Udostępnij za pośrednictwem


Zautomatyzowane uczenie maszynowe (AutoML)?

DOTYCZY: Zestaw SDK języka Python w wersji 1

Zautomatyzowane uczenie maszynowe, nazywane również zautomatyzowanym uczeniem maszynowym lub rozwiązaniem AutoML, to proces automatyzowania czasochłonnych, iteracyjnych zadań tworzenia modelu uczenia maszynowego. Umożliwia ona analitykom danych, analitykom i deweloperom tworzenie modeli uczenia maszynowego o wysokiej skali, wydajności i produktywności przy jednoczesnym utrzymaniu jakości modelu. Zautomatyzowane uczenie maszynowe w usłudze Azure Machine Learning opiera się na przełomie naszego działu badań firmy Microsoft.

Tradycyjne opracowywanie modeli uczenia maszynowego wymaga dużej ilości wiedzy na temat domeny i czasu na tworzenie i porównywanie kilkudziesięciu modeli. Dzięki zautomatyzowanemu uczeniu maszynowemu przyspieszysz czas potrzebny na przygotowanie produkcyjnych modeli uczenia maszynowego z dużą łatwością i wydajnością.

Sposoby używania rozwiązania AutoML w usłudze Azure Machine Learning

Usługa Azure Machine Learning oferuje następujące dwa środowiska pracy z zautomatyzowanym uczeniem maszynowym. Zapoznaj się z poniższymi sekcjami, aby zrozumieć dostępność funkcji w każdym środowisku (wersja 1).

Ustawienia eksperymentu

Poniższe ustawienia umożliwiają skonfigurowanie eksperymentu zautomatyzowanego uczenia maszynowego.

Zestaw SDK języka Python Środowisko internetowe programu Studio
Dzielenie danych na zestawy trenowania/walidacji
Obsługuje zadania uczenia maszynowego: klasyfikacja, regresja i prognozowanie
Obsługuje zadania przetwarzania obrazów: klasyfikacja obrazów, wykrywanie obiektów i segmentacja wystąpień
Optymalizuje na podstawie podstawowej metryki
Obsługuje zasoby obliczeniowe usługi Azure Machine Learning jako docelowy obiekt obliczeniowy
Konfigurowanie horyzontu prognozy, opóźnień docelowych i okien kroczenia
Ustawianie kryteriów zakończenia
Ustawianie iteracji współbieżnych
Usuwanie kolumn
Blokuj algorytmy
Krzyżowa walidacja
Obsługuje szkolenie w klastrach usługi Azure Databricks
Wyświetl nazwy funkcji zaprojektowanych
Podsumowanie cechowania
Cechowanie na święta
Poziomy szczegółowości pliku dziennika

Ustawienia modelu

Te ustawienia można zastosować do najlepszego modelu w wyniku eksperymentu zautomatyzowanego uczenia maszynowego.

Zestaw SDK języka Python Środowisko internetowe programu Studio
Najlepsza rejestracja modelu, wdrożenie, objaśnienie
Włączanie modeli zespołów i stosów do głosowania
Pokaż najlepszy model na podstawie metryki innej niż podstawowa
Włączanie/wyłączanie zgodności modelu ONNX
Testowanie modelu √ (wersja zapoznawcza)

Ustawienia sterowania zadaniami

Te ustawienia umożliwiają przeglądanie i kontrolowanie zadań eksperymentu oraz zadań podrzędnych.

Zestaw SDK języka Python Środowisko internetowe programu Studio
Tabela podsumowania zadań
Anulowanie zadań i zadań podrzędnych
Uzyskiwanie poręczy
Wstrzymywanie i wznawianie zadań

Kiedy należy używać rozwiązania AutoML: klasyfikacja, regresja, prognozowanie, przetwarzanie obrazów i nlP

Zastosuj zautomatyzowane uczenie maszynowe, gdy chcesz, aby usługa Azure Machine Learning trenowała i dostrajała model przy użyciu określonej metryki docelowej. Zautomatyzowane uczenie maszynowe demokratyzuje proces tworzenia modelu uczenia maszynowego i umożliwia użytkownikom, bez względu na wiedzę na temat nauki o danych, zidentyfikowanie kompleksowego potoku uczenia maszynowego dla dowolnego problemu.

Specjaliści ds. uczenia maszynowego i deweloperzy w różnych branżach mogą używać zautomatyzowanego uczenia maszynowego do:

  • Implementowanie rozwiązań uczenia maszynowego bez obszernej wiedzy programistycznej
  • Oszczędzaj czas i zasoby
  • Korzystanie z najlepszych rozwiązań dotyczących nauki o danych
  • Zapewnianie elastycznego rozwiązywania problemów

Klasyfikacja

Klasyfikacja to typowe zadanie uczenia maszynowego. Klasyfikacja to rodzaj uczenia nadzorowanego, w którym modele uczą się przy użyciu danych treningowych i stosują te informacje do nowych danych. Usługa Azure Machine Learning oferuje funkcje doboru cech przeznaczone specjalnie dla tych zadań, takie jak funkcje doboru cech tekstu głębokiej sieci neuronowej na potrzeby klasyfikacji. Dowiedz się więcej o opcjach cechowania (wersja 1).

Głównym celem modeli klasyfikacji jest przewidywanie, na podstawie informacji uzyskanych z danych treningowych, do których kategorii trafią nowe dane. Typowe przykłady klasyfikacji obejmują wykrywanie oszustw, rozpoznawanie pisma ręcznego i wykrywanie obiektów. Dowiedz się więcej i zapoznaj się z przykładem na stronie Tworzenie modelu klasyfikacji za pomocą zautomatyzowanego uczenia maszynowego (wersja 1).

Zobacz przykłady klasyfikacji i zautomatyzowanego uczenia maszynowego w tych notesach języka Python: wykrywanie oszustw, przewidywanie marketingu i klasyfikacja danych grupy dyskusyjnej

Regresja

Podobnie jak w przypadku klasyfikacji, zadania regresji są również typowym zadaniem uczenia nadzorowanego.

Różni się od klasyfikacji, w której przewidywane wartości wyjściowe są podzielone na kategorie, modele regresji przewidują wartości liczbowe danych wyjściowych na podstawie niezależnych predyktorów. W regresji celem jest pomoc w ustanowieniu relacji między zmiennymi tych niezależnych predyktorów przez oszacowanie wpływu jednej zmiennej na inne. Przykładem może być cena samochodu na podstawie takich cech jak spalanie, ocena bezpieczeństwa itp. Dowiedz się więcej i zobacz przykład regresji zautomatyzowanego uczenia maszynowego (wersja 1).

Zobacz przykłady regresji i zautomatyzowanego uczenia maszynowego dla przewidywań w tych notesach języka Python: przewidywanie wydajności procesora CPU,

Prognozowanie szeregów czasowych

Tworzenie prognoz jest integralną częścią każdej firmy, niezależnie od tego, czy dotyczy to przychodu, zapasów, sprzedaży czy zapotrzebowania klientów. Za pomocą zautomatyzowanego uczenia maszynowego możesz połączyć techniki oraz podejścia i uzyskać zalecaną prognozę szeregów czasowych o wysokiej jakości. Dowiedz się więcej na ten temat: zautomatyzowane uczenie maszynowe na potrzeby prognozowania szeregów czasowych (wersja 1).

Zautomatyzowany eksperyment szeregów czasowych jest traktowany jako problem regresji wielowariancji. Poprzednie wartości szeregów czasowych są "przestawne", aby stać się dodatkowymi wymiarami regresji wraz z innymi predyktorami. Takie podejście, w przeciwieństwie do klasycznych metod szeregów czasowych, ma zaletę naturalnie dołączania wielu zmiennych kontekstowych i ich relacji ze sobą podczas trenowania. Zautomatyzowane uczenie maszynowe uczy się pojedynczego, ale często wewnętrznie rozgałęzionego modelu dla wszystkich elementów w zestawie danych i horyzontach przewidywania. W związku z tym można oszacować parametry modelu i uogólnienie serii, które nie są dostępne, jest dostępnych więcej danych.

Zaawansowana konfiguracja prognozowania obejmuje:

  • wykrywanie świąt i dobór cech
  • time-series i DNN uczniów (Auto-ARIMA, Prorok, ForecastTCN)
  • wiele modeli obsługuje grupowanie
  • weryfikacja krzyżowa przy użyciu źródła kroczącego
  • konfigurowalne opóźnienia
  • zagregowane funkcje kroczącego przedziału czasu

Zobacz przykłady regresji i zautomatyzowanego uczenia maszynowego dla przewidywań w tych notesach języka Python: Prognozowanie sprzedaży, Prognozowanie popytu i Prognozowanie codziennych aktywnych użytkowników usługi GitHub.

Przetwarzanie obrazów

Obsługa zadań przetwarzania obrazów umożliwia łatwe generowanie modeli wytrenowanych na danych obrazu w scenariuszach, takich jak klasyfikacja obrazów i wykrywanie obiektów.

Dzięki tej możliwości można wykonywać następujące czynności:

  • Bezproblemowa integracja z funkcją etykietowania danych usługi Azure Machine Learning
  • Używanie danych oznaczonych etykietami do generowania modeli obrazów
  • Zoptymalizuj wydajność modelu, określając algorytm modelu i dostrajając hiperparametry.
  • Pobierz lub wdróż wynikowy model jako usługę internetową w usłudze Azure Machine Learning.
  • Operacjonalizacja na dużą skalę, korzystając z możliwości usługi Azure Machine Learning MLOps i potoków uczenia maszynowego (wersja 1).

Tworzenie modeli automatycznego uczenia maszynowego na potrzeby zadań przetwarzania obrazów jest obsługiwane za pośrednictwem zestawu SDK języka Python usługi Azure Machine Learning. Dostęp do wynikowych zadań eksperymentowania, modeli i danych wyjściowych można uzyskać za pomocą interfejsu użytkownika usługi Azure Machine Learning Studio.

Dowiedz się, jak skonfigurować trenowanie automatycznego uczenia maszynowego dla modeli przetwarzania obrazów.

Diagram przedstawiający wynikowy eksperyment z powyższego.

Zautomatyzowane uczenie maszynowe dla obrazów obsługuje następujące zadania przetwarzania obrazów:

Zadanie Opis
Klasyfikacja obrazów z użyciem wielu klas Zadania, w których obraz jest klasyfikowany tylko za pomocą pojedynczej etykiety z zestawu klas — na przykład każdy obraz jest klasyfikowany jako obraz, na którym jest „kot”, „pies” lub „kaczka”
Klasyfikacja obrazów z użyciem wielu etykiet Zadania, w których obraz może mieć jedną lub więcej etykiet z zestawu etykiet — na przykład obraz może być oznaczony jako ten, na którym jest zarówno „kot”, jak i „pies”
Wykrywanie obiektów Zadania do identyfikowania obiektów na obrazie i lokalizowania każdego obiektu za pomocą pola ograniczenia, np. lokalizowanie wszystkich psów i kotów na obrazie i rysowanie pola ograniczenia wokół każdego z nich.
Segmentacja wystąpień Zadania do identyfikowania obiektów na obrazie na poziomie pikseli i rysowania wielokąta wokół każdego obiektu na obrazie.

Przetwarzanie języka naturalnego: NLP

Obsługa zadań przetwarzania języka naturalnego (NLP) w zautomatyzowanym uczeniu maszynowym umożliwia łatwe generowanie modeli wytrenowanych na danych tekstowych na potrzeby klasyfikacji tekstu i scenariuszy rozpoznawania jednostek nazwanych. Tworzenie wytrenowanych modeli NLP zautomatyzowanego uczenia maszynowego jest obsługiwane za pośrednictwem zestawu SDK języka Python usługi Azure Machine Learning. Dostęp do wynikowych zadań eksperymentowania, modeli i danych wyjściowych można uzyskać za pomocą interfejsu użytkownika usługi Azure Machine Learning Studio.

Funkcja NLP obsługuje następujące funkcje:

  • Kompleksowe trenowanie głębokiej sieci neuronowej NLP przy użyciu najnowszych wstępnie wytrenowanych modeli
  • Bezproblemowa integracja z etykietowaniem danych usługi Azure Machine Learning
  • Używanie danych oznaczonych etykietami do generowania modeli NLP
  • Obsługa wielu języków językowych w 104 językach
  • Uczenie rozproszone przy użyciu struktury Horovod

Dowiedz się, jak skonfigurować trenowanie automatycznego uczenia maszynowego dla modeli NLP (wersja 1).

Jak działa zautomatyzowane uczenie maszynowe

Podczas trenowania usługa Azure Machine Learning tworzy wiele potoków równolegle, które próbują użyć różnych algorytmów i parametrów. Usługa iteruje za pomocą algorytmów uczenia maszynowego sparowanych z wyborami funkcji, gdzie każda iteracja generuje model z wynikiem trenowania. Im wyższy wynik, tym lepiej model jest uznawany za "dopasowany" dane. Zatrzyma się po osiągnięciu kryteriów zakończenia zdefiniowanych w eksperymencie.

Korzystając z usługi Azure Machine Learning, możesz zaprojektować i uruchomić eksperymenty zautomatyzowanego trenowania uczenia maszynowego, wykonując następujące kroki:

  1. Zidentyfikuj problem uczenia maszynowego, który ma zostać rozwiązany: klasyfikacja, prognozowanie, regresja lub przetwarzanie obrazów.

  2. Wybierz, czy chcesz użyć zestawu SDK języka Python, czy środowiska internetowego studio: dowiedz się więcej o parzystości między zestawem SDK języka Python i środowiskiem internetowym studio.

  3. Określ źródło i format danych treningowych oznaczonych etykietami: tablice Numpy lub ramka danych biblioteki Pandas

  4. Skonfiguruj docelowy obiekt obliczeniowy na potrzeby trenowania modelu, takiego jak komputer lokalny, obliczenia usługi Azure Machine Learning, zdalne maszyny wirtualne lub usługa Azure Databricks z zestawem SDK w wersji 1.

  5. Skonfiguruj parametry zautomatyzowanego uczenia maszynowego, które określają, ile iteracji w różnych modelach, ustawienia hiperparametrów, zaawansowane przetwarzanie wstępne/cechowanie oraz jakie metryki mają być sprawdzane podczas określania najlepszego modelu.

  6. Prześlij zadanie szkoleniowe.

  7. Przeglądanie wyników

Na poniższym diagramie przedstawiono ten proces.

Zrzut ekranu przedstawiający wynikowy eksperyment z powyższego.

Możesz również sprawdzić zarejestrowane informacje o zadaniu, które zawierają metryki zebrane podczas zadania. Zadanie trenowania tworzy zserializowany obiekt (.pkl plik) języka Python zawierający model i przetwarzanie wstępne danych.

Podczas tworzenia modeli można również dowiedzieć się, jak ważne lub istotne są funkcje dla wygenerowanych modeli.

Wskazówki dotyczące obiektów obliczeniowych uczenia maszynowego zarządzanego lokalnie i zdalnego

Interfejs internetowy zautomatyzowanego uczenia maszynowego zawsze używa zdalnego celu obliczeniowego. Jednak w przypadku korzystania z zestawu SDK języka Python wybierz lokalny obiekt obliczeniowy lub docelowy zdalny obiekt obliczeniowy na potrzeby zautomatyzowanego trenowania uczenia maszynowego.

  • Lokalne obliczenia: trenowanie odbywa się na lokalnym komputerze przenośnym lub maszynie wirtualnej.
  • Zdalne obliczenia: trenowanie odbywa się w klastrach obliczeniowych usługi Machine Learning.

Wybieranie docelowego obiektu obliczeniowego

Podczas wybierania docelowego obiektu obliczeniowego należy wziąć pod uwagę następujące czynniki:

  • Wybierz lokalne środowisko obliczeniowe: jeśli scenariusz dotyczy początkowych eksploracji lub pokazów przy użyciu małych danych i krótkich pociągów (tj. sekund lub kilku minut na zadanie podrzędne), szkolenie na komputerze lokalnym może być lepszym wyborem. Nie ma czasu konfiguracji, zasoby infrastruktury (komputer lub maszyna wirtualna) są dostępne bezpośrednio.
  • Wybierz zdalny klaster obliczeniowy uczenia maszynowego: jeśli trenujesz z większymi zestawami danych, takimi jak w przypadku trenowania produkcyjnego, które wymagają dłuższych pociągów, zdalne obliczenia zapewnią znacznie lepszą wydajność czasu kompleksowego, ponieważ AutoML zrównają pociągi między węzłami klastra. W przypadku zdalnego przetwarzania obliczeniowego czas uruchamiania wewnętrznej infrastruktury spowoduje dodanie około 1,5 minut na zadanie podrzędne oraz dodatkowe minuty dla infrastruktury klastra, jeśli maszyny wirtualne nie są jeszcze uruchomione.

Zalety i wady

Należy wziąć pod uwagę te zalety i wady podczas wybierania użycia lokalnego a zdalnego.

Zalety Wady (handicapy)
Lokalny docelowy obiekt obliczeniowy
  • Brak czasu uruchamiania środowiska
  • Podzbiór funkcji
  • Nie można zrównać zadań
  • Gorzej w przypadku dużych danych.
  • Brak przesyłania strumieniowego danych podczas trenowania
  • Brak cech opartych na sieci rozproszonej
  • Tylko zestaw SDK języka Python
  • Zdalne klastry obliczeniowe uczenia maszynowego
  • Pełny zestaw funkcji
  • Równoległe zadania podrzędne
  • Obsługa dużych danych
  • Cechowanie oparte na sieci rozproszonej
  • Dynamiczna skalowalność klastra obliczeniowego na żądanie
  • Dostępne jest również środowisko bez kodu (internetowy interfejs użytkownika)
  • Czas uruchamiania węzłów klastra
  • Czas uruchamiania dla każdego zadania podrzędnego
  • Dostępność funkcji

    W przypadku korzystania ze zdalnych obliczeń dostępnych jest więcej funkcji, jak pokazano w poniższej tabeli.

    Funkcja Zdalnie Lokalny
    Przesyłanie strumieniowe danych (obsługa dużych ilości danych, do 100 GB)
    DNN-oparte na cechach tekstowych i trenowanie
    Wbudowana obsługa procesora GPU (trenowanie i wnioskowanie)
    Obsługa klasyfikacji i etykietowania obrazów
    Modele Auto-ARIMA, Proroka i ForecastTCN na potrzeby prognozowania
    Wiele zadań/iteracji równolegle
    Tworzenie modeli z możliwościami interpretacji w interfejsie użytkownika środowiska internetowego programu AutoML Studio
    Dostosowywanie inżynierii cech w interfejsie użytkownika środowiska internetowego studio
    Dostrajanie hiperparametrów usługi Azure Machine Learning
    Obsługa przepływu pracy potoku usługi Azure Machine Learning
    Kontynuuj zadanie
    Prognozowanie
    Tworzenie i uruchamianie eksperymentów w notesach
    Rejestrowanie i wizualizowanie informacji i metryk eksperymentu w interfejsie użytkownika
    Zabezpieczenia danych

    Trenowanie, walidacja i testowanie danych

    Dzięki zautomatyzowanemu uczeniu maszynowemu dostarczasz dane szkoleniowe do trenowania modeli uczenia maszynowego i możesz określić typ weryfikacji modelu do wykonania. Zautomatyzowane uczenie maszynowe przeprowadza walidację modelu w ramach trenowania. Oznacza to, że zautomatyzowane uczenie maszynowe używa danych walidacji do dostrajania hiperparametrów modelu na podstawie zastosowanego algorytmu w celu znalezienia najlepszej kombinacji, która najlepiej pasuje do danych treningowych. Jednak te same dane weryfikacji są używane dla każdej iteracji dostrajania, która wprowadza stronniczość oceny modelu, ponieważ model nadal ulepsza dane weryfikacji i pasuje do nich.

    Aby potwierdzić, że takie stronniczość nie jest stosowana do ostatecznego zalecanego modelu, zautomatyzowane uczenie maszynowe obsługuje korzystanie z danych testowych w celu oceny końcowego modelu zalecanego przez zautomatyzowane uczenie maszynowe na końcu eksperymentu. Po podaniu danych testowych w ramach konfiguracji eksperymentu rozwiązania AutoML ten zalecany model jest domyślnie testowany na końcu eksperymentu (wersja zapoznawcza).

    Ważne

    Testowanie modeli przy użyciu zestawu danych testowych w celu oceny wygenerowanych modeli jest funkcją w wersji zapoznawczej. Ta funkcja jest eksperymentalną funkcją w wersji zapoznawczej i może ulec zmianie w dowolnym momencie.

    Dowiedz się, jak skonfigurować eksperymenty zautomatyzowanego uczenia maszynowego do korzystania z danych testowych (wersja zapoznawcza) za pomocą zestawu SDK (wersja 1) lub usługi Azure Machine Learning Studio.

    Możesz również przetestować dowolny istniejący zautomatyzowany model uczenia maszynowego (wersja zapoznawcza) (wersja 1)), w tym modele z zadań podrzędnych, podając własne dane testowe lub odkładając część danych treningowych.

    Inżynieria cech

    Inżynieria cech to proces używania wiedzy o domenie danych w celu tworzenia funkcji, które ułatwiają algorytmom uczenia maszynowego lepsze uczenie się. W usłudze Azure Machine Learning stosowane są techniki skalowania i normalizacji w celu ułatwienia inżynierii cech. Łącznie te techniki i inżynieria cech są określane jako cechowanie.

    W przypadku eksperymentów zautomatyzowanego uczenia maszynowego cechowanie jest stosowane automatycznie, ale można je również dostosować na podstawie danych. Dowiedz się więcej o tym, co zawiera cechowanie (wersja 1) i jak rozwiązanie AutoML pomaga zapobiegać nadmiernemu dopasowywaniu i niezrównoważeniu danych w modelach.

    Uwaga

    Zautomatyzowane kroki cechowania uczenia maszynowego (normalizacja cech, obsługa brakujących danych, konwertowanie tekstu na liczbowe itp.) stają się częścią modelu bazowego. W przypadku korzystania z modelu do przewidywania te same kroki cechowania stosowane podczas trenowania są stosowane automatycznie do danych wejściowych.

    Dostosowywanie cechowania

    Dostępne są również dodatkowe techniki inżynierii cech, takie jak kodowanie i przekształcenia.

    Włącz to ustawienie za pomocą:

    Modele grupowe

    Zautomatyzowane uczenie maszynowe obsługuje modele grupowe, które są domyślnie włączone. Uczenie zespołowe poprawia wyniki uczenia maszynowego i wydajność predykcyjną, łącząc wiele modeli, a nie przy użyciu pojedynczych modeli. Iteracji zespołu są wyświetlane jako ostatnie iteracji zadania. Zautomatyzowane uczenie maszynowe używa metod głosowania i stosu zespołów do łączenia modeli:

    • Głosowanie: przewiduje na podstawie ważonej średniej przewidywanych prawdopodobieństwa klas (dla zadań klasyfikacji) lub przewidywanych celów regresji (dla zadań regresji).
    • Stos: tworzenie stosu łączy heterogeniczne modele i trenuje metamodel na podstawie danych wyjściowych z poszczególnych modeli. Bieżące domyślne meta-modele to LogisticsRegression dla zadań klasyfikacji i ElasticNet na potrzeby zadań regresji/prognozowania.

    Algorytm wyboru zespołu Caruana z posortowaną inicjacją zespołu służy do decydowania, które modele mają być używane w ramach zespołu. Na wysokim poziomie ten algorytm inicjuje zespół z maksymalnie pięcioma modelami z najlepszymi wynikami i sprawdza, czy te modele znajdują się w granicach 5% progu najlepszego wyniku, aby uniknąć słabego początkowego zespołu. Następnie dla każdej iteracji zespołu zostanie dodany nowy model do istniejącego zespołu, a wynikowy wynik jest obliczany. Jeśli nowy model poprawił istniejący wynik zespołu, zespół zostanie zaktualizowany w celu uwzględnienia nowego modelu.

    Zobacz instrukcje (wersja 1), aby zmienić domyślne ustawienia zespołu w zautomatyzowanym uczeniu maszynowym.

    AutoML i ONNX

    Za pomocą usługi Azure Machine Learning możesz użyć zautomatyzowanego uczenia maszynowego do utworzenia modelu języka Python i przekonwertowania go na format ONNX. Gdy modele są w formacie ONNX, mogą być uruchamiane na różnych platformach i urządzeniach. Dowiedz się więcej o przyspieszaniu modeli uczenia maszynowego za pomocą platformy ONNX.

    Zobacz sposób konwertowania na format ONNX w tym przykładzie notesu Jupyter. Dowiedz się, które algorytmy są obsługiwane w środowisku ONNX (wersja 1).

    Środowisko uruchomieniowe ONNX obsługuje również język C#, dzięki czemu można używać modelu wbudowanego automatycznie w aplikacjach języka C# bez konieczności ponownego odzyskiwania ani dowolnego z opóźnień sieci, które wprowadzono w punktach końcowych REST. Dowiedz się więcej na temat używania modelu ONNX rozwiązania AutoML w aplikacji .NET z ML.NET i wnioskowania modeli ONNX za pomocą interfejsu API języka C# środowiska uruchomieniowego ONNX.

    Następne kroki

    Istnieje wiele zasobów, które umożliwiają rozpoczęcie pracy z rozwiązaniem AutoML.

    Samouczki/ instrukcje

    Samouczki to kompleksowe przykłady wprowadzających scenariuszy rozwiązania AutoML.

    Artykuły z instrukcjami zawierają dodatkowe szczegółowe informacje na temat funkcji zautomatyzowanych ofert uczenia maszynowego. Na przykład:

    Przykłady notesów Jupyter

    Przejrzyj szczegółowe przykłady kodu i przypadki użycia w repozytorium notesów GitHub, aby zapoznać się z przykładami zautomatyzowanego uczenia maszynowego.

    Dokumentacja zestawu Python SDK

    Pogłębij wiedzę na temat wzorców projektowych i specyfikacji klas zestawu SDK, aby uzyskać dokumentację referencyjną klas Rozwiązania AutoML.

    Uwaga

    Funkcje zautomatyzowanego uczenia maszynowego są również dostępne w innych rozwiązaniach firmy Microsoft, takich jak ML.NET, HDInsight, Power BI i SQL Server