descrições do módulo ML Studio (clássico)
Importante
O suporte para o Machine Learning Studio (clássico) terminará em 31 de agosto de 2024. É recomendável fazer a transição para o Azure Machine Learning até essa data.
A partir de 1º de dezembro de 2021, você não poderá criar recursos do Machine Learning Studio (clássico). Até 31 de agosto de 2024, você pode continuar usando os recursos existentes do Machine Learning Studio (clássico).
- Confira informações sobre como mover projetos de machine learning do ML Studio (clássico) para o Azure Machine Learning.
- Saiba mais sobre o Azure Machine Learning.
A documentação do ML Studio (clássico) está sendo desativada e pode não ser atualizada no futuro.
este tópico fornece uma visão geral de todos os módulos incluídos no Machine Learning Studio (clássico), que é um espaço de trabalho visual interativo para criar e testar facilmente modelos de previsão.
Observação
aplica-se a: somente Machine Learning Studio (clássico)
Módulos semelhantes do tipo "arrastar e soltar" estão disponíveis no designer do Azure Machine Learning.
O que é um módulo?
no Machine Learning Studio (clássico), um módulo é um bloco de construção para a criação de experimentos. Cada módulo encapsula um algoritmo de aprendizado de máquina específico, uma função ou uma biblioteca de códigos que pode agir em dados em seu espaço de trabalho. Os módulos são projetados para aceitar conexões de outros módulos, para compartilhar e modificar dados.
O código que é executado em cada módulo vem de várias fontes. isso inclui código aberto bibliotecas e linguagens, algoritmos desenvolvidos pela Microsoft Research e ferramentas para trabalhar com o Azure e outros serviços de nuvem.
Dica
Procurando algoritmos de aprendizado de máquina? consulte a categoria Machine Learning , que contém módulos para árvores de decisão, clustering, redes neurais, entre outros. As categorias de treinamento e avaliação incluem módulos para ajudar a treinar e testar seus modelos.
Conectando e configurando módulos, você pode criar um fluxo de trabalho que lê dados de fontes externas, prepara-os para análise, aplica algoritmos de aprendizado de máquina e gera resultados.
quando um experimento é aberto no Machine Learning Studio (clássico), você pode ver a lista completa de módulos atuais no painel de navegação à esquerda. Você arrasta esses blocos de construção para o experimento e, em seguida, os conecta para criar um fluxo de trabalho completo do Machine Learning, chamado de experimento.
Às vezes, os módulos são atualizados para adicionar novas funcionalidades ou para remover o código mais antigo. Quando isso acontece, todos os experimentos que você criou que usam o módulo continuam a ser executados. Mas, na próxima vez que você abrir o experimento, será solicitado que você atualize o módulo ou use um módulo diferente.
Exemplos
Para obter um exemplo de como criar um experimento completo do Machine Learning, consulte estes tutoriais:
Categorias de módulo
para facilitar a localização de módulos relacionados, as ferramentas de machine learning no Machine Learning Studio (clássico) são agrupadas por essas categorias.
Conversões de formato de dados
Use esses módulos para converter os dados em um dos formatos usados por outros formatos ou ferramentas de aprendizado de máquina.
-
Use esses módulos para ler dados e modelos de fontes de dados de nuvem, incluindo clusters Hadoop, armazenamento de tabelas do Azure e URLs da Web. Você também pode usar esses módulos para gravar os resultados no armazenamento ou em um banco de dados.
-
Use esses módulos para preparar dados para análise. Você pode alterar os tipos de dados, sinalizar colunas como recursos ou rótulos, gerar recursos e dimensionar ou normalizar dados.
-
Transforme dados numéricos derivados do processamento de sinal digital.
-
Use distribuições de probabilidade conjuntas para criar recursos que descrevem compactmente grandes conjuntos de altos.
-
Esse grupo fornece uma variedade de ferramentas para ciência de dados. Por exemplo, você pode remover ou substituir valores ausentes, escolher um subconjunto de colunas, adicionar uma coluna ou concatenar dois conjuntos de valores.
-
Divida um conjunto de dado por critérios ou por tamanho, para criar conjuntos de treinamento e teste ou para isolar determinadas linhas.
-
Transformar dados numéricos.
Seleção de recursos
Use esses módulos para identificar os melhores recursos em seus dados com métodos estatísticos amplamente pesquisados.
Machine Learning
Esse grupo contém a maioria dos algoritmos de aprendizado de máquina com suporte pelo Machine Learning.
Ele também contém módulos destinados a dar suporte aos algoritmos por modelos de treinamento, gerando pontuações e avaliando o desempenho do modelo.
-
Depois de treinar um modelo, use essas ferramentas para medir a precisão do modelo.
-
Esses módulos fornecem os algoritmos de aprendizado de máquina, que você pode personalizar definindo parâmetros. Os algoritmos nesta seção são agrupados por tipo:
-
Use esses módulos para passar novos dados por meio do algoritmo e gerar um conjunto de resultados para avaliação. Você também pode usar os resultados de Pontuação como parte de um serviço de previsão.
-
Esses módulos treinam um modelo de Machine Learning inicializado nos dados fornecidos por você.
Módulos de biblioteca OpenCV
Esses módulos fornecem acesso fácil a uma biblioteca de software livre popular para processamento e classificação de imagens.
Módulos de linguagem R
Use esses módulos para adicionar o código R personalizado à sua experiência ou implementar um modelo de aprendizado de máquina com base em um pacote R.
Módulos da linguagem Python
Use esses módulos para adicionar o código Python personalizado à sua experiência.
Funções estatísticas
Use esses módulos para calcular as distribuições de probabilidade, criar cálculos personalizados e realizar uma grande variedade de outras tarefas relacionadas a variáveis numéricas.
Análise de Texto
Use esses módulos para executar hash de recurso e reconhecimento de entidade nomeada ou para pré-processar texto usando ferramentas de processamento de idioma natural.
Série temporal
Use esses módulos para avaliar anomalias em tendências, usando algoritmos especificamente projetados para dados de série temporal.
Tarefas relacionadas
os módulos do Machine Learning Studio (clássico) não tentam duplicar as ferramentas de integração de dados com suporte em outras ferramentas, como Azure Data Factory. Em vez disso, os módulos fornecem funcionalidade específica para o aprendizado de máquina:
- Normalização, agrupamento e dimensionamento de dados
- Computando a distribuição estatística de dados
- Conversão para outros formatos de aprendizado de máquina
- Importação de dados usados para experimentos de aprendizado de máquina e exportação de resultados
- Análise de texto, seleção de recursos e redução de dimensionalidade
Se você precisar de instalações mais sofisticadas para a manipulação e o armazenamento de dados, consulte o seguinte:
- Azure Data Factory: pipelines de processamento de dados em nuvem prontos para Enterprise.
- Banco de Dados SQL do Azure: armazenamento escalonável, com acesso integrado ao aprendizado de máquina.
- CosmosDB: armazenamento de dados NoSQL; importe dados para o Machine Learning Studio (clássico).
- Azure Data Lake Analytics: análise distribuída no Big Data.
- Stream Analytics: processamento de eventos para o Internet das Coisas.
- Azure Análise de Texto: várias opções para processamento de texto e Serviços Cognitivos relacionados para reconhecimento facial, imagem e fala.
- Azure Databricks: plataforma de análise baseada em Spark.