp bij algoritmen en modules
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 machine learning 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.
Tip
Klanten die momenteel Machine Learning Studio (klassiek) gebruiken of overwegen, worden aangemoedigd om Azure Machine Learning-designer te gebruiken, die versleepbare ML-modulen biedt, plus schaalbaarheid, versiebeheer en enterprise-beveiliging.
Machine Learning Studio (klassiek) is een cloudservice predictive analytics waarmee u snel voorspellende modellen kunt maken en implementeren als analyseoplossingen. De machine learning zijn voornamelijk cloudservices, waardoor installatie- en installatieproblemen worden voorkomen, omdat u via uw webbrowser op elke pc met internetverbinding kunt werken. Zie het artikel Wat is Studio (klassiek)?" voor meer informatie.
Deze documentatie bevat gedetailleerde technische en instructies voor de modules die beschikbaar zijn in Machine Learning Studio (klassiek).
- Meld u aan bij Machine Learning Studio-werkruimte (klassiek) en ga aan de slag.
Wat is een module?
Elke module in Machine Learning Studio (klassiek) vertegenwoordigt een set code die onafhankelijk kan worden uitgevoerd en een machine learning-taak kan uitvoeren, op basis van de vereiste invoer. Een module kan een bepaald algoritme bevatten of een taak uitvoeren die belangrijk is in machine learning, zoals het vervangen van ontbrekende waarden of statistische analyse.
In Studio (klassiek) zijn modules ingedeeld op functionaliteit:
Gegevensinvoer- en uitvoermodules doen het werk van het verplaatsen van gegevens uit cloudbronnen naar uw experiment. U kunt uw resultaten of tussenliggende gegevens schrijven naar Azure Storage, een SQL-database of Hive, tijdens het uitvoeren van een experiment, of cloudopslag gebruiken om gegevens uit te wisselen tussen experimenten.
Modules voor gegevenstransformatie ondersteunen bewerkingen op gegevens die uniek zijn voor machine learning, zoals het normaliseren of binning van gegevens, het selecteren van functies en dimensionaliteitsvermindering.
Machine learning-algoritmen, zoals clustering, support vector machine of neurale netwerken, zijn beschikbaar in afzonderlijke modules waarmee u de machine learning kunt aanpassen met de juiste parameters. Voor classificatietaken kunt u kiezen uit binaire algoritmen of algoritmen met meerdere klassen.
Nadat u het model hebt geconfigureerd, gebruikt u een trainingsmodule om gegevens via het algoritme uit te voeren en de nauwkeurigheid van het getrainde model te meten met behulp van een van de evaluatiemodules. Gebruik een van de scoremodules om voorspellingen te krijgen van het model dat u zojuist hebt getraind.
Anomaliedetectie: Machine Learning Studio (klassiek) bevat meerdere algoritmen die zijn gespecialiseerd voor deze taken.
Tekstanalysemodules ondersteunen verschillende taken voor de verwerking van natuurlijke taal.
Vowpal Wabbit-ondersteuning maakt het eenvoudig om dit schaalbare platform te gebruiken.
Met python - en R-taalmodules kunt u eenvoudig een aangepaste functie uitvoeren. U schrijft de code en sluit deze in een module in om Python en R te integreren met een experimentservice.
De OpenCV-bibliotheek biedt modules die kunnen worden gebruikt in specifieke taken voor afbeeldingsherkenning.
Tijdreeksanalyse ondersteunt anomaliedetectie in tijdreeksen.
Statistische modules bieden een groot aantal numerieke methoden die betrekking hebben op gegevenswetenschap. Zoek in deze groep naar correlatiemethoden, gegevens samenvattingen en statistische en wiskundige bewerkingen.
In deze naslagsectie vindt u technische achtergrondinformatie over de machine learning-algoritmen, implementatiedetails indien beschikbaar en koppelingen naar voorbeeldexperimenten die laten zien hoe de module wordt gebruikt. U kunt voorbeelden downloaden in de Azure AI Gallery naar uw werkruimte. Deze voorbeelden zijn voor openbaar gebruik.
Tip
Als u bent aangemeld bij Machine Learning Studio (klassiek) en een experiment hebt gemaakt, kunt u informatie krijgen over een specifieke module. Selecteer de module en selecteer vervolgens de koppeling Meer Help in het deelvenster Snelle hulp.
Andere technische naslag
| Sectie | Beschrijving |
|---|---|
| Lijst met gegevenstypen | Deze sectie bevat naslagonderwerpen met een beschrijving van de learner-interfaces en de DataTable indeling die wordt gebruikt voor gegevenssets. |
| Lijst met uitzonderingen | Deze sectie bevat de fouten die modules kunnen genereren, met oorzaken en mogelijke tijdelijke oplossingen. Zie De lijst met foutcodes met betrekking tot de webservice-API Machine Learning REST API foutcodes. |