Observação
O acesso a essa página exige autorização. Você pode tentar entrar ou alterar diretórios.
O acesso a essa página exige autorização. Você pode tentar alterar os diretórios.
Os artigos a seguir ajudam você a começar a usar o Azure Machine Learning. As APIs REST do Azure Machine Learning v2, a extensão da CLI do Azure e o SDK do Python foram projetados para simplificar todo o ciclo de vida do machine learning e acelerar os fluxos de trabalho de produção. Os links neste artigo são direcionados para v2, o que é recomendado se você estiver iniciando um novo projeto de machine learning.
Como começar
No Azure Machine Learning, o workspace é o principal recurso que organiza e gerencia tudo o que você cria, como conjuntos de dados, modelos e experimentos.
- Guia de Início Rápido: introdução ao Azure Machine Learning
- Gerenciar os workspaces do Azure Machine Learning no portal ou com o SDK do Python (v2)
- Executar notebooks Jupyter em seu workspace
- Tutorial: modelar o desenvolvimento em uma estação de trabalho em nuvem
Implantar modelos
Implante modelos para previsões de aprendizado de máquina de baixa latência e em tempo real.
- Tutorial: Designer – implantar um modelo de machine learning
- Implantar e avaliar um modelo de aprendizado de máquina usando um endpoint online
Aprendizado de máquina automatizado
O ML automatizado (AutoML) refere-se ao processo de simplificação do desenvolvimento de modelos de machine learning automatizando suas tarefas repetitivas e demoradas.
- Treinar um modelo de regressão com AutoML e Python (SDK v1)
- Configurar o treinamento de AutoML para dados tabulares com a CLI do Azure Machine Learning e o SDK do Python (v2)
Acesso a dados
Com o Azure Machine Learning, você pode importar dados do computador local ou conectar-se aos serviços de armazenamento em nuvem existentes.
- Criar e gerenciar ativos de dados
- Tutorial: Carregar, acessar e explorar seus dados no Azure Machine Learning
- Acessar dados em um trabalho
Pipelines de machine learning
Use pipelines de aprendizado de máquina para criar fluxos de trabalho que conectam diferentes estágios do processo de aprendizado de máquina.