Udostępnij za pośrednictwem

Wykonywanie potoków usługi Azure Machine Learning w usługach Azure Data Factory i Synapse Analytics

  • Artykuł

DOTYCZY: Azure Data Factory Azure Synapse Analytics

Napiwek

Wypróbuj usługę Data Factory w usłudze Microsoft Fabric — rozwiązanie analityczne typu all-in-one dla przedsiębiorstw. Usługa Microsoft Fabric obejmuje wszystko, od przenoszenia danych do nauki o danych, analizy w czasie rzeczywistym, analizy biznesowej i raportowania. Dowiedz się, jak bezpłatnie rozpocząć nową wersję próbną !

Uruchom potoki usługi Azure Machine Learning jako krok w potokach usług Azure Data Factory i Synapse Analytics. Działanie Wykonaj potok usługi Machine Learning włącza scenariusze przewidywania partii, takie jak identyfikowanie możliwych wartości domyślnych pożyczek, określanie opinii i analizowanie wzorców zachowań klientów.

Poniższy film wideo zawiera sześciominutowe wprowadzenie i pokaz tej funkcji.

Tworzenie działania Execute Pipeline w usłudze Machine Learning za pomocą interfejsu użytkownika

Aby użyć działania Execute Pipeline usługi Machine Learning w potoku, wykonaj następujące kroki:

  1. Wyszukaj usługę Machine Learning w okienku Działania potoku i przeciągnij działanie Execute Pipeline usługi Machine Learning do kanwy potoku.

  2. Wybierz nowe działanie Potok wykonywania usługi Machine Learning na kanwie, jeśli nie zostało jeszcze wybrane, a jego karta Ustawienia , aby edytować jego szczegóły.

    Przedstawia interfejs użytkownika dla działania Wykonywanie potoku uczenia maszynowego.

  3. Wybierz istniejącą lub utwórz nową połączoną usługę Azure Machine Learning i podaj szczegóły potoku i eksperymentu oraz wszystkie parametry potoku lub przypisania ścieżki danych wymagane dla potoku.

Składnia

{
    "name": "Machine Learning Execute Pipeline",
    "type": "AzureMLExecutePipeline",
    "linkedServiceName": {
        "referenceName": "AzureMLService",
        "type": "LinkedServiceReference"
    },
    "typeProperties": {
        "mlPipelineId": "machine learning pipeline ID",
        "experimentName": "experimentName",
        "mlPipelineParameters": {
            "mlParameterName": "mlParameterValue"
        }
    }
}

Właściwości typu

Właściwości opis Dozwolone wartości Wymagania
name Nazwa działania w potoku String Tak
type Typ działania to "AzureMLExecutePipeline" String Tak
linkedServiceName Połączona usługa z usługą Azure Machine Learning Dokumentacja połączonej usługi Tak
mlPipelineId Identyfikator opublikowanego potoku usługi Azure Machine Learning Ciąg (lub wyrażenie z wartością resultType ciągu) Tak
experimentName Nazwa przebiegu eksperymentu historii przebiegu potoku usługi Machine Learning Ciąg (lub wyrażenie z wartością resultType ciągu) Nie.
mlPipelineParameters Pary klucz, wartość, które mają zostać przekazane do opublikowanego punktu końcowego potoku usługi Azure Machine Learning. Klucze muszą być zgodne z nazwami parametrów potoku zdefiniowanych w opublikowanym potoku usługi Machine Learning Obiekt z parami wartości klucza (lub wyrażenie z obiektem resultType) Nie.
mlParentRunId Nadrzędny identyfikator przebiegu potoku usługi Azure Machine Learning Ciąg (lub wyrażenie z wartością resultType ciągu) Nie.
dataPathAssignments Słownik używany do zmieniania ścieżek danych w usłudze Azure Machine Learning. Umożliwia przełączanie ścieżek danych Obiekt z parami wartości klucza Nie.
continueOnStepFailure Czy kontynuować wykonywanie innych kroków w przebiegu potoku usługi Machine Learning, jeśli krok zakończy się niepowodzeniem boolean Nie.

Uwaga

Aby wypełnić elementy listy rozwijanej w nazwie i identyfikatorze potoku usługi Machine Learning, użytkownik musi mieć uprawnienia do wyświetlania listy potoków uczenia maszynowego. Interfejs użytkownika wywołuje interfejsy API usługi AzureMLService bezpośrednio przy użyciu poświadczeń zalogowanego użytkownika.

Powiązana zawartość

Zapoznaj się z następującymi artykułami, które wyjaśniają sposób przekształcania danych na inne sposoby: