Jobs - Create Or Update

Usługa:

Machine Learning

Wersja interfejsu API:

2025-12-01

Tworzy i wykonuje zadanie. W przypadku aktualizacji tagi w przekazanej definicji zastąpią tagi w istniejącym zadaniu.
Tworzy i wykonuje zadanie. W przypadku aktualizacji tagi w przekazanej definicji zastąpią tagi w istniejącym zadaniu.

PUT https://management.azure.com/subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.MachineLearningServices/workspaces/{workspaceName}/jobs/{id}?api-version=2025-12-01

Parametry identyfikatora URI

Nazwa	W	Wymagane	Typ	Opis
id	path	True	string	Nazwa i identyfikator zadania. Jest to uwzględniana wielkość liter.
resourceGroupName	path	True	string minLength: 1 maxLength: 90	Nazwa grupy zasobów. Nazwa jest niewrażliwa na wielkość liter.
subscriptionId	path	True	string minLength: 1	Identyfikator subskrypcji docelowej.
workspaceName	path	True	string pattern: ^[a-zA-Z0-9][a-zA-Z0-9_-]{2,32}$	Nazwa obszaru roboczego usługi Azure Machine Learning
api-version	query	True	string minLength: 1	Wersja interfejsu API do użycia dla tej operacji.

Treść żądania

Nazwa	Wymagane	Typ	Opis
properties	True	JobBaseProperties: AutoMLJob CommandJob PipelineJob SparkJob SweepJob	[Wymagane] Dodatkowe atrybuty jednostki.

Odpowiedzi

Nazwa	Typ	Opis
200 OK	JobBase	Aktualizacja zasobu 'JobBase' zakończyła się sukcesem
201 Created	JobBase	Operacja tworzenia zasobu 'JobBase' zakończyła się sukcesem
Other Status Codes	ErrorResponse	Nieoczekiwana odpowiedź na błąd.

Zabezpieczenia

azure_auth

Przepływ OAuth2 w usłudze Azure Active Directory.

Typ: oauth2
Flow: implicit
Adres URL autoryzacji: https://login.microsoftonline.com/common/oauth2/authorize

Zakresy

Nazwa	Opis
user_impersonation	personifikacja konta użytkownika

Przykłady

CreateOrUpdate AutoML Job.

CreateOrUpdate Command Job.

CreateOrUpdate Pipeline Job.

CreateOrUpdate Sweep Job.

CreateOrUpdate AutoML Job.

Przykładowe żądanie

HTTP

PUT https://management.azure.com/subscriptions/00000000-1111-2222-3333-444444444444/resourceGroups/test-rg/providers/Microsoft.MachineLearningServices/workspaces/my-aml-workspace/jobs/string?api-version=2025-12-01

{
  "properties": {
    "description": "string",
    "computeId": "string",
    "displayName": "string",
    "environmentId": "string",
    "environmentVariables": {
      "string": "string"
    },
    "experimentName": "string",
    "identity": {
      "identityType": "AMLToken"
    },
    "isArchived": false,
    "jobType": "AutoML",
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "ReadWriteMount",
        "uri": "string"
      }
    },
    "properties": {
      "string": "string"
    },
    "resources": {
      "instanceCount": 1,
      "instanceType": "string",
      "properties": {
        "string": {
          "9bec0ab0-c62f-4fa9-a97c-7b24bbcc90ad": null
        }
      }
    },
    "services": {
      "string": {
        "endpoint": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        }
      }
    },
    "tags": {
      "string": "string"
    },
    "taskDetails": {
      "limitSettings": {
        "maxTrials": 2
      },
      "modelSettings": {
        "validationCropSize": 2
      },
      "searchSpace": [
        {
          "validationCropSize": "choice(2, 360)"
        }
      ],
      "targetColumnName": "string",
      "taskType": "ImageClassification",
      "trainingData": {
        "jobInputType": "mltable",
        "uri": "string"
      }
    }
  }
}

Przykładowa odpowiedź

Kod stanu:

200

{
  "name": "string",
  "type": "string",
  "id": "string",
  "properties": {
    "description": "string",
    "computeId": "string",
    "displayName": "string",
    "environmentId": "string",
    "environmentVariables": {
      "string": "string"
    },
    "experimentName": "string",
    "identity": {
      "identityType": "AMLToken"
    },
    "isArchived": false,
    "jobType": "AutoML",
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "ReadWriteMount",
        "uri": "string"
      }
    },
    "properties": {
      "string": "string"
    },
    "resources": {
      "instanceCount": 1,
      "instanceType": "string",
      "properties": {
        "string": {
          "9bec0ab0-c62f-4fa9-a97c-7b24bbcc90ad": null
        }
      }
    },
    "services": {
      "string": {
        "endpoint": "string",
        "errorMessage": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        },
        "status": "string"
      }
    },
    "status": "Scheduled",
    "tags": {
      "string": "string"
    },
    "taskDetails": {
      "limitSettings": {
        "maxTrials": 2
      },
      "modelSettings": {
        "validationCropSize": 2
      },
      "searchSpace": [
        {
          "validationCropSize": "choice(2, 360)"
        }
      ],
      "targetColumnName": "string",
      "taskType": "ImageClassification",
      "trainingData": {
        "jobInputType": "mltable",
        "uri": "string"
      }
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "ManagedIdentity"
  }
}

Kod stanu:

201

{
  "name": "string",
  "type": "string",
  "id": "string",
  "properties": {
    "description": "string",
    "computeId": "string",
    "displayName": "string",
    "environmentId": "string",
    "environmentVariables": {
      "string": "string"
    },
    "experimentName": "string",
    "identity": {
      "identityType": "AMLToken"
    },
    "isArchived": false,
    "jobType": "AutoML",
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "ReadWriteMount",
        "uri": "string"
      }
    },
    "properties": {
      "string": "string"
    },
    "resources": {
      "instanceCount": 1,
      "instanceType": "string",
      "properties": {
        "string": {
          "9bec0ab0-c62f-4fa9-a97c-7b24bbcc90ad": null
        }
      }
    },
    "services": {
      "string": {
        "endpoint": "string",
        "errorMessage": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        },
        "status": "string"
      }
    },
    "status": "Scheduled",
    "tags": {
      "string": "string"
    },
    "taskDetails": {
      "limitSettings": {
        "maxTrials": 2
      },
      "modelSettings": {
        "validationCropSize": 2
      },
      "searchSpace": [
        {
          "validationCropSize": "choice(2, 360)"
        }
      ],
      "targetColumnName": "string",
      "taskType": "ImageClassification",
      "trainingData": {
        "jobInputType": "mltable",
        "uri": "string"
      }
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "ManagedIdentity"
  }
}

CreateOrUpdate Command Job.

Przykładowe żądanie

HTTP

PUT https://management.azure.com/subscriptions/00000000-1111-2222-3333-444444444444/resourceGroups/test-rg/providers/Microsoft.MachineLearningServices/workspaces/my-aml-workspace/jobs/string?api-version=2025-12-01

{
  "properties": {
    "description": "string",
    "codeId": "string",
    "command": "string",
    "computeId": "string",
    "displayName": "string",
    "distribution": {
      "distributionType": "TensorFlow",
      "parameterServerCount": 1,
      "workerCount": 1
    },
    "environmentId": "string",
    "environmentVariables": {
      "string": "string"
    },
    "experimentName": "string",
    "identity": {
      "identityType": "AMLToken"
    },
    "inputs": {
      "string": {
        "description": "string",
        "jobInputType": "literal",
        "value": "string"
      }
    },
    "jobType": "Command",
    "limits": {
      "jobLimitsType": "Command",
      "timeout": "PT5M"
    },
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "ReadWriteMount",
        "uri": "string"
      }
    },
    "properties": {
      "string": "string"
    },
    "resources": {
      "instanceCount": 1,
      "instanceType": "string",
      "properties": {
        "string": {
          "e6b6493e-7d5e-4db3-be1e-306ec641327e": null
        }
      }
    },
    "services": {
      "string": {
        "endpoint": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        }
      }
    },
    "tags": {
      "string": "string"
    }
  }
}

Przykładowa odpowiedź

Kod stanu:

200

{
  "name": "string",
  "type": "string",
  "id": "string",
  "properties": {
    "description": "string",
    "codeId": "string",
    "command": "string",
    "computeId": "string",
    "displayName": "string",
    "distribution": {
      "distributionType": "TensorFlow",
      "parameterServerCount": 1,
      "workerCount": 1
    },
    "environmentId": "string",
    "environmentVariables": {
      "string": "string"
    },
    "experimentName": "string",
    "identity": {
      "identityType": "AMLToken"
    },
    "inputs": {
      "string": {
        "description": "string",
        "jobInputType": "literal",
        "value": "string"
      }
    },
    "jobType": "Command",
    "limits": {
      "jobLimitsType": "Command",
      "timeout": "PT5M"
    },
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "ReadWriteMount",
        "uri": "string"
      }
    },
    "parameters": {
      "string": "string"
    },
    "properties": {
      "string": "string"
    },
    "resources": {
      "instanceCount": 1,
      "instanceType": "string",
      "properties": {
        "string": {
          "a0847709-f5aa-4561-8ba5-d915d403fdcf": null
        }
      }
    },
    "services": {
      "string": {
        "endpoint": "string",
        "errorMessage": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        },
        "status": "string"
      }
    },
    "status": "NotStarted",
    "tags": {
      "string": "string"
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "User"
  }
}

Kod stanu:

201

{
  "name": "string",
  "type": "string",
  "id": "string",
  "properties": {
    "description": "string",
    "codeId": "string",
    "command": "string",
    "computeId": "string",
    "displayName": "string",
    "distribution": {
      "distributionType": "TensorFlow",
      "parameterServerCount": 1,
      "workerCount": 1
    },
    "environmentId": "string",
    "environmentVariables": {
      "string": "string"
    },
    "experimentName": "string",
    "identity": {
      "identityType": "AMLToken"
    },
    "inputs": {
      "string": {
        "description": "string",
        "jobInputType": "literal",
        "value": "string"
      }
    },
    "jobType": "Command",
    "limits": {
      "jobLimitsType": "Command",
      "timeout": "PT5M"
    },
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "ReadWriteMount",
        "uri": "string"
      }
    },
    "parameters": {
      "string": "string"
    },
    "properties": {
      "string": "string"
    },
    "resources": {
      "instanceCount": 1,
      "instanceType": "string",
      "properties": {
        "string": {
          "b8163d40-c351-43d6-8a34-d0cd895b8a5a": null
        }
      }
    },
    "services": {
      "string": {
        "endpoint": "string",
        "errorMessage": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        },
        "status": "string"
      }
    },
    "status": "NotStarted",
    "tags": {
      "string": "string"
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "User"
  }
}

CreateOrUpdate Pipeline Job.

Przykładowe żądanie

HTTP

PUT https://management.azure.com/subscriptions/00000000-1111-2222-3333-444444444444/resourceGroups/test-rg/providers/Microsoft.MachineLearningServices/workspaces/my-aml-workspace/jobs/string?api-version=2025-12-01

{
  "properties": {
    "description": "string",
    "computeId": "string",
    "displayName": "string",
    "experimentName": "string",
    "inputs": {
      "string": {
        "description": "string",
        "jobInputType": "literal",
        "value": "string"
      }
    },
    "jobType": "Pipeline",
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "Upload",
        "uri": "string"
      }
    },
    "properties": {
      "string": "string"
    },
    "services": {
      "string": {
        "endpoint": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        }
      }
    },
    "settings": {},
    "tags": {
      "string": "string"
    }
  }
}

Przykładowa odpowiedź

Kod stanu:

200

{
  "name": "string",
  "type": "string",
  "id": "string",
  "properties": {
    "description": "string",
    "computeId": "string",
    "displayName": "string",
    "experimentName": "string",
    "inputs": {
      "string": {
        "description": "string",
        "jobInputType": "literal",
        "value": "string"
      }
    },
    "jobType": "Pipeline",
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "Upload",
        "uri": "string"
      }
    },
    "properties": {
      "string": "string"
    },
    "services": {
      "string": {
        "endpoint": "string",
        "errorMessage": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        },
        "status": "string"
      }
    },
    "settings": {},
    "status": "NotStarted",
    "tags": {
      "string": "string"
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "User"
  }
}

Kod stanu:

201

{
  "name": "string",
  "type": "string",
  "id": "string",
  "properties": {
    "description": "string",
    "computeId": "string",
    "displayName": "string",
    "experimentName": "string",
    "inputs": {
      "string": {
        "description": "string",
        "jobInputType": "literal",
        "value": "string"
      }
    },
    "jobType": "Pipeline",
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "Upload",
        "uri": "string"
      }
    },
    "properties": {
      "string": "string"
    },
    "services": {
      "string": {
        "endpoint": "string",
        "errorMessage": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        },
        "status": "string"
      }
    },
    "settings": {},
    "status": "NotStarted",
    "tags": {
      "string": "string"
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "User"
  }
}

CreateOrUpdate Sweep Job.

Przykładowe żądanie

HTTP

PUT https://management.azure.com/subscriptions/00000000-1111-2222-3333-444444444444/resourceGroups/test-rg/providers/Microsoft.MachineLearningServices/workspaces/my-aml-workspace/jobs/string?api-version=2025-12-01

{
  "properties": {
    "description": "string",
    "computeId": "string",
    "displayName": "string",
    "earlyTermination": {
      "delayEvaluation": 1,
      "evaluationInterval": 1,
      "policyType": "MedianStopping"
    },
    "experimentName": "string",
    "jobType": "Sweep",
    "limits": {
      "jobLimitsType": "Sweep",
      "maxConcurrentTrials": 1,
      "maxTotalTrials": 1,
      "trialTimeout": "PT1S"
    },
    "objective": {
      "goal": "Minimize",
      "primaryMetric": "string"
    },
    "properties": {
      "string": "string"
    },
    "samplingAlgorithm": {
      "samplingAlgorithmType": "Grid"
    },
    "searchSpace": {
      "string": {}
    },
    "services": {
      "string": {
        "endpoint": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        }
      }
    },
    "tags": {
      "string": "string"
    },
    "trial": {
      "codeId": "string",
      "command": "string",
      "distribution": {
        "distributionType": "Mpi",
        "processCountPerInstance": 1
      },
      "environmentId": "string",
      "environmentVariables": {
        "string": "string"
      },
      "resources": {
        "instanceCount": 1,
        "instanceType": "string",
        "properties": {
          "string": {
            "e6b6493e-7d5e-4db3-be1e-306ec641327e": null
          }
        }
      }
    }
  }
}

Przykładowa odpowiedź

Kod stanu:

200

{
  "name": "string",
  "type": "string",
  "id": "string",
  "properties": {
    "description": "string",
    "computeId": "string",
    "displayName": "string",
    "earlyTermination": {
      "delayEvaluation": 1,
      "evaluationInterval": 1,
      "policyType": "MedianStopping"
    },
    "experimentName": "string",
    "jobType": "Sweep",
    "limits": {
      "jobLimitsType": "Sweep",
      "maxConcurrentTrials": 1,
      "maxTotalTrials": 1,
      "trialTimeout": "PT1S"
    },
    "objective": {
      "goal": "Minimize",
      "primaryMetric": "string"
    },
    "properties": {
      "string": "string"
    },
    "samplingAlgorithm": {
      "samplingAlgorithmType": "Grid"
    },
    "searchSpace": {
      "string": {}
    },
    "services": {
      "string": {
        "endpoint": "string",
        "errorMessage": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        },
        "status": "string"
      }
    },
    "status": "NotStarted",
    "tags": {
      "string": "string"
    },
    "trial": {
      "codeId": "string",
      "command": "string",
      "distribution": {
        "distributionType": "Mpi",
        "processCountPerInstance": 1
      },
      "environmentId": "string",
      "environmentVariables": {
        "string": "string"
      },
      "resources": {
        "instanceCount": 1,
        "instanceType": "string",
        "properties": {
          "string": {
            "e6b6493e-7d5e-4db3-be1e-306ec641327e": null
          }
        }
      }
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "User"
  }
}

Kod stanu:

201

{
  "name": "string",
  "type": "string",
  "id": "string",
  "properties": {
    "description": "string",
    "computeId": "string",
    "displayName": "string",
    "earlyTermination": {
      "delayEvaluation": 1,
      "evaluationInterval": 1,
      "policyType": "MedianStopping"
    },
    "experimentName": "string",
    "jobType": "Sweep",
    "limits": {
      "jobLimitsType": "Sweep",
      "maxConcurrentTrials": 1,
      "maxTotalTrials": 1,
      "trialTimeout": "PT1S"
    },
    "objective": {
      "goal": "Minimize",
      "primaryMetric": "string"
    },
    "properties": {
      "string": "string"
    },
    "samplingAlgorithm": {
      "samplingAlgorithmType": "Grid"
    },
    "searchSpace": {
      "string": {}
    },
    "services": {
      "string": {
        "endpoint": "string",
        "errorMessage": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        },
        "status": "string"
      }
    },
    "status": "NotStarted",
    "tags": {
      "string": "string"
    },
    "trial": {
      "codeId": "string",
      "command": "string",
      "distribution": {
        "distributionType": "Mpi",
        "processCountPerInstance": 1
      },
      "environmentId": "string",
      "environmentVariables": {
        "string": "string"
      },
      "resources": {
        "instanceCount": 1,
        "instanceType": "string",
        "properties": {
          "string": {
            "e6b6493e-7d5e-4db3-be1e-306ec641327e": null
          }
        }
      }
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "User"
  }
}

Definicje

Nazwa	Opis
AllNodes	Wszystkie węzły oznaczają, że usługa będzie uruchomiona we wszystkich węzłach zadania
AmlToken	Konfiguracja tożsamości tokenu AML.
AutoForecastHorizon	Horyzont prognozy wyznaczany automatycznie przez system.
AutoMLJob	Klasa AutoMLJob. Użyj tej klasy do wykonywania zadań automatycznego uczenia maszynowego, takich jak klasyfikacja/regresja itp. Zobacz Wyliczenie TaskType , aby zapoznać się ze wszystkimi obsługiwanymi zadaniami.
AutoNCrossValidations	Walidacje N-Cross ustalane automatycznie.
AutoSeasonality
AutoTargetLags
AutoTargetRollingWindowSize	Opóźnienie docelowe kroczące okno jest określane automatycznie.
AzureDevOpsWebhook	Szczegóły elementu webhook specyficzne dla usługi Azure DevOps
BanditPolicy	Definiuje zasady wczesnego kończenia na podstawie kryteriów zapasu czasu oraz częstotliwość i interwał opóźnienia na potrzeby oceny
BayesianSamplingAlgorithm	Definiuje algorytm próbkowania, który generuje wartości na podstawie poprzednich wartości
BlockedTransformers	Wyliczenie dla wszystkich modeli klasyfikacji obsługiwanych przez rozwiązanie AutoML.
Classification	Zadanie klasyfikacji w pionowej tabeli AutoML.
ClassificationModels	Wyliczenie dla wszystkich modeli klasyfikacji obsługiwanych przez rozwiązanie AutoML.
ClassificationMultilabelPrimaryMetrics	Podstawowe metryki dla zadań klasyfikacji z wieloma etykietami.
ClassificationPrimaryMetrics	Podstawowe metryki dla zadań klasyfikacji.
ClassificationTrainingSettings	Klasyfikacja Konfiguracja związana ze szkoleniem.
CommandJob	Definicja zadania polecenia.
CommandJobLimits	Klasa limitu zadania polecenia.
createdByType	Typ tożsamości, która utworzyła zasób.
CustomForecastHorizon	Żądany maksymalny horyzont prognozy w jednostkach częstotliwości szeregów czasowych.
CustomModelJobInput
CustomModelJobOutput
CustomNCrossValidations	Walidacje N-Cross są określane przez użytkownika.
CustomSeasonality
CustomTargetLags
CustomTargetRollingWindowSize
DistributionType	Wyliczenie w celu określenia typu dystrybucji zadań.
EarlyTerminationPolicyType
EmailNotificationEnableType	Wyliczenie, aby określić typ powiadomienia e-mail.
ErrorAdditionalInfo	Dodatkowe informacje o błędzie zarządzania zasobami.
ErrorDetail	Szczegóły błędu.
ErrorResponse	Odpowiedź na błąd
FeatureLags	Flaga służąca do generowania opóźnień dla obiektów numerycznych.
FeaturizationMode	Tryb cechowania — użytkownik może zachować domyślny tryb "Auto", a rozwiązanie AutoML zajmie się niezbędnym przekształceniem danych w fazie cechowania. Jeśli wybrano opcję "Wyłączone", nie jest wykonywana cechowanie. Jeśli wybrano opcję "Niestandardowy", użytkownik może określić dodatkowe dane wejściowe, aby dostosować sposób wykonywania cechowania.
ForecastHorizonMode	Wyliczenie do określania trybu wyboru horyzontu prognozy.
Forecasting	Zadanie prognozowania w tabeli AutoML w pionie.
ForecastingModels	Wyliczenie dla wszystkich modeli prognozowania obsługiwanych przez rozwiązanie AutoML.
ForecastingPrimaryMetrics	Podstawowe metryki dla zadania prognozowania.
ForecastingSettings	Prognozowanie określonych parametrów.
ForecastingTrainingSettings	Prognozowanie konfiguracji związanej ze szkoleniem.
Goal	Definiuje obsługiwane cele metryk dla dostrajania hiperparametrów
GridSamplingAlgorithm	Definiuje algorytm próbkowania, który wyczerpująco generuje każdą kombinację wartości w przestrzeni
IdentityConfigurationType	Wyliczenie w celu określenia struktury tożsamości.
ImageClassification	Klasyfikacja obrazu. Klasyfikacja obrazów wieloklasowych jest używana, gdy obraz jest klasyfikowany tylko za pomocą jednej etykiety z zestawu klas - np. każdy obraz jest klasyfikowany jako obraz "kota", "psa" lub "kaczki".
ImageClassificationMultilabel	Klasyfikacja obrazów Multilabel. Klasyfikacja obrazów z wieloma etykietami jest używana, gdy obraz może mieć jedną lub więcej etykiet z zestawu etykiet - np. obraz może być oznaczony zarówno jako "kot", jak i "pies".
ImageInstanceSegmentation	Segmentacja instancji obrazu. Segmentacja instancji służy do identyfikowania obiektów na obrazie na poziomie pikseli, rysowania wielokąta wokół każdego obiektu na obrazie.
ImageLimitSettings	Ogranicz ustawienia zadania automatycznego uczenia maszynowego.
ImageModelDistributionSettingsClassification	Wyrażenia dystrybucji do zamiatania wartości ustawień modelu. <Przykład> Oto kilka przykładów: ModelName = "choice('seresnext', 'resnest50')"; LearningRate = "uniform(0.001, 0.01)"; LayersToFreeze = "choice(0, 2)"; ```</example> For more details on how to compose distribution expressions please check the documentation: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters For more information on the available settings please visit the official documentation: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
ImageModelDistributionSettingsObjectDetection	Wyrażenia dystrybucji do zamiatania wartości ustawień modelu. <Przykład> Oto kilka przykładów: ModelName = "choice('seresnext', 'resnest50')"; LearningRate = "uniform(0.001, 0.01)"; LayersToFreeze = "choice(0, 2)"; ```</example> For more details on how to compose distribution expressions please check the documentation: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters For more information on the available settings please visit the official documentation: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
ImageModelSettingsClassification	Ustawienia używane do trenowania modelu. Aby uzyskać więcej informacji na temat dostępnych ustawień, zapoznaj się z oficjalną dokumentacją: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
ImageModelSettingsObjectDetection	Ustawienia używane do trenowania modelu. Aby uzyskać więcej informacji na temat dostępnych ustawień, zapoznaj się z oficjalną dokumentacją: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
ImageObjectDetection	Wykrywanie obiektów obrazu. Wykrywanie obiektów służy do identyfikowania obiektów na obrazie i lokalizowania każdego obiektu za pomocą obwiedni, np. Lokalizowanie wszystkich psów i kotów na obrazie i rysowanie obwiedni wokół każdego z nich.
ImageSweepSettings	Ustawienia związane z zamiatanie modeli i zamiatanie hiperparametrów.
InputDeliveryMode	Wyliczenie, aby określić tryb dostarczania danych wejściowych.
InstanceSegmentationPrimaryMetrics	Podstawowe metryki dla zadań InstanceSegmentation.
JobBase	Koperta zasobów usługi Azure Resource Manager.
JobInputType	Wyliczenie w celu określenia typu danych wejściowych zadania.
JobLimitsType
JobOutputType	Wyliczenie w celu określenia typu danych wyjściowych zadania.
JobResourceConfiguration
JobService	Definicja punktu końcowego zadania
JobStatus	Stan zadania.
JobTier	Wyliczenie w celu określenia warstwy zadań.
JobType	Wyliczenie w celu określenia typu zadania.
LearningRateScheduler	Wyliczenie harmonogramu szybkości uczenia się.
LiteralJobInput	Typ danych wejściowych literału.
LogVerbosity	Wyliczenie do ustawiania szczegółowości dziennika.
ManagedIdentity	Konfiguracja tożsamości zarządzanej.
MedianStoppingPolicy	Definiuje zasady wczesnego kończenia na podstawie średnich bieżących metryki podstawowej wszystkich przebiegów
MLFlowModelJobInput
MLFlowModelJobOutput
MLTableJobInput
MLTableJobOutput
ModelSize	Rozmiar modelu obrazu.
Mpi	Konfiguracja dystrybucji MPI.
NCrossValidationsMode	Określa sposób określania wartości walidacji N-Cross.
NlpVerticalFeaturizationSettings
NlpVerticalLimitSettings	Ograniczenia wykonywania zadań.
NodesValueType	Wyliczone typy dla wartości węzłów
NotificationSetting	Konfiguracja powiadomienia.
ObjectDetectionPrimaryMetrics	Podstawowe metryki dla zadania Image ObjectDetection.
Objective	Cel optymalizacji.
OutputDeliveryMode	Wyliczenia trybu dostarczania danych wyjściowych.
PipelineJob	Definicja zadania potoku: definiuje ogólne atrybuty MFE.
PyTorch	Konfiguracja dystrybucji PyTorch.
QueueSettings
RandomSamplingAlgorithm	Definiuje algorytm próbkowania, który generuje wartości losowo
RandomSamplingAlgorithmRule	Określony typ algorytmu losowego
Regression	Zadanie regresji w tabeli AutoML w pionie.
RegressionModels	Wyliczenie dla wszystkich modeli regresji obsługiwanych przez rozwiązanie AutoML.
RegressionPrimaryMetrics	Podstawowe metryki dla zadania regresji.
RegressionTrainingSettings	Konfiguracja związana z trenowaniem regresji.
SamplingAlgorithmType
SeasonalityMode	Prognozowanie trybu sezonowości.
ShortSeriesHandlingConfiguration	Parametr definiujący sposób obsługi krótkich szeregów czasowych przez rozwiązanie AutoML.
SparkJob	Definicja zadania platformy Spark.
SparkJobEntryType
SparkJobPythonEntry
SparkJobScalaEntry
SparkResourceConfiguration
StackEnsembleSettings	Zaawansowane ustawienie w celu dostosowania przebiegu StackEnsemble.
StackMetaLearnerType	Meta-uczący się to model wytrenowany na wynikach poszczególnych heterogenicznych modeli.\r\nDomyślnymi meta-uczącymi się są LogisticRegression dla zadań klasyfikacyjnych (lub LogisticRegressionCV, jeśli walidacja krzyżowa jest włączona) oraz ElasticNet dla zadań regresji/prognozowania (lub ElasticNetCV, jeśli walidacja krzyżowa jest włączona).\r\nTen parametr może być jednym z następujących ciągów znaków: LogisticRegression, LogisticRegressionCV, LightGBMClassifier, ElasticNet, ElasticNetCV, LightGBMRegressor lub LinearRegression
StochasticOptimizer	Optymalizator stochastyczny dla modeli obrazów.
SweepJob	Definicja zadania zamiatania.
SweepJobLimits	Klasa limitu zadania zamiatania.
systemData	Metadane dotyczące tworzenia i ostatniej modyfikacji zasobu.
TableVerticalFeaturizationSettings	Konfiguracja cechowania.
TableVerticalLimitSettings	Ograniczenia wykonywania zadań.
TargetAggregationFunction	Docelowa funkcja agregująca.
TargetLagsMode	Tryby wyboru docelowych opóźnień.
TargetRollingWindowSizeMode	Docelowy tryb rozmiaru okien kroczących.
TaskType	AutoMLJob Typ zadania.
TensorFlow	Konfiguracja dystrybucji TensorFlow.
TextClassification	Zadanie klasyfikacji tekstu w pionie NLP rozwiązania AutoML. NLP - Przetwarzanie Języka Naturalnego.
TextClassificationMultilabel	Zadanie Klasyfikacja tekstu z wieloma etykietami w pionie automatycznego uczenia maszynowego NLP. NLP - Przetwarzanie Języka Naturalnego.
TextNer	Text-NER zadanie w pionie AutoML NLP. NER - Rozpoznawanie jednostek nazwanych. NLP - Przetwarzanie Języka Naturalnego.
TrialComponent	Definicja składnika wersji próbnej.
TritonModelJobInput
TritonModelJobOutput
TruncationSelectionPolicy	Definiuje zasady wczesnego kończenia, które anulują dany procent przebiegów w każdym interwale oceny.
UriFileJobInput
UriFileJobOutput
UriFolderJobInput
UriFolderJobOutput
UserIdentity	Konfiguracja tożsamości użytkownika.
UseStl	Skonfiguruj dekompozycję STL kolumny docelowej szeregów czasowych.
ValidationMetricType	Metoda obliczania metryk do użycia na potrzeby metryk walidacji w zadaniach obrazów.
WebhookType	Wyliczenie w celu określenia typu usługi wywołania zwrotnego elementu webhook.

AllNodes

Objekt

Wszystkie węzły oznaczają, że usługa będzie uruchomiona we wszystkich węzłach zadania

Nazwa	Typ	Opis
nodesValueType	string: All	[Wymagane] Typ wartości Węzły

AmlToken

Objekt

Konfiguracja tożsamości tokenu AML.

Nazwa	Typ	Opis
identityType	string: AMLToken	[Wymagane] Określa typ struktury tożsamości.

AutoForecastHorizon

Objekt

Horyzont prognozy wyznaczany automatycznie przez system.

Nazwa	Typ	Opis
mode	string: Auto	[Wymagane] Ustaw tryb wyboru wartości horyzontu prognozy.

AutoMLJob

Objekt

Klasa AutoMLJob. Użyj tej klasy do wykonywania zadań automatycznego uczenia maszynowego, takich jak klasyfikacja/regresja itp. Zobacz Wyliczenie TaskType , aby zapoznać się ze wszystkimi obsługiwanymi zadaniami.

Nazwa	Typ	Domyślna wartość	Opis
componentId	string		Identyfikator zasobu usługi ARM zasobu składnika.
computeId	string		Identyfikator zasobu usługi ARM zasobu obliczeniowego.
description	string		Tekst opisu zasobu.
displayName	string		Nazwa wyświetlana zadania.
environmentId	string		Identyfikator zasobu usługi ARM specyfikacji środowiska dla zadania. Ta wartość jest opcjonalna, aby podać, jeśli nie podano, rozwiązanie AutoML spowoduje ustawienie domyślne dla produkcyjnej wersji środowiska wyselekcjonowanych automatycznego uczenia maszynowego podczas uruchamiania zadania.
environmentVariables	object		Zmienne środowiskowe uwzględnione w zadaniu.
experimentName	string	Default	Nazwa eksperymentu, do którego należy zadanie. Jeśli nie zostanie ustawione, zadanie zostanie umieszczone w eksperymencie "Domyślny".
identity	IdentityConfiguration: AmlToken ManagedIdentity UserIdentity		Konfiguracja tożsamości. W przypadku ustawienia powinna to być jedna z wartości AmlToken, ManagedIdentity, UserIdentity lub null. Wartość domyślna to AmlToken, jeśli ma wartość null.
isArchived	boolean	False	Czy zasób jest archiwizowany?
jobType	string: AutoML		[Wymagane] Określa typ zadania.
notificationSetting	NotificationSetting		Ustawienie powiadomienia dla zadania
outputs	object		Mapowanie powiązań danych wyjściowych używanych w zadaniu.
properties	object		Słownik właściwości elementu zawartości.
queueSettings	QueueSettings		Ustawienia kolejki dla zadania
resources	JobResourceConfiguration		Konfiguracja zasobów obliczeniowych dla zadania.
services	<string,  JobService>		Lista punktów zadań. W przypadku zadań lokalnych punkt końcowy zadania będzie miał wartość punktu końcowego FileStreamObject.
status	JobStatus		Stan zadania.
tags	object		Słownik tagów. Tagi można dodawać, usuwać i aktualizować.
taskDetails	AutoMLVertical: Classification Forecasting ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection Regression TextClassification TextClassificationMultilabel TextNer		[Wymagane] Reprezentuje to scenariusz, który może być jednym z tabel/nlp/obrazu

AutoNCrossValidations

Objekt

Walidacje N-Cross ustalane automatycznie.

Nazwa	Typ	Opis
mode	string: Auto	[Wymagane] Tryb określania poprawności N-Cross.

AutoSeasonality

Objekt

Nazwa	Typ	Opis
mode	string: Auto	[Wymagane] Tryb sezonowości.

AutoTargetLags

Objekt

Nazwa	Typ	Opis
mode	string: Auto	[Wymagane] Ustawianie trybu opóźnień docelowych — automatyczne/niestandardowe

AutoTargetRollingWindowSize

Objekt

Opóźnienie docelowe kroczące okno jest określane automatycznie.

Nazwa	Typ	Opis
mode	string: Auto	[Wymagane] TargetRollingWindowSiz detection mode (Tryb wykrywania TargetRollingWindowSiz).

AzureDevOpsWebhook

Objekt

Szczegóły elementu webhook specyficzne dla usługi Azure DevOps

Nazwa	Typ	Opis
eventType	string	Wysyłanie wywołania zwrotnego w określonym zdarzeniu powiadomienia
webhookType	string: AzureDevOps	[Wymagane] Określa typ usługi do wysłania wywołania zwrotnego

BanditPolicy

Objekt

Definiuje zasady wczesnego kończenia na podstawie kryteriów zapasu czasu oraz częstotliwość i interwał opóźnienia na potrzeby oceny

Nazwa	Typ	Domyślna wartość	Opis
delayEvaluation	integer (int32)	0	Liczba interwałów, według których należy opóźnić pierwszą ocenę.
evaluationInterval	integer (int32)	0	Interwał (liczba przebiegów) między ocenami zasad.
policyType	string: Bandit		[Wymagane] Nazwa konfiguracji zasad
slackAmount	number (float)	0	Bezwzględna odległość dozwolona od najlepiej działającego przebiegu.
slackFactor	number (float)	0	Współczynnik dozwolonej odległości od najlepszego przebiegu.

BayesianSamplingAlgorithm

Objekt

Definiuje algorytm próbkowania, który generuje wartości na podstawie poprzednich wartości

Nazwa	Typ	Opis
samplingAlgorithmType	string: Bayesian	[Wymagane] Algorytm używany do generowania wartości hiperparametrów wraz z właściwościami konfiguracji

BlockedTransformers

Wyliczenie

Wyliczenie dla wszystkich modeli klasyfikacji obsługiwanych przez rozwiązanie AutoML.

Wartość	Opis
TextTargetEncoder	Kodowanie docelowe dla danych tekstowych.
OneHotEncoder	Kodowanie na gorąco powoduje utworzenie transformacji funkcji binarnej.
CatTargetEncoder	Kodowanie docelowe dla danych podzielonych na kategorie.
TfIdf	Tf-Idf oznacza częstotliwość terminów i odwrotność częstotliwości dokumentów. Jest to powszechny schemat ważenia terminów służący do identyfikowania informacji z dokumentów.
WoETargetEncoder	Kodowanie wagi dowodów jest techniką używaną do kodowania zmiennych jakościowych. Używa logarytmu naturalnego P(1)/P(0) do tworzenia wag.
LabelEncoder	Koder etykiet konwertuje etykiety/zmienne jakościowe w postaci liczbowej.
WordEmbedding	Osadzanie programu Word pomaga reprezentować słowa lub frazy jako wektor lub serię liczb.
NaiveBayes	Naiwny algorytm Bayesa to klasyfikacja używana do klasyfikowania cech dyskretnych, które są rozłożone kategorycznie.
CountVectorizer	Count Vectorizer konwertuje kolekcję dokumentów tekstowych na macierz liczby tokenów.
HashOneHotEncoder	Hashing One Hot Encoder może przekształcić zmienne jakościowe w ograniczoną liczbę nowych funkcji. Jest to często używane w przypadku funkcji kategorii o wysokiej kardynalności.

Classification

Objekt

Zadanie klasyfikacji w pionowej tabeli AutoML.

Nazwa	Typ	Domyślna wartość	Opis
cvSplitColumnNames	string[]		Kolumny do użycia dla danych CVSplit.
featurizationSettings	TableVerticalFeaturizationSettings		Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.
limitSettings	TableVerticalLimitSettings		Ograniczenia wykonywania dla zadania AutoMLJob.
logVerbosity	LogVerbosity	Info	Wyliczenie do ustawiania szczegółowości dziennika.
nCrossValidations	NCrossValidations: AutoNCrossValidations CustomNCrossValidations		Liczba krotnych walidacji krzyżowych, które mają zostać zastosowane do zestawu danych treningowych, gdy zestaw danych walidacji nie zostanie podany.
positiveLabel	string		Etykieta dodatnia dla obliczeń metryk binarnych.
primaryMetric	ClassificationPrimaryMetrics	AUCWeighted	Podstawowe metryki dla zadań klasyfikacji.
targetColumnName	string		Nazwa kolumny docelowej: jest to kolumna wartości przewidywania. Znana również jako nazwa kolumny etykiety w kontekście zadań klasyfikacji.
taskType	string: Classification		[Wymagane] Typ zadania dla zadania AutoMLJob.
testData	MLTableJobInput		Testowanie danych wejściowych.
testDataSize	number (double)		Ułamek zestawu danych testowych, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0,0 , 1,0) stosowane, gdy nie podano zestawu danych walidacji.
trainingData	MLTableJobInput		[Wymagane] Dane wejściowe danych treningowych.
trainingSettings	ClassificationTrainingSettings		Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego.
validationData	MLTableJobInput		Dane wejściowe danych walidacji.
validationDataSize	number (double)		Ułamek zestawu danych trenowania, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0,0 , 1,0) stosowane, gdy nie podano zestawu danych walidacji.
weightColumnName	string		Nazwa kolumny wagi próbki. Zautomatyzowane uczenie maszynowe obsługuje kolumnę ważoną jako dane wejściowe, co powoduje, że wiersze w danych mają być ważone w górę lub w dół.

ClassificationModels

Wyliczenie

Wyliczenie dla wszystkich modeli klasyfikacji obsługiwanych przez rozwiązanie AutoML.

Wartość	Opis
LogisticRegression	Regresja logistyczna jest podstawową techniką klasyfikacji. Należy do grupy klasyfikatorów liniowych i jest nieco podobna do regresji wielomianowej i liniowej. Regresja logistyczna jest szybka i stosunkowo nieskomplikowana, a interpretacja wyników jest wygodna. Chociaż jest to zasadniczo metoda klasyfikacji binarnej, może być również stosowana do problemów wieloklasowych.
SGD	SGD: Stochastyczne zejście gradientowe to algorytm optymalizacyjny często używany w aplikacjach uczenia maszynowego w celu znalezienia parametrów modelu, które odpowiadają najlepszemu dopasowaniu między przewidywanymi a rzeczywistymi wynikami.
MultinomialNaiveBayes	Wielomianowy naiwny klasyfikator Bayesa nadaje się do klasyfikacji z cechami dyskretnymi (np. liczbą słów do klasyfikacji tekstu). Rozkład wielomianowy zwykle wymaga liczby funkcji całkowitych. Jednak w praktyce mogą również działać zliczenia ułamkowe, takie jak tf-idf.
BernoulliNaiveBayes	Naiwny klasyfikator Bayesa dla wielowymiarowych modeli Bernoulliego.
SVM	Maszyna wektorów nośnych (SVM) to nadzorowany model uczenia maszynowego, który wykorzystuje algorytmy klasyfikacji dla problemów klasyfikacji dwóch grup. Po przekazaniu modelowi SVM zestawów oznaczonych danych treningowych dla każdej kategorii, są w stanie skategoryzować nowy tekst.
LinearSVM	Maszyna wektorów nośnych (SVM) to nadzorowany model uczenia maszynowego, który wykorzystuje algorytmy klasyfikacji dla problemów klasyfikacji dwóch grup. Po przekazaniu modelowi SVM zestawów oznaczonych danych treningowych dla każdej kategorii, są w stanie skategoryzować nowy tekst. Liniowa SVM działa najlepiej, gdy dane wejściowe są liniowe, tj. dane można łatwo sklasyfikować, rysując linię prostą między sklasyfikowanymi wartościami na wykresie.
KNN	Algorytm K-najbliższych sąsiadów (KNN) wykorzystuje "podobieństwo cech" do przewidywania wartości nowych punktów danych, co dodatkowo oznacza, że nowemu punktowi danych zostanie przypisana wartość na podstawie tego, jak bardzo pasuje do punktów w zbiorze treningowym.
DecisionTree	Drzewa decyzyjne to nieparametryczna metoda uczenia nadzorowanego używana zarówno do zadań klasyfikacji, jak i regresji. Celem jest stworzenie modelu, który przewiduje wartość zmiennej docelowej poprzez uczenie się prostych reguł decyzyjnych wywnioskowanych z funkcji danych.
RandomForest	Las losowy jest algorytmem uczenia nadzorowanego. "Las", który buduje, jest zbiorem drzew decyzyjnych, zwykle trenowanych metodą "workowania". Ogólna idea metody workowania polega na tym, że połączenie modeli uczenia się zwiększa ogólny wynik.
ExtremeRandomTrees	Extreme Trees to algorytm uczenia maszynowego oparty na zespole, który łączy przewidywania z wielu drzew decyzyjnych. Jest to związane z szeroko stosowanym algorytmem lasu losowego.
LightGBM	LightGBM to framework zwiększający gradient, który wykorzystuje algorytmy uczenia się oparte na drzewach.
GradientBoosting	Technika przekształcania uczniów uczących się w ciągu tygodnia w silnego ucznia nazywa się Boostingiem. Proces algorytmu zwiększania gradientu działa w oparciu o tę teorię wykonania.
XGBoostClassifier	XGBoost: Algorytm zwiększania ekstremalnego gradientu. Ten algorytm jest używany w przypadku danych strukturalnych, w których wartości kolumn docelowych można podzielić na odrębne wartości klas.

ClassificationMultilabelPrimaryMetrics

Wyliczenie

Podstawowe metryki dla zadań klasyfikacji z wieloma etykietami.

Wartość	Opis
AUCWeighted	AUC to obszar pod krzywą. Ta metryka reprezentuje średnią arytmetyczną wyniku dla każdej klasy, ważoną liczbą prawdziwych wystąpień w każdej klasie.
Accuracy	Dokładność to stosunek przewidywań, które dokładnie pasują do rzeczywistych etykiet klas.
NormMacroRecall	Znormalizowane kompletność makr przypomina średnie makro i znormalizowane, dzięki czemu losowa wydajność ma wynik 0, a doskonała wydajność ma wynik 1.
AveragePrecisionScoreWeighted	Średnia arytmetyczna średniego wyniku precyzji dla każdej klasy, ważona liczbą prawdziwych wystąpień w każdej klasie.
PrecisionScoreWeighted	Średnia arytmetyczna precyzji dla każdej klasy, ważona liczbą prawdziwych wystąpień w każdej klasie.
IOU	Skrzyżowanie nad Unią. Przecięcie przewidywań podzielone przez sumę przewidywań.

ClassificationPrimaryMetrics

Wyliczenie

Podstawowe metryki dla zadań klasyfikacji.

Wartość	Opis
AUCWeighted	AUC to obszar pod krzywą. Ta metryka reprezentuje średnią arytmetyczną wyniku dla każdej klasy, ważoną liczbą prawdziwych wystąpień w każdej klasie.
Accuracy	Dokładność to stosunek przewidywań, które dokładnie pasują do rzeczywistych etykiet klas.
NormMacroRecall	Znormalizowane kompletność makr przypomina średnie makro i znormalizowane, dzięki czemu losowa wydajność ma wynik 0, a doskonała wydajność ma wynik 1.
AveragePrecisionScoreWeighted	Średnia arytmetyczna średniego wyniku precyzji dla każdej klasy, ważona liczbą prawdziwych wystąpień w każdej klasie.
PrecisionScoreWeighted	Średnia arytmetyczna precyzji dla każdej klasy, ważona liczbą prawdziwych wystąpień w każdej klasie.

ClassificationTrainingSettings

Objekt

Klasyfikacja Konfiguracja związana ze szkoleniem.

Nazwa	Typ	Domyślna wartość	Opis
allowedTrainingAlgorithms	ClassificationModels[]		Dozwolone modele dla zadania klasyfikacji.
blockedTrainingAlgorithms	ClassificationModels[]		Zablokowane modele dla zadania klasyfikacji.
enableDnnTraining	boolean	False	Włącz zalecenie dotyczące modeli sieci rozproszonej.
enableModelExplainability	boolean	True	Flaga włączania możliwości objaśnienia dla najlepszego modelu.
enableOnnxCompatibleModels	boolean	False	Flaga włączania modeli zgodnych z programem onnx.
enableStackEnsemble	boolean	True	Włącz uruchamianie zespołu stosu.
enableVoteEnsemble	boolean	True	Włącz uruchamianie zespołu do głosowania.
ensembleModelDownloadTimeout	string (duration)	PT5M	Podczas generowania modeli VotingEnsemble i StackEnsemble pobierane są wiele dopasowanych modeli z poprzednich przebiegów podrzędnych. Skonfiguruj ten parametr z wyższą wartością niż 300 sekund, jeśli jest potrzebny więcej czasu.
stackEnsembleSettings	StackEnsembleSettings		Ustawienia zespołu stosu dla przebiegu zespołu stosu.

CommandJob

Objekt

Definicja zadania polecenia.

Nazwa	Typ	Domyślna wartość	Opis
codeId	string		Identyfikator zasobu usługi ARM zasobu kodu.
command	string minLength: 1 pattern: [a-zA-Z0-9_]		[Wymagane] Polecenie do wykonania podczas uruchamiania zadania. eg. "Python train.py"
componentId	string		Identyfikator zasobu usługi ARM zasobu składnika.
computeId	string		Identyfikator zasobu usługi ARM zasobu obliczeniowego.
description	string		Tekst opisu zasobu.
displayName	string		Nazwa wyświetlana zadania.
distribution	DistributionConfiguration: Mpi PyTorch TensorFlow		Konfiguracja dystrybucji zadania. W przypadku ustawienia powinna to być jedna z wartości Mpi, Tensorflow, PyTorch lub null.
environmentId	string minLength: 1 pattern: [a-zA-Z0-9_]		[Wymagane] Identyfikator zasobu usługi ARM specyfikacji środowiska dla zadania.
environmentVariables	object		Zmienne środowiskowe uwzględnione w zadaniu.
experimentName	string	Default	Nazwa eksperymentu, do którego należy zadanie. Jeśli nie zostanie ustawione, zadanie zostanie umieszczone w eksperymencie "Domyślny".
identity	IdentityConfiguration: AmlToken ManagedIdentity UserIdentity		Konfiguracja tożsamości. W przypadku ustawienia powinna to być jedna z wartości AmlToken, ManagedIdentity, UserIdentity lub null. Wartość domyślna to AmlToken, jeśli ma wartość null.
inputs	object		Mapowanie powiązań danych wejściowych używanych w zadaniu.
isArchived	boolean	False	Czy zasób jest archiwizowany?
jobType	string: Command		[Wymagane] Określa typ zadania.
limits	CommandJobLimits		Limit zadań poleceń.
notificationSetting	NotificationSetting		Ustawienie powiadomienia dla zadania
outputs	object		Mapowanie powiązań danych wyjściowych używanych w zadaniu.
parameters			Parametry wejściowe.
properties	object		Słownik właściwości elementu zawartości.
queueSettings	QueueSettings		Ustawienia kolejki dla zadania
resources	JobResourceConfiguration		Konfiguracja zasobów obliczeniowych dla zadania.
services	<string,  JobService>		Lista punktów zadań. W przypadku zadań lokalnych punkt końcowy zadania będzie miał wartość punktu końcowego FileStreamObject.
status	JobStatus		Stan zadania.
tags	object		Słownik tagów. Tagi można dodawać, usuwać i aktualizować.

CommandJobLimits

Objekt

Klasa limitu zadania polecenia.

Nazwa	Typ	Opis
jobLimitsType	string: Command	[Wymagane] Typ JobLimit.
timeout	string (duration)	Maksymalny czas trwania przebiegu w formacie ISO 8601, po którym zadanie zostanie anulowane. Obsługuje tylko czas trwania z dokładnością do sekund.

createdByType

Wyliczenie

Typ tożsamości, która utworzyła zasób.

Wartość	Opis
User
Application
ManagedIdentity
Key

CustomForecastHorizon

Objekt

Żądany maksymalny horyzont prognozy w jednostkach częstotliwości szeregów czasowych.

Nazwa	Typ	Opis
mode	string: Custom	[Wymagane] Ustaw tryb wyboru wartości horyzontu prognozy.
value	integer (int32)	[Wymagane] Wartość horyzontu prognozy.

CustomModelJobInput

Objekt

Nazwa	Typ	Domyślna wartość	Opis
description	string		Opis danych wejściowych.
jobInputType	string: custom_model		[Wymagane] Określa typ zadania.
mode	InputDeliveryMode	ReadOnlyMount	Wyliczenie, aby określić tryb dostarczania danych wejściowych.
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[Wymagane] Identyfikator URI zasobu wejściowego.

CustomModelJobOutput

Objekt

Nazwa	Typ	Domyślna wartość	Opis
assetName	string		Nazwa zasobu wyjściowego.
description	string		Opis danych wyjściowych.
jobOutputType	string: custom_model		[Wymagane] Określa typ zadania.
mode	OutputDeliveryMode	ReadWriteMount	Wyliczenia trybu dostarczania danych wyjściowych.
uri	string		Identyfikator URI elementu zawartości wyjściowej.

CustomNCrossValidations

Objekt

Walidacje N-Cross są określane przez użytkownika.

Nazwa	Typ	Opis
mode	string: Custom	[Wymagane] Tryb określania poprawności N-Cross.
value	integer (int32)	[Wymagane] N-Cross validations wartość.

CustomSeasonality

Objekt

Nazwa	Typ	Opis
mode	string: Custom	[Wymagane] Tryb sezonowości.
value	integer (int32)	[Wymagane] Wartość sezonowości.

CustomTargetLags

Objekt

Nazwa	Typ	Opis
mode	string: Custom	[Wymagane] Ustawianie trybu opóźnień docelowych — automatyczne/niestandardowe
values	integer[] (int32)	[Wymagane] Ustaw wartości opóźnień docelowych.

CustomTargetRollingWindowSize

Objekt

Nazwa	Typ	Opis
mode	string: Custom	[Wymagane] TargetRollingWindowSiz detection mode (Tryb wykrywania TargetRollingWindowSiz).
value	integer (int32)	[Wymagane] Wartość TargetRollingWindowSize.

DistributionType

Wyliczenie

Wyliczenie w celu określenia typu dystrybucji zadań.

Wartość	Opis
PyTorch
TensorFlow
Mpi

EarlyTerminationPolicyType

Wyliczenie

Wartość	Opis
Bandit
MedianStopping
TruncationSelection

EmailNotificationEnableType

Wyliczenie

Wyliczenie, aby określić typ powiadomienia e-mail.

Wartość	Opis
JobCompleted
JobFailed
JobCancelled

ErrorAdditionalInfo

Objekt

Dodatkowe informacje o błędzie zarządzania zasobami.

Nazwa	Typ	Opis
info	object	Dodatkowe informacje.
type	string	Dodatkowy typ informacji.

ErrorDetail

Objekt

Szczegóły błędu.

Nazwa	Typ	Opis
additionalInfo	ErrorAdditionalInfo[]	Dodatkowe informacje o błędzie.
code	string	Kod błędu.
details	ErrorDetail[]	Szczegóły błędu.
message	string	Komunikat o błędzie.
target	string	Element docelowy błędu.

ErrorResponse

Objekt

Odpowiedź na błąd

Nazwa	Typ	Opis
error	ErrorDetail	Obiekt błędu.

FeatureLags

Wyliczenie

Flaga służąca do generowania opóźnień dla obiektów numerycznych.

Wartość	Opis
None	Nie generowano żadnych opóźnień funkcji.
Auto	System automatycznie generuje opóźnienia funkcji.

FeaturizationMode

Wyliczenie

Tryb cechowania — użytkownik może zachować domyślny tryb "Auto", a rozwiązanie AutoML zajmie się niezbędnym przekształceniem danych w fazie cechowania. Jeśli wybrano opcję "Wyłączone", nie jest wykonywana cechowanie. Jeśli wybrano opcję "Niestandardowy", użytkownik może określić dodatkowe dane wejściowe, aby dostosować sposób wykonywania cechowania.

Wartość	Opis
Auto	Tryb automatyczny, system wykonuje cechowanie bez żadnych niestandardowych danych wejściowych cechowania.
Custom	Niestandardowa cecha.
Off	Cechowanie wyłączone. Zadanie "Prognozowanie" nie może używać tej wartości.

ForecastHorizonMode

Wyliczenie

Wyliczenie do określania trybu wyboru horyzontu prognozy.

Wartość	Opis
Auto	Horyzont prognozy do wyznaczenia automatycznie.
Custom	Użyj niestandardowego horyzontu prognozy.

Forecasting

Objekt

Zadanie prognozowania w tabeli AutoML w pionie.

Nazwa	Typ	Domyślna wartość	Opis
cvSplitColumnNames	string[]		Kolumny do użycia dla danych CVSplit.
featurizationSettings	TableVerticalFeaturizationSettings		Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.
forecastingSettings	ForecastingSettings		Prognozowanie danych wejściowych specyficznych dla zadania.
limitSettings	TableVerticalLimitSettings		Ograniczenia wykonywania dla zadania AutoMLJob.
logVerbosity	LogVerbosity	Info	Wyliczenie do ustawiania szczegółowości dziennika.
nCrossValidations	NCrossValidations: AutoNCrossValidations CustomNCrossValidations		Liczba krotnych walidacji krzyżowych, które mają zostać zastosowane do zestawu danych treningowych, gdy zestaw danych walidacji nie zostanie podany.
primaryMetric	ForecastingPrimaryMetrics	NormalizedRootMeanSquaredError	Podstawowe metryki dla zadania prognozowania.
targetColumnName	string		Nazwa kolumny docelowej: jest to kolumna wartości przewidywania. Znana również jako nazwa kolumny etykiety w kontekście zadań klasyfikacji.
taskType	string: Forecasting		[Wymagane] Typ zadania dla zadania AutoMLJob.
testData	MLTableJobInput		Testowanie danych wejściowych.
testDataSize	number (double)		Ułamek zestawu danych testowych, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0,0 , 1,0) stosowane, gdy nie podano zestawu danych walidacji.
trainingData	MLTableJobInput		[Wymagane] Dane wejściowe danych treningowych.
trainingSettings	ForecastingTrainingSettings		Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego.
validationData	MLTableJobInput		Dane wejściowe danych walidacji.
validationDataSize	number (double)		Ułamek zestawu danych trenowania, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0,0 , 1,0) stosowane, gdy nie podano zestawu danych walidacji.
weightColumnName	string		Nazwa kolumny wagi próbki. Zautomatyzowane uczenie maszynowe obsługuje kolumnę ważoną jako dane wejściowe, co powoduje, że wiersze w danych mają być ważone w górę lub w dół.

ForecastingModels

Wyliczenie

Wyliczenie dla wszystkich modeli prognozowania obsługiwanych przez rozwiązanie AutoML.

Wartość	Opis
AutoArima	Model Auto-Autoregressive Integrated Moving Average (ARIMA) wykorzystuje dane szeregów czasowych i analizę statystyczną do interpretowania danych i tworzenia prognoz na przyszłość. Ten model ma na celu wyjaśnienie danych przy użyciu danych szeregów czasowych dotyczących ich przeszłych wartości i wykorzystuje regresję liniową do przewidywania.
Prophet	Prophet to procedura prognozowania danych szeregów czasowych na podstawie modelu addytywnego, w którym trendy nieliniowe są dopasowane do sezonowości rocznej, tygodniowej i dziennej oraz efektów świątecznych. Najlepiej sprawdza się w przypadku szeregów czasowych, które mają silne efekty sezonowe i kilku sezonów danych historycznych. Prophet jest odporny na brakujące dane i zmiany trendu i zazwyczaj dobrze radzi sobie z wartościami odstającymi.
Naive	Model prognozowania naiwnego tworzy prognozy, przenosząc najnowszą wartość docelową dla każdego szeregu czasowego w danych treningowych.
SeasonalNaive	Model prognozowania sezonowego naiwnego tworzy prognozy, przenosząc do przodu najnowszy sezon wartości docelowych dla każdego szeregu czasowego w danych treningowych.
Average	Model prognozowania Średnia tworzy prognozy, przenosząc do przodu średnią wartości docelowych dla każdego szeregu czasowego w danych treningowych.
SeasonalAverage	Model prognozowania średniej sezonowej tworzy prognozy, przenosząc średnią wartość danych z najnowszego sezonu dla każdego szeregu czasowego w danych treningowych.
ExponentialSmoothing	Wygładzanie wykładnicze to metoda prognozowania szeregów czasowych dla danych jednowymiarowych, którą można rozszerzyć w celu obsługi danych z trendem systematycznym lub składnikiem sezonowym.
Arimax	Model autoregresyjnej zintegrowanej średniej ruchomej ze zmienną objaśniającą (ARIMAX) może być postrzegany jako model regresji wielorakiej z jednym lub kilkoma składnikami autoregresyjnymi (AR) i/lub jednym lub kilkoma składnikami średniej ruchomej (MA). Ta metoda jest odpowiednia do prognozowania, gdy dane są stacjonarne/niestacjonarne, i wielowymiarowe z dowolnym typem wzorca danych, tj. poziomem/trendem/sezonowością/cyklicznością.
TCNForecaster	TCNForecaster: Prognozowanie czasowych sieci konwolucyjnych. TODO: Poproś zespół ds. prognoz o krótkie wprowadzenie.
ElasticNet	Elastyczna siatka to popularny rodzaj regularnej regresji liniowej, który łączy dwie popularne kary, w szczególności funkcje kar L1 i L2.
GradientBoosting	Technika przekształcania uczniów uczących się w ciągu tygodnia w silnego ucznia nazywa się Boostingiem. Proces algorytmu zwiększania gradientu działa w oparciu o tę teorię wykonania.
DecisionTree	Drzewa decyzyjne to nieparametryczna metoda uczenia nadzorowanego używana zarówno do zadań klasyfikacji, jak i regresji. Celem jest stworzenie modelu, który przewiduje wartość zmiennej docelowej poprzez uczenie się prostych reguł decyzyjnych wywnioskowanych z funkcji danych.
KNN	Algorytm K-najbliższych sąsiadów (KNN) wykorzystuje "podobieństwo cech" do przewidywania wartości nowych punktów danych, co dodatkowo oznacza, że nowemu punktowi danych zostanie przypisana wartość na podstawie tego, jak bardzo pasuje do punktów w zbiorze treningowym.
LassoLars	Model Lasso pasuje do Regresji Najmniejszego Kąta a.k.a. Larsa. Jest to model liniowy wytrenowany z uprzednim L1 jako regularyzatorem.
SGD	SGD: Stochastyczne zejście gradientowe to algorytm optymalizacyjny często używany w aplikacjach uczenia maszynowego w celu znalezienia parametrów modelu, które odpowiadają najlepszemu dopasowaniu między przewidywanymi a rzeczywistymi wynikami. To niedokładna, ale potężna technika.
RandomForest	Las losowy jest algorytmem uczenia nadzorowanego. "Las", który buduje, jest zbiorem drzew decyzyjnych, zwykle trenowanych metodą "workowania". Ogólna idea metody workowania polega na tym, że połączenie modeli uczenia się zwiększa ogólny wynik.
ExtremeRandomTrees	Extreme Trees to algorytm uczenia maszynowego oparty na zespole, który łączy przewidywania z wielu drzew decyzyjnych. Jest to związane z szeroko stosowanym algorytmem lasu losowego.
LightGBM	LightGBM to framework zwiększający gradient, który wykorzystuje algorytmy uczenia się oparte na drzewach.
XGBoostRegressor	XGBoostRegressor: Extreme Gradient Boosting Regressor to nadzorowany model uczenia maszynowego wykorzystujący zespół podstawowych uczniów.

ForecastingPrimaryMetrics

Wyliczenie

Podstawowe metryki dla zadania prognozowania.

Wartość	Opis
SpearmanCorrelation	Współczynnik korelacji rang Spearmana jest nieparametryczną miarą korelacji rang.
NormalizedRootMeanSquaredError	Znormalizowany błąd średniokwadratowy (Normalized Root Mean Squared Error, NRMSE), RMSE ułatwia porównywanie modeli o różnych skalach.
R2Score	Wynik R2 jest jedną z miar oceny wydajności dla modeli uczenia maszynowego opartych na prognozowaniu.
NormalizedMeanAbsoluteError	Znormalizowany średni błąd bezwzględny (NMAE) to metryka walidacji służąca do porównywania średniego błędu bezwzględnego (MAE) szeregów (czasowych) z różnymi skalami.

ForecastingSettings

Objekt

Prognozowanie określonych parametrów.

Nazwa	Typ	Domyślna wartość	Opis
countryOrRegionForHolidays	string		Kraj lub region świąt na potrzeby prognozowania zadań. Powinny to być dwuliterowe kody kraju/regionu ISO 3166, na przykład "USA" lub "GB".
cvStepSize	integer (int32)		Liczba krosek między godziną początkową jednego składania CV a następnym fałszem. Na przykład, jeśli CVStepSize = 3 dla danych dziennych, czas początkowy dla każdego składania będzie oddalony od siebie o trzy dni.
featureLags	FeatureLags	None	Flaga służąca do generowania opóźnień dla obiektów numerycznych.
forecastHorizon	ForecastHorizon: AutoForecastHorizon CustomForecastHorizon		Żądany maksymalny horyzont prognozy w jednostkach częstotliwości szeregów czasowych.
frequency	string		Podczas prognozowania ten parametr reprezentuje okres, z którym jest wymagana prognoza, na przykład codziennie, co tydzień, co rok itp. Częstotliwość prognozowania to częstotliwość zestawów danych domyślnie.
seasonality	Seasonality: AutoSeasonality CustomSeasonality		Ustaw sezonowość szeregów czasowych jako liczbę całkowitą z częstotliwością serii. Jeśli sezonowość jest ustawiona na wartość "auto", zostanie ona wywnioskowana.
shortSeriesHandlingConfig	ShortSeriesHandlingConfiguration	Auto	Parametr definiujący sposób obsługi krótkich szeregów czasowych przez rozwiązanie AutoML.
targetAggregateFunction	TargetAggregationFunction	None	Docelowa funkcja agregująca.
targetLags	TargetLags: AutoTargetLags CustomTargetLags		Liczba poprzednich okresów do opóźnienia z kolumny docelowej.
targetRollingWindowSize	TargetRollingWindowSize: AutoTargetRollingWindowSize CustomTargetRollingWindowSize		Liczba poprzednich okresów użytych do utworzenia średniej okna kroczącego kolumny docelowej.
timeColumnName	string		Nazwa kolumny czasowej. Ten parametr jest wymagany podczas prognozowania w celu określenia kolumny datetime w danych wejściowych używanych do tworzenia szeregów czasowych i wnioskowania o jego częstotliwości.
timeSeriesIdColumnNames	string[]		Nazwy kolumn używanych do grupowania czasowników. Może służyć do tworzenia wielu serii. Jeśli ziarno nie jest zdefiniowane, zakłada się, że zestaw danych jest jednym szeregem czasowym. Ten parametr jest używany z prognozowaniem typu zadania.
useStl	UseStl	None	Skonfiguruj dekompozycję STL kolumny docelowej szeregów czasowych.

ForecastingTrainingSettings

Objekt

Prognozowanie konfiguracji związanej ze szkoleniem.

Nazwa	Typ	Domyślna wartość	Opis
allowedTrainingAlgorithms	ForecastingModels[]		Dozwolone modele do zadania prognozowania.
blockedTrainingAlgorithms	ForecastingModels[]		Zablokowane modele do zadania prognozowania.
enableDnnTraining	boolean	False	Włącz zalecenie dotyczące modeli sieci rozproszonej.
enableModelExplainability	boolean	True	Flaga włączania możliwości objaśnienia dla najlepszego modelu.
enableOnnxCompatibleModels	boolean	False	Flaga włączania modeli zgodnych z programem onnx.
enableStackEnsemble	boolean	True	Włącz uruchamianie zespołu stosu.
enableVoteEnsemble	boolean	True	Włącz uruchamianie zespołu do głosowania.
ensembleModelDownloadTimeout	string (duration)	PT5M	Podczas generowania modeli VotingEnsemble i StackEnsemble pobierane są wiele dopasowanych modeli z poprzednich przebiegów podrzędnych. Skonfiguruj ten parametr z wyższą wartością niż 300 sekund, jeśli jest potrzebny więcej czasu.
stackEnsembleSettings	StackEnsembleSettings		Ustawienia zespołu stosu dla przebiegu zespołu stosu.

Goal

Wyliczenie

Definiuje obsługiwane cele metryk dla dostrajania hiperparametrów

Wartość	Opis
Minimize
Maximize

GridSamplingAlgorithm

Objekt

Definiuje algorytm próbkowania, który wyczerpująco generuje każdą kombinację wartości w przestrzeni

Nazwa	Typ	Opis
samplingAlgorithmType	string: Grid	[Wymagane] Algorytm używany do generowania wartości hiperparametrów wraz z właściwościami konfiguracji

IdentityConfigurationType

Wyliczenie

Wyliczenie w celu określenia struktury tożsamości.

Wartość	Opis
Managed
AMLToken
UserIdentity

ImageClassification

Objekt

Klasyfikacja obrazu. Klasyfikacja obrazów wieloklasowych jest używana, gdy obraz jest klasyfikowany tylko za pomocą jednej etykiety z zestawu klas - np. każdy obraz jest klasyfikowany jako obraz "kota", "psa" lub "kaczki".

Nazwa	Typ	Domyślna wartość	Opis
limitSettings	ImageLimitSettings		[Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego.
logVerbosity	LogVerbosity	Info	Wyliczenie do ustawiania szczegółowości dziennika.
modelSettings	ImageModelSettingsClassification		Ustawienia używane do trenowania modelu.
primaryMetric	ClassificationPrimaryMetrics	Accuracy	Podstawowe metryki dla zadań klasyfikacji.
searchSpace	ImageModelDistributionSettingsClassification[]		Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów.
sweepSettings	ImageSweepSettings		Ustawienia związane z zamiatanie modeli i zamiatanie hiperparametrów.
targetColumnName	string		Nazwa kolumny docelowej: jest to kolumna wartości przewidywania. Znana również jako nazwa kolumny etykiety w kontekście zadań klasyfikacji.
taskType	string: ImageClassification		[Wymagane] Typ zadania dla zadania AutoMLJob.
trainingData	MLTableJobInput		[Wymagane] Dane wejściowe danych treningowych.
validationData	MLTableJobInput		Dane wejściowe danych walidacji.
validationDataSize	number (double)		Ułamek zestawu danych trenowania, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0,0 , 1,0) stosowane, gdy nie podano zestawu danych walidacji.

ImageClassificationMultilabel

Objekt

Klasyfikacja obrazów Multilabel. Klasyfikacja obrazów z wieloma etykietami jest używana, gdy obraz może mieć jedną lub więcej etykiet z zestawu etykiet - np. obraz może być oznaczony zarówno jako "kot", jak i "pies".

Nazwa	Typ	Domyślna wartość	Opis
limitSettings	ImageLimitSettings		[Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego.
logVerbosity	LogVerbosity	Info	Wyliczenie do ustawiania szczegółowości dziennika.
modelSettings	ImageModelSettingsClassification		Ustawienia używane do trenowania modelu.
primaryMetric	ClassificationMultilabelPrimaryMetrics	IOU	Podstawowe metryki dla zadań klasyfikacji z wieloma etykietami.
searchSpace	ImageModelDistributionSettingsClassification[]		Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów.
sweepSettings	ImageSweepSettings		Ustawienia związane z zamiatanie modeli i zamiatanie hiperparametrów.
targetColumnName	string		Nazwa kolumny docelowej: jest to kolumna wartości przewidywania. Znana również jako nazwa kolumny etykiety w kontekście zadań klasyfikacji.
taskType	string: ImageClassificationMultilabel		[Wymagane] Typ zadania dla zadania AutoMLJob.
trainingData	MLTableJobInput		[Wymagane] Dane wejściowe danych treningowych.
validationData	MLTableJobInput		Dane wejściowe danych walidacji.
validationDataSize	number (double)		Ułamek zestawu danych trenowania, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0,0 , 1,0) stosowane, gdy nie podano zestawu danych walidacji.

ImageInstanceSegmentation

Objekt

Segmentacja instancji obrazu. Segmentacja instancji służy do identyfikowania obiektów na obrazie na poziomie pikseli, rysowania wielokąta wokół każdego obiektu na obrazie.

Nazwa	Typ	Domyślna wartość	Opis
limitSettings	ImageLimitSettings		[Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego.
logVerbosity	LogVerbosity	Info	Wyliczenie do ustawiania szczegółowości dziennika.
modelSettings	ImageModelSettingsObjectDetection		Ustawienia używane do trenowania modelu.
primaryMetric	InstanceSegmentationPrimaryMetrics	MeanAveragePrecision	Podstawowe metryki dla zadań InstanceSegmentation.
searchSpace	ImageModelDistributionSettingsObjectDetection[]		Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów.
sweepSettings	ImageSweepSettings		Ustawienia związane z zamiatanie modeli i zamiatanie hiperparametrów.
targetColumnName	string		Nazwa kolumny docelowej: jest to kolumna wartości przewidywania. Znana również jako nazwa kolumny etykiety w kontekście zadań klasyfikacji.
taskType	string: ImageInstanceSegmentation		[Wymagane] Typ zadania dla zadania AutoMLJob.
trainingData	MLTableJobInput		[Wymagane] Dane wejściowe danych treningowych.
validationData	MLTableJobInput		Dane wejściowe danych walidacji.
validationDataSize	number (double)		Ułamek zestawu danych trenowania, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0,0 , 1,0) stosowane, gdy nie podano zestawu danych walidacji.

ImageLimitSettings

Objekt

Ogranicz ustawienia zadania automatycznego uczenia maszynowego.

Nazwa	Typ	Domyślna wartość	Opis
maxConcurrentTrials	integer (int32)	1	Maksymalna liczba współbieżnych iteracji rozwiązania AutoML.
maxTrials	integer (int32)	1	Maksymalna liczba iteracji rozwiązania AutoML.
timeout	string (duration)	P7D	Limit czasu zadania automatycznego uczenia maszynowego.

ImageModelDistributionSettingsClassification

Objekt

Wyrażenia dystrybucji do zamiatania wartości ustawień modelu. <Przykład> Oto kilka przykładów:

ModelName = "choice('seresnext', 'resnest50')";
LearningRate = "uniform(0.001, 0.01)";
LayersToFreeze = "choice(0, 2)";
```</example>
For more details on how to compose distribution expressions please check the documentation:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters
For more information on the available settings please visit the official documentation:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

Nazwa	Typ	Opis
amsGradient	string	Włącz narzędzie AMSGrad, gdy optymalizator ma wartość "adam" lub "adamw".
augmentations	string	Ustawienia dotyczące używania rozszerzeń.
beta1	string	Wartość "beta1", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1].
beta2	string	Wartość "beta2", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1].
distributed	string	Czy używać trenowania rozproszonego.
earlyStopping	string	Włącz logikę wczesnego zatrzymywania podczas trenowania.
earlyStoppingDelay	string	Minimalna liczba epok lub ocen walidacji, które mają czekać, zanim podstawowa poprawa metryk będzie śledzona w celu wczesnego zatrzymania. Musi być dodatnią liczbą całkowitą.
earlyStoppingPatience	string	Minimalna liczba epok lub ocen walidacji bez podstawowego ulepszenia metryki przed zatrzymaniem przebiegu. Musi być dodatnią liczbą całkowitą.
enableOnnxNormalization	string	Włącz normalizację podczas eksportowania modelu ONNX.
evaluationFrequency	string	Częstotliwość oceniania zestawu danych weryfikacji w celu uzyskania wyników metryk. Musi być dodatnią liczbą całkowitą.
gradientAccumulationStep	string	Akumulacja gradientu oznacza uruchomienie skonfigurowanej liczby kroków "GradAccumulationStep" bez aktualizowania wag modelu podczas akumulacji gradientów tych kroków, a następnie użycie skumulowanych gradientów do obliczenia aktualizacji wag. Musi być dodatnią liczbą całkowitą.
layersToFreeze	string	Liczba warstw, które mają być blokowane dla modelu. Musi być dodatnią liczbą całkowitą. Na przykład przekazanie 2 jako wartości dla "seresnext" oznacza zamrożenie warstwy0 i warstwy1. Aby uzyskać pełną listę obsługiwanych modeli i szczegółowe informacje na temat zamrażania warstw, zobacz: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
learningRate	string	Początkowa szybkość nauki. Musi być zmiennoprzecinkowym w zakresie [0, 1].
learningRateScheduler	string	Typ harmonogramu szybkości nauki. Musi być "warmup_cosine" lub "krok".
modelName	string	Nazwa modelu do użycia na potrzeby trenowania. Więcej informacji na temat dostępnych modeli można znaleźć w oficjalnej dokumentacji: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
momentum	string	Wartość tempa, gdy optymalizator ma wartość "sgd". Musi być zmiennoprzecinkowym w zakresie [0, 1].
nesterov	string	Włącz nesterov, gdy optymalizator ma wartość "sgd".
numberOfEpochs	string	Liczba epok treningowych. Musi być dodatnią liczbą całkowitą.
numberOfWorkers	string	Liczba procesów roboczych modułu ładującego dane. Musi być nieujemną liczbą całkowitą.
optimizer	string	Typ optymalizatora. Musi być albo "sgd", "adam" lub "adamw".
randomSeed	string	Inicjator losowy, który ma być używany podczas korzystania z trenowania deterministycznego.
stepLRGamma	string	Wartość gamma, gdy harmonogram szybkości nauki to "krok". Musi być zmiennoprzecinkowym w zakresie [0, 1].
stepLRStepSize	string	Wartość rozmiaru kroku, gdy harmonogram szybkości nauki to "krok". Musi być dodatnią liczbą całkowitą.
trainingBatchSize	string	Rozmiar partii trenowania. Musi być dodatnią liczbą całkowitą.
trainingCropSize	string	Rozmiar przycinania obrazów wejściowy do sieci neuronowej dla zestawu danych trenowania. Musi być dodatnią liczbą całkowitą.
validationBatchSize	string	Sprawdzanie poprawności rozmiaru partii. Musi być dodatnią liczbą całkowitą.
validationCropSize	string	Rozmiar przycinania obrazów wejściowy do sieci neuronowej dla zestawu danych weryfikacji. Musi być dodatnią liczbą całkowitą.
validationResizeSize	string	Rozmiar obrazu, którego rozmiar należy zmienić przed przycięciem do zestawu danych weryfikacji. Musi być dodatnią liczbą całkowitą.
warmupCosineLRCycles	string	Wartość cyklu cosinusowego, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być zmiennoprzecinkowym w zakresie [0, 1].
warmupCosineLRWarmupEpochs	string	Wartość epok rozgrzewki, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być dodatnią liczbą całkowitą.
weightDecay	string	Wartość rozkładu masy, gdy optymalizator ma wartość "sgd", "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie[0, 1].
weightedLoss	string	Utrata wagi. Akceptowane wartości to 0 dla bez odchudzania. 1 dla odchudzania z sqrt. (class_weights). 2 dla odchudzania z class_weights. Musi mieć wartość 0 lub 1 lub 2.

ImageModelDistributionSettingsObjectDetection

Objekt

Wyrażenia dystrybucji do zamiatania wartości ustawień modelu. <Przykład> Oto kilka przykładów:

ModelName = "choice('seresnext', 'resnest50')";
LearningRate = "uniform(0.001, 0.01)";
LayersToFreeze = "choice(0, 2)";
```</example>
For more details on how to compose distribution expressions please check the documentation:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters
For more information on the available settings please visit the official documentation:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

Nazwa	Typ	Opis
amsGradient	string	Włącz narzędzie AMSGrad, gdy optymalizator ma wartość "adam" lub "adamw".
augmentations	string	Ustawienia dotyczące używania rozszerzeń.
beta1	string	Wartość "beta1", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1].
beta2	string	Wartość "beta2", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1].
boxDetectionsPerImage	string	Maksymalna liczba wykryć na obrazie dla wszystkich klas. Musi być dodatnią liczbą całkowitą. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".
boxScoreThreshold	string	Podczas wnioskowania zwracaj tylko propozycje z wynikiem klasyfikacji większym niż BoxScoreThreshold. Musi być zmiennoprzecinkowym w zakresie[0, 1].
distributed	string	Czy używać trenowania rozproszonego.
earlyStopping	string	Włącz logikę wczesnego zatrzymywania podczas trenowania.
earlyStoppingDelay	string	Minimalna liczba epok lub ocen walidacji, które mają czekać, zanim podstawowa poprawa metryk będzie śledzona w celu wczesnego zatrzymania. Musi być dodatnią liczbą całkowitą.
earlyStoppingPatience	string	Minimalna liczba epok lub ocen walidacji bez podstawowego ulepszenia metryki przed zatrzymaniem przebiegu. Musi być dodatnią liczbą całkowitą.
enableOnnxNormalization	string	Włącz normalizację podczas eksportowania modelu ONNX.
evaluationFrequency	string	Częstotliwość oceniania zestawu danych weryfikacji w celu uzyskania wyników metryk. Musi być dodatnią liczbą całkowitą.
gradientAccumulationStep	string	Akumulacja gradientu oznacza uruchomienie skonfigurowanej liczby kroków "GradAccumulationStep" bez aktualizowania wag modelu podczas akumulacji gradientów tych kroków, a następnie użycie skumulowanych gradientów do obliczenia aktualizacji wag. Musi być dodatnią liczbą całkowitą.
imageSize	string	Rozmiar obrazu do trenowania i walidacji. Musi być dodatnią liczbą całkowitą. Uwaga: Przebieg trenowania może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży. Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5".
layersToFreeze	string	Liczba warstw, które mają być blokowane dla modelu. Musi być dodatnią liczbą całkowitą. Na przykład przekazanie 2 jako wartości dla "seresnext" oznacza zamrożenie warstwy0 i warstwy1. Aby uzyskać pełną listę obsługiwanych modeli i szczegółowe informacje na temat zamrażania warstw, zobacz: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
learningRate	string	Początkowa szybkość nauki. Musi być zmiennoprzecinkowym w zakresie [0, 1].
learningRateScheduler	string	Typ harmonogramu szybkości nauki. Musi być "warmup_cosine" lub "krok".
maxSize	string	Maksymalny rozmiar obrazu do ponownego skalowania przed przesłaniem go do sieci szkieletowej. Musi być dodatnią liczbą całkowitą. Uwaga: przebieg trenowania może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".
minSize	string	Minimalny rozmiar obrazu do ponownego skalowania przed przesłaniem go do sieci szkieletowej. Musi być dodatnią liczbą całkowitą. Uwaga: przebieg trenowania może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".
modelName	string	Nazwa modelu do użycia na potrzeby trenowania. Więcej informacji na temat dostępnych modeli można znaleźć w oficjalnej dokumentacji: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
modelSize	string	Rozmiar modelu. Musi być "mały", "średni", "duży" lub "xlarge". Uwaga: przebieg trenowania może dostać się do cudA OOM, jeśli rozmiar modelu jest zbyt duży. Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5".
momentum	string	Wartość tempa, gdy optymalizator ma wartość "sgd". Musi być zmiennoprzecinkowym w zakresie [0, 1].
multiScale	string	Włącz obraz wieloskalowy, zmieniając rozmiar obrazu o +/- 50%. Uwaga: przebieg trenowania może dostać się do funkcji CUDA OOM, jeśli nie ma wystarczającej ilości pamięci procesora GPU. Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5".
nesterov	string	Włącz nesterov, gdy optymalizator ma wartość "sgd".
nmsIouThreshold	string	Próg operacji we/wy używany podczas wnioskowania w procesie przetwarzania końcowego NMS. Musi być zmiennoprzecinkowy w zakresie [0, 1].
numberOfEpochs	string	Liczba epok treningowych. Musi być dodatnią liczbą całkowitą.
numberOfWorkers	string	Liczba procesów roboczych modułu ładującego dane. Musi być nieujemną liczbą całkowitą.
optimizer	string	Typ optymalizatora. Musi być albo "sgd", "adam" lub "adamw".
randomSeed	string	Inicjator losowy, który ma być używany podczas korzystania z trenowania deterministycznego.
stepLRGamma	string	Wartość gamma, gdy harmonogram szybkości nauki to "krok". Musi być zmiennoprzecinkowym w zakresie [0, 1].
stepLRStepSize	string	Wartość rozmiaru kroku, gdy harmonogram szybkości nauki to "krok". Musi być dodatnią liczbą całkowitą.
tileGridSize	string	Rozmiar siatki do użycia do układania każdego obrazu. Uwaga: TileGridSize nie może mieć wartości None, aby włączyć logikę wykrywania małych obiektów. Ciąg zawierający dwie liczby całkowite w formacie mxn. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".
tileOverlapRatio	string	Współczynnik nakładania się między sąsiednimi kafelkami w każdym wymiarze. Musi być zmiennoprzecinkowy w zakresie [0, 1). Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".
tilePredictionsNmsThreshold	string	Próg operacji we/wy używany do wykonywania nms podczas scalania przewidywań z kafelków i obrazów. Używany w walidacji/wnioskowaniu. Musi być zmiennoprzecinkowy w zakresie [0, 1]. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5". NMS: brak maksymalnego pomijania
trainingBatchSize	string	Rozmiar partii trenowania. Musi być dodatnią liczbą całkowitą.
validationBatchSize	string	Sprawdzanie poprawności rozmiaru partii. Musi być dodatnią liczbą całkowitą.
validationIouThreshold	string	Próg operacji we/wy do użycia podczas obliczania metryki walidacji. Musi być zmiennoprzecinkowy w zakresie [0, 1].
validationMetricType	string	Metoda obliczeniowa metryki do użycia na potrzeby metryk walidacji. Musi mieć wartość "none", "coco", "voc" lub "coco_voc".
warmupCosineLRCycles	string	Wartość cyklu cosinusowego, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być zmiennoprzecinkowym w zakresie [0, 1].
warmupCosineLRWarmupEpochs	string	Wartość epok rozgrzewki, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być dodatnią liczbą całkowitą.
weightDecay	string	Wartość rozkładu masy, gdy optymalizator ma wartość "sgd", "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie[0, 1].

ImageModelSettingsClassification

Objekt

Ustawienia używane do trenowania modelu. Aby uzyskać więcej informacji na temat dostępnych ustawień, zapoznaj się z oficjalną dokumentacją: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

Nazwa	Typ	Domyślna wartość	Opis
advancedSettings	string		Ustawienia dla zaawansowanych scenariuszy.
amsGradient	boolean		Włącz narzędzie AMSGrad, gdy optymalizator ma wartość "adam" lub "adamw".
augmentations	string		Ustawienia dotyczące używania rozszerzeń.
beta1	number (float)		Wartość "beta1", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1].
beta2	number (float)		Wartość "beta2", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1].
checkpointFrequency	integer (int32)		Częstotliwość przechowywania punktów kontrolnych modelu. Musi być dodatnią liczbą całkowitą.
checkpointModel	MLFlowModelJobInput		Wstępnie wytrenowany model punktu kontrolnego na potrzeby trenowania przyrostowego.
checkpointRunId	string		Identyfikator poprzedniego przebiegu, który ma wstępnie wytrenowany punkt kontrolny na potrzeby trenowania przyrostowego.
distributed	boolean		Czy używać trenowania rozproszonego.
earlyStopping	boolean		Włącz logikę wczesnego zatrzymywania podczas trenowania.
earlyStoppingDelay	integer (int32)		Minimalna liczba epok lub ocen walidacji, które mają czekać, zanim podstawowa poprawa metryk będzie śledzona w celu wczesnego zatrzymania. Musi być dodatnią liczbą całkowitą.
earlyStoppingPatience	integer (int32)		Minimalna liczba epok lub ocen walidacji bez podstawowego ulepszenia metryki przed zatrzymaniem przebiegu. Musi być dodatnią liczbą całkowitą.
enableOnnxNormalization	boolean		Włącz normalizację podczas eksportowania modelu ONNX.
evaluationFrequency	integer (int32)		Częstotliwość oceniania zestawu danych weryfikacji w celu uzyskania wyników metryk. Musi być dodatnią liczbą całkowitą.
gradientAccumulationStep	integer (int32)		Akumulacja gradientu oznacza uruchomienie skonfigurowanej liczby kroków "GradAccumulationStep" bez aktualizowania wag modelu podczas akumulacji gradientów tych kroków, a następnie użycie skumulowanych gradientów do obliczenia aktualizacji wag. Musi być dodatnią liczbą całkowitą.
layersToFreeze	integer (int32)		Liczba warstw, które mają być blokowane dla modelu. Musi być dodatnią liczbą całkowitą. Na przykład przekazanie 2 jako wartości dla "seresnext" oznacza zamrożenie warstwy0 i warstwy1. Aby uzyskać pełną listę obsługiwanych modeli i szczegółowe informacje na temat zamrażania warstw, zobacz: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
learningRate	number (float)		Początkowa szybkość nauki. Musi być zmiennoprzecinkowym w zakresie [0, 1].
learningRateScheduler	LearningRateScheduler	None	Wyliczenie harmonogramu szybkości uczenia się.
modelName	string		Nazwa modelu do użycia na potrzeby trenowania. Więcej informacji na temat dostępnych modeli można znaleźć w oficjalnej dokumentacji: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
momentum	number (float)		Wartość tempa, gdy optymalizator ma wartość "sgd". Musi być zmiennoprzecinkowym w zakresie [0, 1].
nesterov	boolean		Włącz nesterov, gdy optymalizator ma wartość "sgd".
numberOfEpochs	integer (int32)		Liczba epok treningowych. Musi być dodatnią liczbą całkowitą.
numberOfWorkers	integer (int32)		Liczba procesów roboczych modułu ładującego dane. Musi być nieujemną liczbą całkowitą.
optimizer	StochasticOptimizer	None	Optymalizator stochastyczny dla modeli obrazów.
randomSeed	integer (int32)		Inicjator losowy, który ma być używany podczas korzystania z trenowania deterministycznego.
stepLRGamma	number (float)		Wartość gamma, gdy harmonogram szybkości nauki to "krok". Musi być zmiennoprzecinkowym w zakresie [0, 1].
stepLRStepSize	integer (int32)		Wartość rozmiaru kroku, gdy harmonogram szybkości nauki to "krok". Musi być dodatnią liczbą całkowitą.
trainingBatchSize	integer (int32)		Rozmiar partii trenowania. Musi być dodatnią liczbą całkowitą.
trainingCropSize	integer (int32)		Rozmiar przycinania obrazów wejściowy do sieci neuronowej dla zestawu danych trenowania. Musi być dodatnią liczbą całkowitą.
validationBatchSize	integer (int32)		Sprawdzanie poprawności rozmiaru partii. Musi być dodatnią liczbą całkowitą.
validationCropSize	integer (int32)		Rozmiar przycinania obrazów wejściowy do sieci neuronowej dla zestawu danych weryfikacji. Musi być dodatnią liczbą całkowitą.
validationResizeSize	integer (int32)		Rozmiar obrazu, którego rozmiar należy zmienić przed przycięciem do zestawu danych weryfikacji. Musi być dodatnią liczbą całkowitą.
warmupCosineLRCycles	number (float)		Wartość cyklu cosinusowego, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być zmiennoprzecinkowym w zakresie [0, 1].
warmupCosineLRWarmupEpochs	integer (int32)		Wartość epok rozgrzewki, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być dodatnią liczbą całkowitą.
weightDecay	number (float)		Wartość rozkładu masy, gdy optymalizator ma wartość "sgd", "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie[0, 1].
weightedLoss	integer (int32)		Utrata wagi. Akceptowane wartości to 0 dla bez odchudzania. 1 dla odchudzania z sqrt. (class_weights). 2 dla odchudzania z class_weights. Musi mieć wartość 0 lub 1 lub 2.

ImageModelSettingsObjectDetection

Objekt

Ustawienia używane do trenowania modelu. Aby uzyskać więcej informacji na temat dostępnych ustawień, zapoznaj się z oficjalną dokumentacją: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

Nazwa	Typ	Domyślna wartość	Opis
advancedSettings	string		Ustawienia dla zaawansowanych scenariuszy.
amsGradient	boolean		Włącz narzędzie AMSGrad, gdy optymalizator ma wartość "adam" lub "adamw".
augmentations	string		Ustawienia dotyczące używania rozszerzeń.
beta1	number (float)		Wartość "beta1", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1].
beta2	number (float)		Wartość "beta2", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1].
boxDetectionsPerImage	integer (int32)		Maksymalna liczba wykryć na obrazie dla wszystkich klas. Musi być dodatnią liczbą całkowitą. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".
boxScoreThreshold	number (float)		Podczas wnioskowania zwracaj tylko propozycje z wynikiem klasyfikacji większym niż BoxScoreThreshold. Musi być zmiennoprzecinkowym w zakresie[0, 1].
checkpointFrequency	integer (int32)		Częstotliwość przechowywania punktów kontrolnych modelu. Musi być dodatnią liczbą całkowitą.
checkpointModel	MLFlowModelJobInput		Wstępnie wytrenowany model punktu kontrolnego na potrzeby trenowania przyrostowego.
checkpointRunId	string		Identyfikator poprzedniego przebiegu, który ma wstępnie wytrenowany punkt kontrolny na potrzeby trenowania przyrostowego.
distributed	boolean		Czy używać trenowania rozproszonego.
earlyStopping	boolean		Włącz logikę wczesnego zatrzymywania podczas trenowania.
earlyStoppingDelay	integer (int32)		Minimalna liczba epok lub ocen walidacji, które mają czekać, zanim podstawowa poprawa metryk będzie śledzona w celu wczesnego zatrzymania. Musi być dodatnią liczbą całkowitą.
earlyStoppingPatience	integer (int32)		Minimalna liczba epok lub ocen walidacji bez podstawowego ulepszenia metryki przed zatrzymaniem przebiegu. Musi być dodatnią liczbą całkowitą.
enableOnnxNormalization	boolean		Włącz normalizację podczas eksportowania modelu ONNX.
evaluationFrequency	integer (int32)		Częstotliwość oceniania zestawu danych weryfikacji w celu uzyskania wyników metryk. Musi być dodatnią liczbą całkowitą.
gradientAccumulationStep	integer (int32)		Akumulacja gradientu oznacza uruchomienie skonfigurowanej liczby kroków "GradAccumulationStep" bez aktualizowania wag modelu podczas akumulacji gradientów tych kroków, a następnie użycie skumulowanych gradientów do obliczenia aktualizacji wag. Musi być dodatnią liczbą całkowitą.
imageSize	integer (int32)		Rozmiar obrazu do trenowania i walidacji. Musi być dodatnią liczbą całkowitą. Uwaga: Przebieg trenowania może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży. Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5".
layersToFreeze	integer (int32)		Liczba warstw, które mają być blokowane dla modelu. Musi być dodatnią liczbą całkowitą. Na przykład przekazanie 2 jako wartości dla "seresnext" oznacza zamrożenie warstwy0 i warstwy1. Aby uzyskać pełną listę obsługiwanych modeli i szczegółowe informacje na temat zamrażania warstw, zobacz: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
learningRate	number (float)		Początkowa szybkość nauki. Musi być zmiennoprzecinkowym w zakresie [0, 1].
learningRateScheduler	LearningRateScheduler	None	Wyliczenie harmonogramu szybkości uczenia się.
maxSize	integer (int32)		Maksymalny rozmiar obrazu do ponownego skalowania przed przesłaniem go do sieci szkieletowej. Musi być dodatnią liczbą całkowitą. Uwaga: przebieg trenowania może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".
minSize	integer (int32)		Minimalny rozmiar obrazu do ponownego skalowania przed przesłaniem go do sieci szkieletowej. Musi być dodatnią liczbą całkowitą. Uwaga: przebieg trenowania może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".
modelName	string		Nazwa modelu do użycia na potrzeby trenowania. Więcej informacji na temat dostępnych modeli można znaleźć w oficjalnej dokumentacji: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
modelSize	ModelSize	None	Rozmiar modelu obrazu.
momentum	number (float)		Wartość tempa, gdy optymalizator ma wartość "sgd". Musi być zmiennoprzecinkowym w zakresie [0, 1].
multiScale	boolean		Włącz obraz wieloskalowy, zmieniając rozmiar obrazu o +/- 50%. Uwaga: przebieg trenowania może dostać się do funkcji CUDA OOM, jeśli nie ma wystarczającej ilości pamięci procesora GPU. Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5".
nesterov	boolean		Włącz nesterov, gdy optymalizator ma wartość "sgd".
nmsIouThreshold	number (float)		Próg operacji we/wy używany podczas wnioskowania w procesie przetwarzania końcowego NMS. Musi być zmiennoprzecinkowym w zakresie [0, 1].
numberOfEpochs	integer (int32)		Liczba epok treningowych. Musi być dodatnią liczbą całkowitą.
numberOfWorkers	integer (int32)		Liczba procesów roboczych modułu ładującego dane. Musi być nieujemną liczbą całkowitą.
optimizer	StochasticOptimizer	None	Optymalizator stochastyczny dla modeli obrazów.
randomSeed	integer (int32)		Inicjator losowy, który ma być używany podczas korzystania z trenowania deterministycznego.
stepLRGamma	number (float)		Wartość gamma, gdy harmonogram szybkości nauki to "krok". Musi być zmiennoprzecinkowym w zakresie [0, 1].
stepLRStepSize	integer (int32)		Wartość rozmiaru kroku, gdy harmonogram szybkości nauki to "krok". Musi być dodatnią liczbą całkowitą.
tileGridSize	string		Rozmiar siatki do użycia do układania każdego obrazu. Uwaga: TileGridSize nie może mieć wartości None, aby włączyć logikę wykrywania małych obiektów. Ciąg zawierający dwie liczby całkowite w formacie mxn. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".
tileOverlapRatio	number (float)		Współczynnik nakładania się między sąsiednimi kafelkami w każdym wymiarze. Musi być zmiennoprzecinkowy w zakresie [0, 1). Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".
tilePredictionsNmsThreshold	number (float)		Próg operacji we/wy używany do wykonywania nms podczas scalania przewidywań z kafelków i obrazów. Używany w walidacji/wnioskowaniu. Musi być zmiennoprzecinkowy w zakresie [0, 1]. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".
trainingBatchSize	integer (int32)		Rozmiar partii trenowania. Musi być dodatnią liczbą całkowitą.
validationBatchSize	integer (int32)		Sprawdzanie poprawności rozmiaru partii. Musi być dodatnią liczbą całkowitą.
validationIouThreshold	number (float)		Próg operacji we/wy do użycia podczas obliczania metryki walidacji. Musi być zmiennoprzecinkowy w zakresie [0, 1].
validationMetricType	ValidationMetricType	None	Metoda obliczania metryk do użycia na potrzeby metryk walidacji w zadaniach obrazów.
warmupCosineLRCycles	number (float)		Wartość cyklu cosinusowego, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być zmiennoprzecinkowym w zakresie [0, 1].
warmupCosineLRWarmupEpochs	integer (int32)		Wartość epok rozgrzewki, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być dodatnią liczbą całkowitą.
weightDecay	number (float)		Wartość rozkładu masy, gdy optymalizator ma wartość "sgd", "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie[0, 1].

ImageObjectDetection

Objekt

Wykrywanie obiektów obrazu. Wykrywanie obiektów służy do identyfikowania obiektów na obrazie i lokalizowania każdego obiektu za pomocą obwiedni, np. Lokalizowanie wszystkich psów i kotów na obrazie i rysowanie obwiedni wokół każdego z nich.

Nazwa	Typ	Domyślna wartość	Opis
limitSettings	ImageLimitSettings		[Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego.
logVerbosity	LogVerbosity	Info	Wyliczenie do ustawiania szczegółowości dziennika.
modelSettings	ImageModelSettingsObjectDetection		Ustawienia używane do trenowania modelu.
primaryMetric	ObjectDetectionPrimaryMetrics	MeanAveragePrecision	Podstawowe metryki dla zadania Image ObjectDetection.
searchSpace	ImageModelDistributionSettingsObjectDetection[]		Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów.
sweepSettings	ImageSweepSettings		Ustawienia związane z zamiatanie modeli i zamiatanie hiperparametrów.
targetColumnName	string		Nazwa kolumny docelowej: jest to kolumna wartości przewidywania. Znana również jako nazwa kolumny etykiety w kontekście zadań klasyfikacji.
taskType	string: ImageObjectDetection		[Wymagane] Typ zadania dla zadania AutoMLJob.
trainingData	MLTableJobInput		[Wymagane] Dane wejściowe danych treningowych.
validationData	MLTableJobInput		Dane wejściowe danych walidacji.
validationDataSize	number (double)		Ułamek zestawu danych trenowania, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0,0 , 1,0) stosowane, gdy nie podano zestawu danych walidacji.

ImageSweepSettings

Objekt

Ustawienia związane z zamiatanie modeli i zamiatanie hiperparametrów.

Nazwa	Typ	Opis
earlyTermination	EarlyTerminationPolicy: BanditPolicy MedianStoppingPolicy TruncationSelectionPolicy	Typ zasad wczesnego kończenia.
samplingAlgorithm	SamplingAlgorithmType	[Wymagane] Typ algorytmów próbkowania hiperparametrów.

InputDeliveryMode

Wyliczenie

Wyliczenie, aby określić tryb dostarczania danych wejściowych.

Wartość	Opis
ReadOnlyMount
ReadWriteMount
Download
Direct
EvalMount
EvalDownload

InstanceSegmentationPrimaryMetrics

Wyliczenie

Podstawowe metryki dla zadań InstanceSegmentation.

Wartość	Opis
MeanAveragePrecision	Średnia średnia precyzja (MAP) to średnia AP (średnia precyzja). AP jest obliczane dla każdej klasy i uśredniane, aby uzyskać MAP.

JobBase

Objekt

Koperta zasobów usługi Azure Resource Manager.

Nazwa	Typ	Opis
id	string	W pełni kwalifikowany identyfikator zasobu dla zasobu. Przykład - /subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/{resourceProviderNamespace}/{resourceType}/{resourceName}
name	string	Nazwa zasobu
properties	JobBaseProperties: AutoMLJob CommandJob PipelineJob SparkJob SweepJob	[Wymagane] Dodatkowe atrybuty jednostki.
systemData	systemData	Metadane usługi Azure Resource Manager zawierające informacje „createdBy” i „modifiedBy”.
type	string	Typ zasobu. Np. "Microsoft.Compute/virtualMachines" lub "Microsoft.Storage/storageAccounts"

JobInputType

Wyliczenie

Wyliczenie w celu określenia typu danych wejściowych zadania.

Wartość	Opis
literal
uri_file
uri_folder
mltable
custom_model
mlflow_model
triton_model

JobLimitsType

Wyliczenie

Wartość	Opis
Command
Sweep

JobOutputType

Wyliczenie

Wyliczenie w celu określenia typu danych wyjściowych zadania.

Wartość	Opis
uri_file
uri_folder
mltable
custom_model
mlflow_model
triton_model

JobResourceConfiguration

Objekt

Nazwa	Typ	Domyślna wartość	Opis
dockerArgs	string		Dodatkowe argumenty do przekazania do polecenia uruchamiania platformy Docker. Spowoduje to zastąpienie wszystkich parametrów, które zostały już ustawione przez system lub w tej sekcji. Ten parametr jest obsługiwany tylko w przypadku typów obliczeniowych usługi Azure ML.
dockerArgsList	string[]		Dodatkowe argumenty umożliwiające przekazanie polecenia do uruchamiania platformy Docker jako kolekcji. Spowoduje to zastąpienie wszystkich parametrów, które zostały już ustawione przez system lub w tej sekcji. Ten parametr jest obsługiwany tylko w przypadku typów obliczeniowych usługi Azure ML.
instanceCount	integer (int32)	1	Opcjonalna liczba wystąpień lub węzłów używanych przez docelowy obiekt obliczeniowy.
instanceType	string		Opcjonalny typ maszyny wirtualnej używany jako obsługiwany przez docelowy obiekt obliczeniowy.
properties			Dodatkowa torba właściwości.
shmSize	string pattern: \d+[bBkKmMgG]	2g	Rozmiar bloku pamięci udostępnionej kontenera platformy Docker. Powinno to być w formacie (liczba)(jednostka), w którym liczba ma być większa niż 0, a jednostka może być jedną z b(bajtów), k(kilobajtów), m(megabajtów) lub g(gigabajtów).

JobService

Objekt

Definicja punktu końcowego zadania

Nazwa	Typ	Opis
endpoint	string	Adres URL punktu końcowego.
errorMessage	string	Wszelkie błędy w usłudze.
jobServiceType	string	Typ punktu końcowego.
nodes	Nodes: AllNodes	Węzły, na których użytkownik chce uruchomić usługę. Jeśli węzły nie są ustawione lub ustawione na wartość null, usługa zostanie uruchomiona tylko w węźle przywódcy.
port	integer (int32)	Port dla punktu końcowego.
properties	object	Dodatkowe właściwości do ustawienia w punkcie końcowym.
status	string	Stan punktu końcowego.

JobStatus

Wyliczenie

Stan zadania.

Wartość	Opis
NotStarted	Bieg jeszcze się nie rozpoczął.
Starting	Bieg się rozpoczął. Użytkownik ma identyfikator uruchomienia.
Provisioning	(Obecnie nieużywane) Będzie on używany, jeśli ES tworzy docelowy obiekt obliczeniowy.
Preparing	Środowisko startowe jest w trakcie przygotowywania.
Queued	Zadanie jest umieszczane w kolejce w docelowym obiekcie obliczeniowym. Na przykład w usłudze BatchAI zadanie jest w stanie kolejki, oczekując na gotowość wszystkich wymaganych węzłów.
Running	Zadanie zaczęło być uruchamiane w docelowym obiekcie obliczeniowym.
Finalizing	Zadanie zostało zakończone w miejscu docelowym. Jest teraz w stanie kolekcji wyjściowej.
CancelRequested	Złożono wniosek o anulowanie zadania.
Completed	Zadanie zostało zakończone pomyślnie. Odzwierciedla to, że zarówno samo zadanie, jak i stany kolekcji wyjściowej zostały ukończone pomyślnie
Failed	Zadanie nie powiodło się.
Canceled	Po żądaniu anulowania zadanie zostało pomyślnie anulowane.
NotResponding	Gdy puls jest włączony, jeśli przebieg nie aktualizuje żadnych informacji do RunHistory, przebieg przechodzi do stanu NotResponding. NotResponding to jedyny stan, który jest zwolniony ze ścisłych nakazów przejścia. Przebieg może przejść z NotResponding do dowolnego z poprzednich stanów.
Paused	Zadanie jest wstrzymywane przez użytkowników. Niektóre korekty zadań etykietowania można wprowadzić tylko w stanie wstrzymania.
Unknown	Domyślny stan zadania, jeśli nie jest mapowany na wszystkie inne stany

JobTier

Wyliczenie

Wyliczenie w celu określenia warstwy zadań.

Wartość	Opis
Null
Spot
Basic
Standard
Premium

JobType

Wyliczenie

Wyliczenie w celu określenia typu zadania.

Wartość	Opis
AutoML
Command
Sweep
Pipeline
Spark

LearningRateScheduler

Wyliczenie

Wyliczenie harmonogramu szybkości uczenia się.

Wartość	Opis
None	Nie wybrano harmonogramu szybkości uczenia się.
WarmupCosine	Wyżarzanie cosinusowe z rozgrzewką.
Step	Harmonogram tempa uczenia się krokowego.

LiteralJobInput

Objekt

Typ danych wejściowych literału.

Nazwa	Typ	Opis
description	string	Opis danych wejściowych.
jobInputType	string: literal	[Wymagane] Określa typ zadania.
value	string minLength: 1 pattern: [a-zA-Z0-9_]	[Wymagane] Wartość literału dla danych wejściowych.

LogVerbosity

Wyliczenie

Wyliczenie do ustawiania szczegółowości dziennika.

Wartość	Opis
NotSet	Nie wyemitowano żadnych dzienników.
Debug	Zarejestrowano debugowanie i wyższe instrukcje dziennika.
Info	Zarejestrowano informacje i powyższe instrukcje dziennika.
Warning	Ostrzeżenie i powyższe instrukcje dziennika zostały zarejestrowane.
Error	Zarejestrowano błąd i powyższe instrukcje dziennika.
Critical	Rejestrowane są tylko krytyczne stwierdzenia.

ManagedIdentity

Objekt

Konfiguracja tożsamości zarządzanej.

Nazwa	Typ	Opis
clientId	string (uuid)	Określa tożsamość przypisaną przez użytkownika według identyfikatora klienta. W przypadku przypisanego przez system pola nie należy ustawiać tego pola.
identityType	string: Managed	[Wymagane] Określa typ struktury tożsamości.
objectId	string (uuid)	Określa tożsamość przypisaną przez użytkownika według identyfikatora obiektu. W przypadku przypisanego przez system pola nie należy ustawiać tego pola.
resourceId	string	Określa tożsamość przypisaną przez użytkownika według identyfikatora zasobu usługi ARM. W przypadku przypisanego przez system pola nie należy ustawiać tego pola.

MedianStoppingPolicy

Objekt

Definiuje zasady wczesnego kończenia na podstawie średnich bieżących metryki podstawowej wszystkich przebiegów

Nazwa	Typ	Domyślna wartość	Opis
delayEvaluation	integer (int32)	0	Liczba interwałów, według których należy opóźnić pierwszą ocenę.
evaluationInterval	integer (int32)	0	Interwał (liczba przebiegów) między ocenami zasad.
policyType	string: MedianStopping		[Wymagane] Nazwa konfiguracji zasad

MLFlowModelJobInput

Objekt

Nazwa	Typ	Domyślna wartość	Opis
description	string		Opis danych wejściowych.
jobInputType	string: mlflow_model		[Wymagane] Określa typ zadania.
mode	InputDeliveryMode	ReadOnlyMount	Wyliczenie, aby określić tryb dostarczania danych wejściowych.
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[Wymagane] Identyfikator URI zasobu wejściowego.

MLFlowModelJobOutput

Objekt

Nazwa	Typ	Domyślna wartość	Opis
assetName	string		Nazwa zasobu wyjściowego.
description	string		Opis danych wyjściowych.
jobOutputType	string: mlflow_model		[Wymagane] Określa typ zadania.
mode	OutputDeliveryMode	ReadWriteMount	Wyliczenia trybu dostarczania danych wyjściowych.
uri	string		Identyfikator URI elementu zawartości wyjściowej.

MLTableJobInput

Objekt

Nazwa	Typ	Domyślna wartość	Opis
description	string		Opis danych wejściowych.
jobInputType	string: mltable		[Wymagane] Określa typ zadania.
mode	InputDeliveryMode	ReadOnlyMount	Wyliczenie, aby określić tryb dostarczania danych wejściowych.
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[Wymagane] Identyfikator URI zasobu wejściowego.

MLTableJobOutput

Objekt

Nazwa	Typ	Domyślna wartość	Opis
assetName	string		Nazwa zasobu wyjściowego.
description	string		Opis danych wyjściowych.
jobOutputType	string: mltable		[Wymagane] Określa typ zadania.
mode	OutputDeliveryMode	ReadWriteMount	Wyliczenia trybu dostarczania danych wyjściowych.
uri	string		Identyfikator URI elementu zawartości wyjściowej.

ModelSize

Wyliczenie

Rozmiar modelu obrazu.

Wartość	Opis
None	Nie wybrano żadnej wartości.
Small	Mały rozmiar.
Medium	Średni rozmiar.
Large	Duży rozmiar.
ExtraLarge	Bardzo duży rozmiar.

Mpi

Objekt

Konfiguracja dystrybucji MPI.

Nazwa	Typ	Opis
distributionType	string: Mpi	[Wymagane] Określa typ struktury dystrybucji.
processCountPerInstance	integer (int32)	Liczba procesów na węzeł MPI.

NCrossValidationsMode

Wyliczenie

Określa sposób określania wartości walidacji N-Cross.

Wartość	Opis
Auto	Automatycznie określ wartość walidacji N-Cross. Obsługiwane tylko w przypadku zadania automatycznego uczenia maszynowego "Prognozowanie".
Custom	Użyj niestandardowej wartości walidacji N-Cross.

NlpVerticalFeaturizationSettings

Objekt

Nazwa	Typ	Opis
datasetLanguage	string	Język zestawu danych przydatny dla danych tekstowych.

NlpVerticalLimitSettings

Objekt

Ograniczenia wykonywania zadań.

Nazwa	Typ	Domyślna wartość	Opis
maxConcurrentTrials	integer (int32)	1	Maksymalna liczba iteracji automl współbieżnych.
maxTrials	integer (int32)	1	Liczba iteracji rozwiązania AutoML.
timeout	string (duration)	P7D	Limit czasu zadania automatycznego uczenia maszynowego.

NodesValueType

Wyliczenie

Wyliczone typy dla wartości węzłów

Wartość	Opis
All

NotificationSetting

Objekt

Konfiguracja powiadomienia.

Nazwa	Typ	Opis
emailOn	EmailNotificationEnableType[]	Wysyłanie powiadomienia e-mail do użytkownika w określonym typie powiadomienia
emails	string[]	Jest to lista adresatów wiadomości e-mail, która ma ograniczenie 499 znaków w sumie concat z separatorem przecinka
webhooks	object	Wysyłanie wywołania zwrotnego elementu webhook do usługi. Klucz to nazwa podana przez użytkownika dla elementu webhook.

ObjectDetectionPrimaryMetrics

Wyliczenie

Podstawowe metryki dla zadania Image ObjectDetection.

Wartość	Opis
MeanAveragePrecision	Średnia średnia precyzja (MAP) to średnia AP (średnia precyzja). AP jest obliczane dla każdej klasy i uśredniane, aby uzyskać MAP.

Objective

Objekt

Cel optymalizacji.

Nazwa	Typ	Opis
goal	Goal	[Wymagane] Definiuje obsługiwane cele metryk na potrzeby dostrajania hiperparametrów
primaryMetric	string minLength: 1 pattern: [a-zA-Z0-9_]	[Wymagane] Nazwa metryki do optymalizacji.

OutputDeliveryMode

Wyliczenie

Wyliczenia trybu dostarczania danych wyjściowych.

Wartość	Opis
ReadWriteMount
Upload
Direct

PipelineJob

Objekt

Definicja zadania potoku: definiuje ogólne atrybuty MFE.

Nazwa	Typ	Domyślna wartość	Opis
componentId	string		Identyfikator zasobu usługi ARM zasobu składnika.
computeId	string		Identyfikator zasobu usługi ARM zasobu obliczeniowego.
description	string		Tekst opisu zasobu.
displayName	string		Nazwa wyświetlana zadania.
experimentName	string	Default	Nazwa eksperymentu, do którego należy zadanie. Jeśli nie zostanie ustawione, zadanie zostanie umieszczone w eksperymencie "Domyślny".
identity	IdentityConfiguration: AmlToken ManagedIdentity UserIdentity		Konfiguracja tożsamości. W przypadku ustawienia powinna to być jedna z wartości AmlToken, ManagedIdentity, UserIdentity lub null. Wartość domyślna to AmlToken, jeśli ma wartość null.
inputs	object		Dane wejściowe zadania potoku.
isArchived	boolean	False	Czy zasób jest archiwizowany?
jobType	string: Pipeline		[Wymagane] Określa typ zadania.
jobs			Zadania skonstruować zadanie potoku.
notificationSetting	NotificationSetting		Ustawienie powiadomienia dla zadania
outputs	object		Dane wyjściowe zadania potoku
properties	object		Słownik właściwości elementu zawartości.
services	<string,  JobService>		Lista punktów zadań. W przypadku zadań lokalnych punkt końcowy zadania będzie miał wartość punktu końcowego FileStreamObject.
settings			Ustawienia potoku, np. ContinueRunOnStepFailure itp.
sourceJobId	string		Identyfikator zasobu usługi ARM zadania źródłowego.
status	JobStatus		Stan zadania.
tags	object		Słownik tagów. Tagi można dodawać, usuwać i aktualizować.

PyTorch

Objekt

Konfiguracja dystrybucji PyTorch.

Nazwa	Typ	Opis
distributionType	string: PyTorch	[Wymagane] Określa typ struktury dystrybucji.
processCountPerInstance	integer (int32)	Liczba procesów na węzeł.

QueueSettings

Objekt

Nazwa	Typ	Domyślna wartość	Opis
jobTier	JobTier	Null	Wyliczenie w celu określenia warstwy zadań.

RandomSamplingAlgorithm

Objekt

Definiuje algorytm próbkowania, który generuje wartości losowo

Nazwa	Typ	Domyślna wartość	Opis
rule	RandomSamplingAlgorithmRule	Random	Określony typ algorytmu losowego
samplingAlgorithmType	string: Random		[Wymagane] Algorytm używany do generowania wartości hiperparametrów wraz z właściwościami konfiguracji
seed	integer (int32)		Opcjonalna liczba całkowita do użycia jako inicjator generowania liczb losowych

RandomSamplingAlgorithmRule

Wyliczenie

Określony typ algorytmu losowego

Wartość	Opis
Random
Sobol

Regression

Objekt

Zadanie regresji w tabeli AutoML w pionie.

Nazwa	Typ	Domyślna wartość	Opis
cvSplitColumnNames	string[]		Kolumny do użycia dla danych CVSplit.
featurizationSettings	TableVerticalFeaturizationSettings		Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.
limitSettings	TableVerticalLimitSettings		Ograniczenia wykonywania dla zadania AutoMLJob.
logVerbosity	LogVerbosity	Info	Wyliczenie do ustawiania szczegółowości dziennika.
nCrossValidations	NCrossValidations: AutoNCrossValidations CustomNCrossValidations		Liczba krotnych walidacji krzyżowych, które mają zostać zastosowane do zestawu danych treningowych, gdy zestaw danych walidacji nie zostanie podany.
primaryMetric	RegressionPrimaryMetrics	NormalizedRootMeanSquaredError	Podstawowe metryki dla zadania regresji.
targetColumnName	string		Nazwa kolumny docelowej: jest to kolumna wartości przewidywania. Znana również jako nazwa kolumny etykiety w kontekście zadań klasyfikacji.
taskType	string: Regression		[Wymagane] Typ zadania dla zadania AutoMLJob.
testData	MLTableJobInput		Testowanie danych wejściowych.
testDataSize	number (double)		Ułamek zestawu danych testowych, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0,0 , 1,0) stosowane, gdy nie podano zestawu danych walidacji.
trainingData	MLTableJobInput		[Wymagane] Dane wejściowe danych treningowych.
trainingSettings	RegressionTrainingSettings		Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego.
validationData	MLTableJobInput		Dane wejściowe danych walidacji.
validationDataSize	number (double)		Ułamek zestawu danych trenowania, który należy odłożyć na potrzeby walidacji. Wartości z zakresu (0,0 , 1,0) stosowane, gdy nie podano zestawu danych walidacji.
weightColumnName	string		Nazwa kolumny wagi próbki. Zautomatyzowane uczenie maszynowe obsługuje kolumnę ważoną jako dane wejściowe, co powoduje, że wiersze w danych mają być ważone w górę lub w dół.

RegressionModels

Wyliczenie

Wyliczenie dla wszystkich modeli regresji obsługiwanych przez rozwiązanie AutoML.

Wartość	Opis
ElasticNet	Elastyczna siatka to popularny rodzaj regularnej regresji liniowej, który łączy dwie popularne kary, w szczególności funkcje kar L1 i L2.
GradientBoosting	Technika przekształcania uczniów uczących się w ciągu tygodnia w silnego ucznia nazywa się Boostingiem. Proces algorytmu zwiększania gradientu działa w oparciu o tę teorię wykonania.
DecisionTree	Drzewa decyzyjne to nieparametryczna metoda uczenia nadzorowanego używana zarówno do zadań klasyfikacji, jak i regresji. Celem jest stworzenie modelu, który przewiduje wartość zmiennej docelowej poprzez uczenie się prostych reguł decyzyjnych wywnioskowanych z funkcji danych.
KNN	Algorytm K-najbliższych sąsiadów (KNN) wykorzystuje "podobieństwo cech" do przewidywania wartości nowych punktów danych, co dodatkowo oznacza, że nowemu punktowi danych zostanie przypisana wartość na podstawie tego, jak bardzo pasuje do punktów w zbiorze treningowym.
LassoLars	Model Lasso pasuje do Regresji Najmniejszego Kąta a.k.a. Larsa. Jest to model liniowy wytrenowany z uprzednim L1 jako regularyzatorem.
SGD	SGD: Stochastyczne zejście gradientowe to algorytm optymalizacyjny często używany w aplikacjach uczenia maszynowego w celu znalezienia parametrów modelu, które odpowiadają najlepszemu dopasowaniu między przewidywanymi a rzeczywistymi wynikami. To niedokładna, ale potężna technika.
RandomForest	Las losowy jest algorytmem uczenia nadzorowanego. "Las", który buduje, jest zbiorem drzew decyzyjnych, zwykle trenowanych metodą "workowania". Ogólna idea metody workowania polega na tym, że połączenie modeli uczenia się zwiększa ogólny wynik.
ExtremeRandomTrees	Extreme Trees to algorytm uczenia maszynowego oparty na zespole, który łączy przewidywania z wielu drzew decyzyjnych. Jest to związane z szeroko stosowanym algorytmem lasu losowego.
LightGBM	LightGBM to framework zwiększający gradient, który wykorzystuje algorytmy uczenia się oparte na drzewach.
XGBoostRegressor	XGBoostRegressor: Extreme Gradient Boosting Regressor to nadzorowany model uczenia maszynowego wykorzystujący zespół podstawowych uczniów.

RegressionPrimaryMetrics

Wyliczenie

Podstawowe metryki dla zadania regresji.

Wartość	Opis
SpearmanCorrelation	Współczynnik korelacji rang Spearmana jest nieparametryczną miarą korelacji rang.
NormalizedRootMeanSquaredError	Znormalizowany błąd średniokwadratowy (Normalized Root Mean Squared Error, NRMSE), RMSE ułatwia porównywanie modeli o różnych skalach.
R2Score	Wynik R2 jest jedną z miar oceny wydajności dla modeli uczenia maszynowego opartych na prognozowaniu.
NormalizedMeanAbsoluteError	Znormalizowany średni błąd bezwzględny (NMAE) to metryka walidacji służąca do porównywania średniego błędu bezwzględnego (MAE) szeregów (czasowych) z różnymi skalami.

RegressionTrainingSettings

Objekt

Konfiguracja związana z trenowaniem regresji.

Nazwa	Typ	Domyślna wartość	Opis
allowedTrainingAlgorithms	RegressionModels[]		Dozwolone modele dla zadania regresji.
blockedTrainingAlgorithms	RegressionModels[]		Zablokowane modele dla zadania regresji.
enableDnnTraining	boolean	False	Włącz zalecenie dotyczące modeli sieci rozproszonej.
enableModelExplainability	boolean	True	Flaga włączania możliwości objaśnienia dla najlepszego modelu.
enableOnnxCompatibleModels	boolean	False	Flaga włączania modeli zgodnych z programem onnx.
enableStackEnsemble	boolean	True	Włącz uruchamianie zespołu stosu.
enableVoteEnsemble	boolean	True	Włącz uruchamianie zespołu do głosowania.
ensembleModelDownloadTimeout	string (duration)	PT5M	Podczas generowania modeli VotingEnsemble i StackEnsemble pobierane są wiele dopasowanych modeli z poprzednich przebiegów podrzędnych. Skonfiguruj ten parametr z wyższą wartością niż 300 sekund, jeśli jest potrzebny więcej czasu.
stackEnsembleSettings	StackEnsembleSettings		Ustawienia zespołu stosu dla przebiegu zespołu stosu.

SamplingAlgorithmType

Wyliczenie

Wartość	Opis
Grid
Random
Bayesian

SeasonalityMode

Wyliczenie

Prognozowanie trybu sezonowości.

Wartość	Opis
Auto	Sezonowość ustalana automatycznie.
Custom	Użyj niestandardowej wartości sezonowości.

ShortSeriesHandlingConfiguration

Wyliczenie

Parametr definiujący sposób obsługi krótkich szeregów czasowych przez rozwiązanie AutoML.

Wartość	Opis
None	Reprezentuje wartość no/null.
Auto	Krótkie serie zostaną uzupełnione, jeśli nie ma długich serii, w przeciwnym razie krótkie serie zostaną usunięte.
Pad	Wszystkie krótkie serie będą wyściełane.
Drop	Wszystkie krótkie serie zostaną usunięte.

SparkJob

Objekt

Definicja zadania platformy Spark.

Nazwa	Typ	Domyślna wartość	Opis
archives	string[]		Archiwizowanie plików używanych w zadaniu.
args	string		Argumenty zadania.
codeId	string (arm-id) minLength: 1 pattern: [a-zA-Z0-9_]		[Wymagane] arm-id zasobu kodu.
componentId	string		Identyfikator zasobu usługi ARM zasobu składnika.
computeId	string		Identyfikator zasobu usługi ARM zasobu obliczeniowego.
conf	object		Właściwości skonfigurowane przez platformę Spark.
description	string		Tekst opisu zasobu.
displayName	string		Nazwa wyświetlana zadania.
entry	SparkJobEntry: SparkJobPythonEntry SparkJobScalaEntry		[Wymagane] Wpis do wykonania podczas uruchamiania zadania.
environmentId	string (arm-id)		Identyfikator zasobu usługi ARM specyfikacji środowiska dla zadania.
environmentVariables	object		Zmienne środowiskowe uwzględnione w zadaniu.
experimentName	string	Default	Nazwa eksperymentu, do którego należy zadanie. Jeśli nie zostanie ustawione, zadanie zostanie umieszczone w eksperymencie "Domyślny".
files	string[]		Pliki używane w zadaniu.
identity	IdentityConfiguration: AmlToken ManagedIdentity UserIdentity		Konfiguracja tożsamości. W przypadku ustawienia powinna to być jedna z wartości AmlToken, ManagedIdentity, UserIdentity lub null. Wartość domyślna to AmlToken, jeśli ma wartość null.
inputs	object		Mapowanie powiązań danych wejściowych używanych w zadaniu.
isArchived	boolean	False	Czy zasób jest archiwizowany?
jars	string[]		Pliki Jar używane w zadaniu.
jobType	string: Spark		[Wymagane] Określa typ zadania.
notificationSetting	NotificationSetting		Ustawienie powiadomienia dla zadania
outputs	object		Mapowanie powiązań danych wyjściowych używanych w zadaniu.
properties	object		Słownik właściwości elementu zawartości.
pyFiles	string[]		Pliki języka Python używane w zadaniu.
queueSettings	QueueSettings		Ustawienia kolejki dla zadania
resources	SparkResourceConfiguration		Konfiguracja zasobów obliczeniowych dla zadania.
services	<string,  JobService>		Lista punktów zadań. W przypadku zadań lokalnych punkt końcowy zadania będzie miał wartość punktu końcowego FileStreamObject.
status	JobStatus		Stan zadania.
tags	object		Słownik tagów. Tagi można dodawać, usuwać i aktualizować.

SparkJobEntryType

Wyliczenie

Wartość	Opis
SparkJobPythonEntry
SparkJobScalaEntry

SparkJobPythonEntry

Objekt

Nazwa	Typ	Opis
file	string minLength: 1 pattern: [a-zA-Z0-9_]	[Wymagane] Względna ścieżka pliku języka Python dla punktu wejścia zadania.
sparkJobEntryType	string: SparkJobPythonEntry	[Wymagane] Typ punktu wejścia zadania.

SparkJobScalaEntry

Objekt

Nazwa	Typ	Opis
className	string minLength: 1 pattern: [a-zA-Z0-9_]	[Wymagane] Nazwa klasy Scala używana jako punkt wejścia.
sparkJobEntryType	string: SparkJobScalaEntry	[Wymagane] Typ punktu wejścia zadania.

SparkResourceConfiguration

Objekt

Nazwa	Typ	Domyślna wartość	Opis
instanceType	string		Opcjonalny typ maszyny wirtualnej używany jako obsługiwany przez docelowy obiekt obliczeniowy.
runtimeVersion	string	3.1	Wersja środowiska uruchomieniowego platformy Spark używana dla zadania.

StackEnsembleSettings

Objekt

Zaawansowane ustawienie w celu dostosowania przebiegu StackEnsemble.

Nazwa	Typ	Domyślna wartość	Opis
stackMetaLearnerKWargs			Parametry opcjonalne, które mają być przekazywane do inicjatora metauczeń.
stackMetaLearnerTrainPercentage	number (double)	0.2	Określa proporcję zestawu treningowego (podczas wybierania typu trenowania i sprawdzania poprawności trenowania) do zastrzelenia na potrzeby trenowania metauczeń. Wartość domyślna to 0,2.
stackMetaLearnerType	StackMetaLearnerType	None	Meta-uczący się to model wytrenowany na wynikach poszczególnych heterogenicznych modeli.\r\nDomyślnymi meta-uczącymi się są LogisticRegression dla zadań klasyfikacyjnych (lub LogisticRegressionCV, jeśli walidacja krzyżowa jest włączona) oraz ElasticNet dla zadań regresji/prognozowania (lub ElasticNetCV, jeśli walidacja krzyżowa jest włączona).\r\nTen parametr może być jednym z następujących ciągów znaków: LogisticRegression, LogisticRegressionCV, LightGBMClassifier, ElasticNet, ElasticNetCV, LightGBMRegressor lub LinearRegression

StackMetaLearnerType

Wyliczenie

Meta-uczący się to model wytrenowany na wynikach poszczególnych heterogenicznych modeli.\r\nDomyślnymi meta-uczącymi się są LogisticRegression dla zadań klasyfikacyjnych (lub LogisticRegressionCV, jeśli walidacja krzyżowa jest włączona) oraz ElasticNet dla zadań regresji/prognozowania (lub ElasticNetCV, jeśli walidacja krzyżowa jest włączona).\r\nTen parametr może być jednym z następujących ciągów znaków: LogisticRegression, LogisticRegressionCV, LightGBMClassifier, ElasticNet, ElasticNetCV, LightGBMRegressor lub LinearRegression

Wartość	Opis
None
LogisticRegression	Domyślne meta-uczniowie to LogisticRegression dla zadań klasyfikacji.
LogisticRegressionCV	Domyślne meta-uczniowie to LogisticRegression dla zadania klasyfikacji, gdy CV jest włączone.
LightGBMClassifier
ElasticNet	Domyślne meta-uczniowie to LogisticRegression dla zadania regresji.
ElasticNetCV	Domyślne meta-uczniowie to LogisticRegression dla zadania regresji, gdy CV jest włączone.
LightGBMRegressor
LinearRegression

StochasticOptimizer

Wyliczenie

Optymalizator stochastyczny dla modeli obrazów.

Wartość	Opis
None	Nie wybrano optymalizatora.
Sgd	Optymalizator stochastycznego spadku gradientu.
Adam	Adam jest algorytmem optymalizującym stochastyczne funkcje celu w oparciu o adaptacyjne oszacowania momentów
Adamw	AdamW to wariant optymalizatora Adam, który ma ulepszoną implementację spadku wagi.

SweepJob

Objekt

Definicja zadania zamiatania.

Nazwa	Typ	Domyślna wartość	Opis
componentId	string		Identyfikator zasobu usługi ARM zasobu składnika.
computeId	string		Identyfikator zasobu usługi ARM zasobu obliczeniowego.
description	string		Tekst opisu zasobu.
displayName	string		Nazwa wyświetlana zadania.
earlyTermination	EarlyTerminationPolicy: BanditPolicy MedianStoppingPolicy TruncationSelectionPolicy		Zasady wczesnego kończenia umożliwiają anulowanie przebiegów o niskiej wydajności przed ich ukończeniem
experimentName	string	Default	Nazwa eksperymentu, do którego należy zadanie. Jeśli nie zostanie ustawione, zadanie zostanie umieszczone w eksperymencie "Domyślny".
identity	IdentityConfiguration: AmlToken ManagedIdentity UserIdentity		Konfiguracja tożsamości. W przypadku ustawienia powinna to być jedna z wartości AmlToken, ManagedIdentity, UserIdentity lub null. Wartość domyślna to AmlToken, jeśli ma wartość null.
inputs	object		Mapowanie powiązań danych wejściowych używanych w zadaniu.
isArchived	boolean	False	Czy zasób jest archiwizowany?
jobType	string: Sweep		[Wymagane] Określa typ zadania.
limits	SweepJobLimits		Limit zadań zamiatania.
notificationSetting	NotificationSetting		Ustawienie powiadomienia dla zadania
objective	Objective		[Wymagane] Cel optymalizacji.
outputs	object		Mapowanie powiązań danych wyjściowych używanych w zadaniu.
properties	object		Słownik właściwości elementu zawartości.
queueSettings	QueueSettings		Ustawienia kolejki dla zadania
samplingAlgorithm	SamplingAlgorithm: BayesianSamplingAlgorithm GridSamplingAlgorithm RandomSamplingAlgorithm		[Wymagane] Algorytm próbkowania hiperparametrów
searchSpace			[Wymagane] Słownik zawierający każdy parametr i jego rozkład. Klucz słownika jest nazwą parametru
services	<string,  JobService>		Lista punktów zadań. W przypadku zadań lokalnych punkt końcowy zadania będzie miał wartość punktu końcowego FileStreamObject.
status	JobStatus		Stan zadania.
tags	object		Słownik tagów. Tagi można dodawać, usuwać i aktualizować.
trial	TrialComponent		[Wymagane] Definicja składnika wersji próbnej.

SweepJobLimits

Objekt

Klasa limitu zadania zamiatania.

Nazwa	Typ	Opis
jobLimitsType	string: Sweep	[Wymagane] Typ JobLimit.
maxConcurrentTrials	integer (int32)	Maksymalna liczba współbieżnych wersji próbnych zadania zamiatania.
maxTotalTrials	integer (int32)	Zamiatanie zadania — maksymalna łączna liczba prób.
timeout	string (duration)	Maksymalny czas trwania przebiegu w formacie ISO 8601, po którym zadanie zostanie anulowane. Obsługuje tylko czas trwania z dokładnością do sekund.
trialTimeout	string (duration)	Zamiatanie wartości limitu czasu wersji próbnej zadania.

systemData

Objekt

Metadane dotyczące tworzenia i ostatniej modyfikacji zasobu.

Nazwa	Typ	Opis
createdAt	string (date-time)	Sygnatura czasowa tworzenia zasobu (UTC).
createdBy	string	Tożsamość, która utworzyła zasób.
createdByType	createdByType	Typ tożsamości, która utworzyła zasób.
lastModifiedAt	string (date-time)	Sygnatura czasowa ostatniej modyfikacji zasobu (UTC)
lastModifiedBy	string	Tożsamość, która ostatnio zmodyfikowała zasób.
lastModifiedByType	createdByType	Typ tożsamości, która ostatnio zmodyfikowała zasób.

TableVerticalFeaturizationSettings

Objekt

Konfiguracja cechowania.

Nazwa	Typ	Domyślna wartość	Opis
blockedTransformers	BlockedTransformers[]		Transformatory te nie są stosowane w cechowaniu.
columnNameAndTypes	object		Słownik nazwy kolumny i jego typu (int, float, string, datetime itp.).
datasetLanguage	string		Język zestawu danych przydatny dla danych tekstowych.
enableDnnFeaturization	boolean	False	Określa, czy używać cech opartych na Dnn do cechowania danych.
mode	FeaturizationMode	Auto	Tryb cechowania — użytkownik może zachować domyślny tryb "Auto", a rozwiązanie AutoML zajmie się niezbędnym przekształceniem danych w fazie cechowania. Jeśli wybrano opcję "Wyłączone", nie jest wykonywana cechowanie. Jeśli wybrano opcję "Niestandardowy", użytkownik może określić dodatkowe dane wejściowe, aby dostosować sposób wykonywania cechowania.
transformerParams	object		Użytkownik może określić dodatkowe transformatory, które mają być używane wraz z kolumnami, do których ma zostać zastosowany, oraz parametry konstruktora transformatora.

TableVerticalLimitSettings

Objekt

Ograniczenia wykonywania zadań.

Nazwa	Typ	Domyślna wartość	Opis
enableEarlyTermination	boolean	True	Włącz wczesne zakończenie, określa, czy funkcja AutoMLJob zakończy się wcześnie, jeśli w ciągu ostatnich 20 iteracji nie będzie poprawa oceny.
exitScore	number (double)		Wynik zakończenia zadania rozwiązania AutoML.
maxConcurrentTrials	integer (int32)	1	Maksymalna liczba iteracji współbieżnych.
maxCoresPerTrial	integer (int32)	-1	Maksymalna liczba rdzeni na iterację.
maxTrials	integer (int32)	1000	Liczba iteracji.
timeout	string (duration)	PT6H	Limit czasu zadania automatycznego uczenia maszynowego.
trialTimeout	string (duration)	PT30M	Limit czasu iteracji.

TargetAggregationFunction

Wyliczenie

Docelowa funkcja agregująca.

Wartość	Opis
None	Nie reprezentują żadnego zestawu wartości.
Sum
Max
Min
Mean

TargetLagsMode

Wyliczenie

Tryby wyboru docelowych opóźnień.

Wartość	Opis
Auto	Opóźnienia docelowe są określane automatycznie.
Custom	Użyj niestandardowych opóźnień docelowych.

TargetRollingWindowSizeMode

Wyliczenie

Docelowy tryb rozmiaru okien kroczących.

Wartość	Opis
Auto	Automatycznie określ rozmiar okien rolkowych.
Custom	Użyj określonego rozmiaru okna kroczącego.

TaskType

Wyliczenie

AutoMLJob Typ zadania.

Wartość	Opis
Classification	Klasyfikacja w uczeniu maszynowym i statystyce to podejście oparte na uczeniu nadzorowanym, w którym program komputerowy uczy się na podstawie dostarczonych mu danych i dokonuje nowych obserwacji lub klasyfikacji.
Regression	Regresja oznacza przewidywanie wartości na podstawie danych wejściowych. Modele regresji służą do przewidywania wartości ciągłej.
Forecasting	Prognozowanie to specjalny rodzaj zadania regresji, które zajmuje się danymi szeregów czasowych i tworzy model prognozowania, który może służyć do przewidywania wartości w najbliższej przyszłości na podstawie danych wejściowych.
ImageClassification	Klasyfikacja obrazu. Klasyfikacja obrazów wieloklasowych jest używana, gdy obraz jest klasyfikowany tylko za pomocą jednej etykiety z zestawu klas - np. każdy obraz jest klasyfikowany jako obraz "kota", "psa" lub "kaczki".
ImageClassificationMultilabel	Klasyfikacja obrazów Multilabel. Klasyfikacja obrazów z wieloma etykietami jest używana, gdy obraz może mieć jedną lub więcej etykiet z zestawu etykiet - np. obraz może być oznaczony zarówno jako "kot", jak i "pies".
ImageObjectDetection	Wykrywanie obiektów obrazu. Wykrywanie obiektów służy do identyfikowania obiektów na obrazie i lokalizowania każdego obiektu za pomocą obwiedni, np. Lokalizowanie wszystkich psów i kotów na obrazie i rysowanie obwiedni wokół każdego z nich.
ImageInstanceSegmentation	Segmentacja instancji obrazu. Segmentacja instancji służy do identyfikowania obiektów na obrazie na poziomie pikseli, rysowania wielokąta wokół każdego obiektu na obrazie.
TextClassification	Klasyfikacja tekstu (znana również jako tagowanie tekstu lub kategoryzacja tekstu) to proces sortowania tekstów w kategorie. Kategorie wzajemnie się wykluczają.
TextClassificationMultilabel	Zadanie klasyfikacji wielu etykiet przypisuje każdą próbkę do grupy (zero lub więcej) etykiet docelowych.
TextNER	Rozpoznawanie nazwany jednostką tekstową, znany również jako TextNER. Rozpoznawanie jednostek nazwanych (NER) to możliwość przyjmowania dowolnego tekstu i identyfikowania wystąpień jednostek, takich jak osoby, lokalizacje, organizacje i inne.

TensorFlow

Objekt

Konfiguracja dystrybucji TensorFlow.

Nazwa	Typ	Domyślna wartość	Opis
distributionType	string: TensorFlow		[Wymagane] Określa typ struktury dystrybucji.
parameterServerCount	integer (int32)	0	Liczba zadań serwera parametrów.
workerCount	integer (int32)		Liczba pracowników. Jeśli nie zostanie określony, wartość domyślna to liczba wystąpień.

TextClassification

Objekt

Zadanie klasyfikacji tekstu w pionie NLP rozwiązania AutoML. NLP - Przetwarzanie Języka Naturalnego.

Nazwa	Typ	Domyślna wartość	Opis
featurizationSettings	NlpVerticalFeaturizationSettings		Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.
limitSettings	NlpVerticalLimitSettings		Ograniczenia wykonywania dla zadania AutoMLJob.
logVerbosity	LogVerbosity	Info	Wyliczenie do ustawiania szczegółowości dziennika.
primaryMetric	ClassificationPrimaryMetrics	Accuracy	Podstawowe metryki dla zadań klasyfikacji.
targetColumnName	string		Nazwa kolumny docelowej: jest to kolumna wartości przewidywania. Znana również jako nazwa kolumny etykiety w kontekście zadań klasyfikacji.
taskType	string: TextClassification		[Wymagane] Typ zadania dla zadania AutoMLJob.
trainingData	MLTableJobInput		[Wymagane] Dane wejściowe danych treningowych.
validationData	MLTableJobInput		Dane wejściowe danych walidacji.

TextClassificationMultilabel

Objekt

Zadanie Klasyfikacja tekstu z wieloma etykietami w pionie automatycznego uczenia maszynowego NLP. NLP - Przetwarzanie Języka Naturalnego.

Nazwa	Typ	Domyślna wartość	Opis
featurizationSettings	NlpVerticalFeaturizationSettings		Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.
limitSettings	NlpVerticalLimitSettings		Ograniczenia wykonywania dla zadania AutoMLJob.
logVerbosity	LogVerbosity	Info	Wyliczenie do ustawiania szczegółowości dziennika.
primaryMetric	ClassificationMultilabelPrimaryMetrics		Podstawowa metryka zadaniaClassification-Multilabel tekstu. Obecnie tylko dokładność jest obsługiwana jako metryka podstawowa, dlatego użytkownik nie musi jej jawnie ustawiać.
targetColumnName	string		Nazwa kolumny docelowej: jest to kolumna wartości przewidywania. Znana również jako nazwa kolumny etykiety w kontekście zadań klasyfikacji.
taskType	string: TextClassificationMultilabel		[Wymagane] Typ zadania dla zadania AutoMLJob.
trainingData	MLTableJobInput		[Wymagane] Dane wejściowe danych treningowych.
validationData	MLTableJobInput		Dane wejściowe danych walidacji.

TextNer

Objekt

Text-NER zadanie w pionie AutoML NLP. NER - Rozpoznawanie jednostek nazwanych. NLP - Przetwarzanie Języka Naturalnego.

Nazwa	Typ	Domyślna wartość	Opis
featurizationSettings	NlpVerticalFeaturizationSettings		Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML.
limitSettings	NlpVerticalLimitSettings		Ograniczenia wykonywania dla zadania AutoMLJob.
logVerbosity	LogVerbosity	Info	Wyliczenie do ustawiania szczegółowości dziennika.
primaryMetric	ClassificationPrimaryMetrics		Podstawowa metryka dla Text-NER zadania. Tylko "Dokładność" jest obsługiwana dla Text-NER, więc użytkownik nie musi tego jawnie ustawiać.
targetColumnName	string		Nazwa kolumny docelowej: jest to kolumna wartości przewidywania. Znana również jako nazwa kolumny etykiety w kontekście zadań klasyfikacji.
taskType	string: TextNER		[Wymagane] Typ zadania dla zadania AutoMLJob.
trainingData	MLTableJobInput		[Wymagane] Dane wejściowe danych treningowych.
validationData	MLTableJobInput		Dane wejściowe danych walidacji.

TrialComponent

Objekt

Definicja składnika wersji próbnej.

Nazwa	Typ	Opis
codeId	string	Identyfikator zasobu usługi ARM zasobu kodu.
command	string minLength: 1 pattern: [a-zA-Z0-9_]	[Wymagane] Polecenie do wykonania podczas uruchamiania zadania. eg. "Python train.py"
distribution	DistributionConfiguration: Mpi PyTorch TensorFlow	Konfiguracja dystrybucji zadania. W przypadku ustawienia powinna to być jedna z wartości Mpi, Tensorflow, PyTorch lub null.
environmentId	string minLength: 1 pattern: [a-zA-Z0-9_]	[Wymagane] Identyfikator zasobu usługi ARM specyfikacji środowiska dla zadania.
environmentVariables	object	Zmienne środowiskowe uwzględnione w zadaniu.
resources	JobResourceConfiguration	Konfiguracja zasobów obliczeniowych dla zadania.

TritonModelJobInput

Objekt

Nazwa	Typ	Domyślna wartość	Opis
description	string		Opis danych wejściowych.
jobInputType	string: triton_model		[Wymagane] Określa typ zadania.
mode	InputDeliveryMode	ReadOnlyMount	Wyliczenie, aby określić tryb dostarczania danych wejściowych.
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[Wymagane] Identyfikator URI zasobu wejściowego.

TritonModelJobOutput

Objekt

Nazwa	Typ	Domyślna wartość	Opis
assetName	string		Nazwa zasobu wyjściowego.
description	string		Opis danych wyjściowych.
jobOutputType	string: triton_model		[Wymagane] Określa typ zadania.
mode	OutputDeliveryMode	ReadWriteMount	Wyliczenia trybu dostarczania danych wyjściowych.
uri	string		Identyfikator URI elementu zawartości wyjściowej.

TruncationSelectionPolicy

Objekt

Definiuje zasady wczesnego kończenia, które anulują dany procent przebiegów w każdym interwale oceny.

Nazwa	Typ	Domyślna wartość	Opis
delayEvaluation	integer (int32)	0	Liczba interwałów, według których należy opóźnić pierwszą ocenę.
evaluationInterval	integer (int32)	0	Interwał (liczba przebiegów) między ocenami zasad.
policyType	string: TruncationSelection		[Wymagane] Nazwa konfiguracji zasad
truncationPercentage	integer (int32)	0	Procent przebiegów do anulowania w każdym interwale oceny.

UriFileJobInput

Objekt

Nazwa	Typ	Domyślna wartość	Opis
description	string		Opis danych wejściowych.
jobInputType	string: uri_file		[Wymagane] Określa typ zadania.
mode	InputDeliveryMode	ReadOnlyMount	Wyliczenie, aby określić tryb dostarczania danych wejściowych.
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[Wymagane] Identyfikator URI zasobu wejściowego.

UriFileJobOutput

Objekt

Nazwa	Typ	Domyślna wartość	Opis
assetName	string		Nazwa zasobu wyjściowego.
description	string		Opis danych wyjściowych.
jobOutputType	string: uri_file		[Wymagane] Określa typ zadania.
mode	OutputDeliveryMode	ReadWriteMount	Wyliczenia trybu dostarczania danych wyjściowych.
uri	string		Identyfikator URI elementu zawartości wyjściowej.

UriFolderJobInput

Objekt

Nazwa	Typ	Domyślna wartość	Opis
description	string		Opis danych wejściowych.
jobInputType	string: uri_folder		[Wymagane] Określa typ zadania.
mode	InputDeliveryMode	ReadOnlyMount	Wyliczenie, aby określić tryb dostarczania danych wejściowych.
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[Wymagane] Identyfikator URI zasobu wejściowego.

UriFolderJobOutput

Objekt

Nazwa	Typ	Domyślna wartość	Opis
assetName	string		Nazwa zasobu wyjściowego.
description	string		Opis danych wyjściowych.
jobOutputType	string: uri_folder		[Wymagane] Określa typ zadania.
mode	OutputDeliveryMode	ReadWriteMount	Wyliczenia trybu dostarczania danych wyjściowych.
uri	string		Identyfikator URI elementu zawartości wyjściowej.

UserIdentity

Objekt

Konfiguracja tożsamości użytkownika.

Nazwa	Typ	Opis
identityType	string: UserIdentity	[Wymagane] Określa typ struktury tożsamości.

UseStl

Wyliczenie

Skonfiguruj dekompozycję STL kolumny docelowej szeregów czasowych.

Wartość	Opis
None	Brak dekompozycji stl.
Season
SeasonTrend

ValidationMetricType

Wyliczenie

Metoda obliczania metryk do użycia na potrzeby metryk walidacji w zadaniach obrazów.

Wartość	Opis
None	Brak metryki.
Coco	Metryka kokosa.
Voc	Metryka Voc.
CocoVoc	Metryka CocoVoc.

WebhookType

Wyliczenie

Wyliczenie w celu określenia typu usługi wywołania zwrotnego elementu webhook.

Wartość	Opis
AzureDevOps