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.
Importante
Este artigo fornece informações sobre como usar o SDK do Azure Machine Learning v1. O SDK v1 foi preterido a partir de 31 de março de 2025. O suporte para ele terminará em 30 de junho de 2026. Você pode instalar e usar o SDK v1 até essa data. Seus fluxos de trabalho existentes usando o SDK v1 continuarão a operar após a data de fim do suporte. No entanto, eles podem ficar expostos a riscos de segurança ou a alterações interruptivas em caso de mudanças na arquitetura do produto.
Recomendamos que você faça a transição para o SDK v2 antes de 30 de junho de 2026. Para obter mais informações sobre o SDK v2, consulte o que é a CLI do Azure Machine Learning e o SDK do Python v2? e a referência do SDK v2.
A Folha de referências de algoritmos do Azure Machine Learning ajuda a escolher o algoritmo certo do designer para o modelo de análise preditiva.
Observação
O Designer tem suporte para dois tipos de componentes, componentes predefinidos clássicos (v1) e componentes personalizados (v2). Esses dois tipos de componentes NÃO são compatíveis.
Os componentes predefinidos clássicos fornecem componentes predefinidos principalmente para processamento de dados e tarefas tradicionais de aprendizado de máquina, como regressão e classificação. Esse tipo de componente continua com suporte, mas não terá componentes novos adicionados.
Componentes personalizados permitem que você envolva seu próprio código como um componente. Ele tem suporte para o compartilhamento de componentes entre espaços de trabalho e à criação contínua nas interfaces Studio, CLI v2 e SDK v2.
Para novos projetos, sugerimos que você use o componente personalizado, que é compatível com o AzureML V2 e continuará recebendo novas atualizações.
Este artigo se aplica a componentes predefinidos clássicos e não são compatíveis com a CLI v2 e o SDK v2.
O Azure Machine Learning tem uma grande biblioteca de algoritmos das famílias classificação, sistemas de recomendação, clustering, detecção de anomalias, regressão e análise de texto. Cada um foi projetado para atender a um tipo diferente de problema de aprendizado de máquina.
Para obter mais informações, consulte Como selecionar algoritmos.
Baixe: Folha de referências de algoritmos do Machine Learning
Baixe a folha de consulta daqui: Folha de consulta de algoritmos do Machine Learning (11 x 17 pol.)
Baixar e imprimir a folha de consulta do algoritmo do Machine Learning em tamanho tabloide para mantê-lo à mão e obter ajuda para escolher um algoritmo.
Como usar a Folha de referências de algoritmos do Machine Learning
As sugestões oferecidas nessa página de dicas úteis de algoritmo são aproximadas às regras de bolso. Algumas podem ser ajustadas e algumas podem ser flagrantemente violadas. A folha de referências serve como um ponto de partida. Não tenha medo de realizar uma competição direta entre vários algoritmos em seus dados. Simplesmente não existe substituto para entender os princípios de cada algoritmo e o sistema que gerou os dados.
Cada algoritmo de aprendizado de máquina tem um estilo ou tendência indutiva própria. Para um problema específico, vários algoritmos podem ser apropriados, e um algoritmo pode ser mais adequado do que outros. Mas nem sempre é possível saber com antecedência qual é a melhor opção. Em casos como esse, vários algoritmos estão listados juntos na folha de consulta. Uma estratégia apropriada seria um algoritmo e se os resultados ainda não estiverem satisfatórios, tentar os outros.
Para saber mais sobre os algoritmos no Azure Machine Learning Designer, acesse a Algoritmo e referência de componente.
Tipos de aprendizado de máquina
Há três categorias principais de aprendizado de máquina: aprendizado supervisionado, aprendizado sem supervisão e aprendizado de reforço.
Aprendizado supervisionado
No aprendizado supervisionado, cada ponto de dados é rotulado ou associado a uma categoria ou um valor de interesse. Um exemplo de um rótulo categórico é atribuir uma imagem como um "gato" ou um "cão". Um exemplo de um rótulo de valor é o preço de venda associado a um carro usado. O objetivo do aprendizado supervisionado é estudar vários exemplos rotulados como esses e, em seguida, conseguir fazer previsões sobre os pontos de dados futuros. Por exemplo, identificar novas fotos com o animal correto ou atribuir preços de vendas precisos a outros carros usados. Este é um tipo popular e útil de aprendizado de máquina.
Aprendizado não supervisionado
No aprendizado não supervisionado, os pontos de dados não têm rótulos associados a eles. Em vez disso, a meta de um algoritmo de aprendizado sem supervisão é organizar os dados de alguma forma ou descrever sua estrutura. O aprendizado não supervisionado divide os dados em grupos, como faz o K-means, ou encontra diferentes maneiras de consultar dados complexos para que eles pareçam mais simples.
Aprendizado de reforço
No aprendizado de reforço, o algoritmo escolhe uma ação em resposta a cada ponto de dados. É uma abordagem comum na robótica, onde o conjunto de leituras de sensor em um ponto no tempo é um ponto de dados, e o algoritmo deve escolher a próxima ação do robô. Também é um ajuste natural para aplicativos da Internet das Coisas. O algoritmo de aprendizado também recebe um sinal de recompensa pouco tempo depois, indicando se a decisão foi boa. Com base no sinal, o algoritmo modifica sua estratégia para alcançar a recompensa mais alta.