Share via

Wykonywanie potoków usługi Azure Machine Edukacja 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 maszyny Edukacja wykonywanie potoku za pomocą interfejsu użytkownika

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

  1. Wyszukaj ciąg Machine Edukacja w okienku Działania potoku i przeciągnij działanie Machine Edukacja Execute Pipeline (Wykonywanie potoku) na kanwę potoku.

  2. Wybierz nowe działanie Machine Edukacja Execute Pipeline (Wykonywanie potoku) na kanwie, jeśli nie zostało jeszcze wybrane, a karta Ustawienia, aby edytować jego szczegóły.

    Shows the UI for a Machine Learning Execute Pipeline activity.

  3. Wybierz istniejącą lub utwórz nową połączoną usługę Azure Machine Edukacja 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 Edukacja Dokumentacja połączonej usługi Tak
mlPipelineId Identyfikator opublikowanego potoku usługi Azure Machine Edukacja Ciąg (lub wyrażenie z wartością resultType ciągu) Tak
experimentName Nazwa eksperymentu historii uruchamiania przebiegu potoku Edukacja maszyny Ciąg (lub wyrażenie z wartością resultType ciągu) Nie.
mlPipelineParameters Pary klucz, wartość do przekazania do opublikowanego punktu końcowego potoku usługi Azure Machine Edukacja. Klucze muszą być zgodne z nazwami parametrów potoku zdefiniowanych w opublikowanym potoku Edukacja maszyny Obiekt z parami wartości klucza (lub wyrażenie z obiektem resultType) Nie.
mlParentRunId Nadrzędny identyfikator uruchomienia potoku usługi Azure Machine Edukacja 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 Edukacja maszyny, jeśli krok zakończy się niepowodzeniem boolean Nie.

Uwaga

Aby wypełnić elementy listy rozwijanej w polu Machine Edukacja nazwa potoku i identyfikator, 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: