Notas de versão do SDK Python do Azure Machine Learning

Artigo
01/29/2024

Neste artigo, saiba mais sobre as versões do SDK Python do Azure Machine Learning. Para obter o conteúdo de referência completo do SDK, visite a página de referência principal do SDK do Azure Machine Learning para Python .

Feed RSS: seja notificado quando esta página for atualizada copiando e colando o seguinte URL no seu leitor de feeds: https://learn.microsoft.com/api/search/rss?search=%22Azure+machine+learning+release+notes%22&locale=en-us

2024-04-29

SDK do Azure Machine Learning para Python v1.56.0

azureml-core
- Habilite o remapeamento do Application Insights para a nova região China East 3, já que ele não oferece suporte ao modo de recurso clássico. Também corrigida a atualização ausente para China North 3.
azureml-defaults
- Bumped azureml-inference-server-http pin para 1.0.0 em azureml-defaults.
azureml-interpret
- pacote azureml-interpret atualizado para interpret-community 0.31.*
Azureml-Responsibleai
- Ambiente comum atualizado e pacote azureml-responsibleai para raiwidgets e responsibleai 0.33.0
- Aumente as versões de dependência responsibleai e fairlearn

2024-01-29

SDK do Azure Machine Learning para Python v1.55.0

azureml-core
- Habilite o remapeamento do Application Insights para a nova região China East 3, já que ele não oferece suporte ao modo de recurso clássico. Também corrigida a atualização ausente para China North 3.
azureml-defaults
- Bumped azureml-inference-server-http pin para 1.0.0 em azureml-defaults.
azureml-interpret
- pacote azureml-interpret atualizado para interpret-community 0.31.*
Azureml-Responsibleai
- Ambiente comum atualizado e pacote azureml-responsibleai para raiwidgets e responsibleai 0.33.0
- Aumente as versões de dependência responsibleai e fairlearn

2023-11-13

azureml-automl-core, azureml-automl-runtime, azureml-contrib-automl-dnn-forecasting, azureml-train-automl-client, azureml-train-automl-runtime, azureml-training-tabular
- Statsmodels, Pandas e Scipy foram atualizados para as versões 1.13, 1.3.5 e 1.10.1 - FBPROPHET 0.7.1 foi substituído pelo Prophet 1.1.4 Ao carregar um modelo em um ambiente local, as versões desses pacotes devem corresponder ao que o modelo foi treinado.
azureml-core, azureml-pipeline-core, azureml-pipeline-steps
- AzureML-Pipeline - Adicione um aviso para o init_scripts parâmetro na etapa Databricks, alertando-o sobre sua próxima descontinuação.
azureml-interpret
- pacote azureml-interpret atualizado para interpret-community 0.30.*
Azureml-MLFLOW
- feat: Adicionar AZUREML_BLOB_MAX_SINGLE_PUT_SIZE para controlar o tamanho em bytes de blocos de upload. Reduzir isso do padrão (64*1024*1024 ou seja, 64MB) pode corrigir problemas em que as operações de gravação falham devido a tempos limites.
- O suporte para carregar e baixar modelos de registros do AzureML é atualmente experimental
- Adicionando suporte para usuários que desejam baixar ou carregar modelos de registros AML

2023-08-21

SDK do Azure Machine Learning para Python v1.53.0

azureml-automl-core
- Suporte de recursos/regressores conhecidos no momento da previsão em modelos TCN de previsão AutoML.
azureml-automl-dnn-vision
- Habilite sinalizadores para log_training_metrics e log_validation_loss para deteção de objetos automl e segmentação de instâncias
azureml-contrib-automl-dnn-previsão
- Suporte de recursos/regressores conhecidos no momento da previsão em modelos TCN de previsão AutoML.
azureml-core
- Adicionar troca de localização do appinsights para qatarcentral para apontar para uaenorth
- Python 3.7 chegou ao fim da vida útil em 27 de junho de 2023. Consequentemente, o 3.7 será preterido no azureml-core a partir de outubro de 2023 e o azureml-core encerrará o suporte para o 3.7 em fevereiro de 2024.
Azureml-MLFLOW
- Correção para carregar modelos com APIs de load_model MLflow ao passar um URI do AzureML
azureml-pipeline-core
- Ignorar erro de execução e log filho quando a execução filho de carregamento falhou (por exemplo, 404) usando PipelineRun.get_pipeline_runs.
- PipelineEndpoint.list Introduz um novo parâmetro max_resultsint , que indica o tamanho máximo da lista retornada. O valor padrão de max_results é 100.
azureml-training-tabular
- Suporte de recursos/regressores conhecidos no momento da previsão em modelos TCN de previsão AutoML.

2023-06-26

SDK do Azure Machine Learning para Python v1.52.0

azureml-automl-dnn-vision
- A assinatura mlflow para os modelos de automl de tempo de execução (legado) foi alterada para aceitar entradas binárias. Isso permite a inferência em lote. A função predict é compatível com versões anteriores para que os usuários ainda possam enviar strings base64 como entrada. A saída da função predict foi alterada para remover o nome do arquivo temporário e a chave de visualizações e atribuições vazias quando a explicabilidade do modelo é n...
azureml-contrib-automl-dnn-previsão
- Corrigido um bug que causava falhas durante o treinamento TCN distribuído quando os dados consistiam em uma única série temporal.
azureml-interpret
- Remova o PIN Shap no AzureMl-Interpret para atualizar para o mais recente na comunidade de interpretação
Azureml-Responsibleai
- Ambiente comum atualizado e pacote azureml-responsibleai para raiwidgets e responsibleai 0.28.0

2023-05-20

SDK do Azure Machine Learning para Python v1.51.0

azureml-automl-core
- A tarefa de previsão AutoML agora suporta previsão contínua e suporte parcial para previsões quantílicas para séries temporais hierárquicas (HTS).
- Não permitir o uso de conjuntos de dados não tabulares aos clientes para cenários de classificação (multiclasse e vários rótulos)
azureml-automl-dnn-nlp
- Não permitir o uso de conjuntos de dados não tabulares aos clientes para cenários de classificação (multiclasse e vários rótulos)
azureml-contrib-automl-pipeline-steps
- A tarefa de previsão AutoML agora suporta previsão contínua e suporte parcial para previsões quantílicas para séries temporais hierárquicas (HTS).
Azureml-FSspec
- Substitui todos os erros causados pelo usuário no MLTable & FSSpec por um UserErrorException personalizado importado do azureml-dataprep.
azureml-interpret
- pacote azureml-interpret atualizado para interpret-community 0.29.*
azureml-pipeline-core
- Correção pipeline_version que não está tendo efeito ao chamar pipeline_endpoint.submit().
azureml-train-automl-client
- A tarefa de previsão AutoML agora suporta previsão contínua e suporte parcial para previsões quantílicas para séries temporais hierárquicas (HTS).
azureml-train-automl-runtime
- A tarefa de previsão AutoML agora suporta previsão contínua e suporte parcial para previsões quantílicas para séries temporais hierárquicas (HTS).
MLTable
- Mais variantes de codificação como utf-8 agora são suportadas ao carregar arquivos MLTable.
- Substitui todos os erros causados pelo usuário no MLTable & FSSpec por um UserErrorException personalizado importado do azureml-dataprep.

2023-04-10

SDK do Azure Machine Learning para Python v1.50.0

azureml-contrib-automl-dnn-previsão
- Adicionado suporte para previsão em determinados quantis para modelos TCN.
Azureml-Responsibleai
- Ambiente comum atualizado e pacote azureml-responsibleai para raiwidgets e responsibleai 0.26.0
azureml-train-automl-runtime
- Corrigir manipulação MLTable para cenário de teste de modelo
azureml-training-tabular
- Adicionados quantis como parâmetro no método forecast_quantile.

2023-03-01

Anunciando o fim do suporte para Python 3.7 nos pacotes do SDK do Azure Machine Learning v1

Descontinuação de recursos
- Substituir o Python 3.7 como um tempo de execução suportado para pacotes SDK v1
  - Em 4 de dezembro de 2023, o Azure Machine Learning deixará oficialmente de oferecer suporte ao Python 3.7 para pacotes SDK v1 e o substituirá como um tempo de execução suportado. Para obter mais detalhes, leia nossa página sobre a política de suporte de versão do SDK do Azure para Python
  - A partir da data de substituição de 4 de dezembro de 2023, os pacotes do SDK do Azure Machine Learning v1 não receberão mais patches de segurança e outras atualizações para o tempo de execução do Python 3.7.
  - As versões atuais do Python 3.7 para o SDK do Azure Machine Learning v1 ainda funcionam. No entanto, para continuar recebendo atualizações de segurança e permanecendo qualificado para assistência técnica, o Azure Machine Learning recomenda fortemente que você mova seus scripts e dependências para uma versão suportada do tempo de execução do Python.
  - Como um tempo de execução para arquivos do SDK do Azure Machine Learning v1, recomendamos o uso do Python versão 3.8 ou posterior.
  - Além disso, os pacotes do SDK do Azure Machine Learning v1 baseados em Python 3.7 não se qualificam mais para assistência técnica.
  - Use o suporte do Azure Machine Learning para entrar em contato conosco se tiver alguma preocupação.

2023-13-02

SDK do Azure Machine Learning para Python v1.49.0

Mudanças significativas
- A partir da v1.49.0 e superior, os seguintes algoritmos AutoML não serão suportados.
  - Regressão: FastLinearRegressor, OnlineGradientDescentRegressor
  - Classificação: AveragedPerceptronClassifier.
- Use v1.48.0 ou inferior para continuar usando esses algoritmos.
Correções de bugs e melhorias
- azureml-automl-dnn-nlp
  - Logs para mostrar os valores finais aplicados às configurações de modelo e hiperparâmetro com base nos valores padrão e nos especificados pelo usuário.
- azureml-contrib-automl-dnn-previsão
  - As métricas não escalares para TCNForecaster agora refletem valores da última época.
  - Imagens do horizonte de previsão para conjuntos de trens e conjuntos de testes estão agora disponíveis durante a execução do experimento de treinamento TCN.
  - As execuções não falharão mais devido ao erro "Falha ao calcular métricas TCN". A mensagem de aviso que diz "O cálculo da métrica de previsão resultou em erro, reportando as piores pontuações" ainda será registrada. Em vez disso, levantamos exceção quando enfrentamos perda de validação inf/nan por mais de duas vezes consecutivas com uma mensagem "Modelo inválido, o treinamento TCN não convergiu.". Os clientes precisam estar cientes do fato de que os modelos carregados podem retornar valores nan/inf como previsões durante a inferência após essa alteração.
- azureml-core
  - A criação do espaço de trabalho do Azure Machine Learning usa o Log Analytics Based Application Insights em preparação para a substituição do Classic Application Insights. Os usuários que desejam usar os recursos do Classic Application Insights ainda podem especificar seus próprios recursos para trazer ao criar um espaço de trabalho do Azure Machine Learning.
- azureml-interpret
  - pacote azureml-interpret atualizado para interpret-community 0.28.*
- Azureml-MLFLOW
  - Atualizando o cliente azureml-mlflow com suporte inicial para MLflow 2.0
- Azureml-Responsibleai
  - Pacote AzureML-ResponsibleAI atualizado e notebooks para RaiWidgets e ResponsibleAI v0.24.0
- AzureML-SDK
  - azureml-sdk e azureml-train-automl-client agora suportam Python versão 3.10
- azureml-train-automl-client
  - azureml-sdk e azureml-train-automl-client agora suportam Python versão 3.10
- azureml-train-automl-runtime
  - Limpe a falta de y antes do treino
  - Limpar valores nan ou vazios da coluna de destino para cenários sem streaming
  - Os visuais do horizonte de previsão para o conjunto de testes estão agora disponíveis durante a execução do experimento de treinamento.
- azureml-train-core
  - Adicionado o suporte ao cliente para fornecer ID de execução personalizada para execuções de hiperdrive
- azureml-train-restclients-hyperdrive
  - Adicionado o suporte ao cliente para fornecer ID de execução personalizada para execuções de hiperdrive

2022-12-05

SDK do Azure Machine Learning para Python v1.48.0

Mudanças significativas
- O suporte ao Python 3.6 foi preterido para pacotes do SDK do Azure Machine Learning.
Correções de bugs e melhorias
- azureml-core
  - As contas de armazenamento criadas como parte da criação do espaço de trabalho agora definem o acesso público de blob para ser desabilitado por padrão
- Azureml-Responsibleai
  - Pacote azureml-responsibleai atualizado e notebooks para raiwidgets e pacotes responsibleai v0.23.0
  - Adicionado serializador de modelo e modelo pyfunc ao pacote azureml-responsibleai para salvar e recuperar modelos facilmente
- azureml-train-automl-runtime
  - Adicionado docstring para parâmetros ManyModels e parâmetros HierarchicalTimeSeries
  - Corrigido bug onde o código gerado não faz diversões de treino/teste corretamente.
  - Corrigido um bug que fazia com que os trabalhos de treinamento de código gerados pela previsão falhassem.

2022-10-25

SDK do Azure Machine Learning para Python v1.47.0

azureml-automl-dnn-nlp
- Alterações de tempo de execução para o AutoML NLP para levar em conta parâmetros de treinamento fixos, como parte da varredura de modelo recém-introduzida e ajuste de hiperparâmetros.
Azureml-MLFLOW
- AZUREML_ARTIFACTS_DEFAULT_TIMEOUT pode ser usado para controlar o tempo limite para o upload de artefatos
azureml-train-automl-runtime
- Muitos treinamentos de Modelos e Séries Temporais Hierárquicas agora impõem parâmetros de verificação de tempo limite para detetar conflitos antes de enviar o experimento para execução. Isso evita a falha do experimento durante a execução, gerando exceção antes de enviar o experimento.
- Os clientes agora podem controlar o tamanho da etapa enquanto usam a previsão contínua em inferências de muitos modelos.
- A inferência ManyModels com dados tabulares não particionados agora suporta forecast_quantiles.

2022-09-26

SDK do Azure Machine Learning para Python v1.46.0

azureml-automl-dnn-nlp
- Os clientes não poderão mais especificar uma linha no CoNLL, que inclui apenas um token. A linha deve ser sempre uma nova linha vazia ou uma com exatamente um token seguido por exatamente um espaço seguido por exatamente um rótulo.
azureml-contrib-automl-dnn-previsão
- Há um caso de canto em que as amostras são reduzidas para 1 após a divisão de validação cruzada, mas ainda sample_size aponta para a contagem antes da divisão e, portanto, batch_size acaba sendo mais do que a contagem de amostras em alguns casos. Nesta correção, inicializamos sample_size após a divisão
azureml-core
- Adicionado aviso de descontinuação quando os clientes de inferência usam APIs de implantação de modelo CLI/SDK v1 para implantar modelos e também quando a versão Python é 3.6 e inferior.
- Os seguintes valores de AZUREML_LOG_DEPRECATION_WARNING_ENABLED alterar o comportamento da seguinte maneira:
  - Padrão - exibe o aviso quando o cliente usa Python 3.6 e menos e para cli/sdk v1.
  - True - Exibe o aviso de descontinuação do SDK v1 em pacotes Azureml-SDK.
  - False - Desabilita o aviso de descontinuação do SDK v1 em pacotes Azureml-SDK.
- Comando a ser executado para definir a variável de ambiente para desativar a mensagem de descontinuação:
  - Windows - setx AZUREML_LOG_DEPRECATION_WARNING_ENABLED "False"
  - Linux - export AZUREML_LOG_DEPRECATION_WARNING_ENABLED="False"
azureml-interpret
- Atualizar o pacote azureml-interpret para interpret-community 0.27.*
azureml-pipeline-core
- Corrija o fuso horário padrão para UTC.
- Corrija a reutilização incorreta ao usar SqlDataReference na etapa DataTransfer.
Azureml-Responsibleai
- Atualize o pacote AzureMl-ResponsibleAI e as imagens selecionadas para RaiWidgets e ResponsibleAI v0.22.0
azureml-train-automl-runtime
- Corrigido um bug nos scripts gerados que fazia com que determinadas métricas não fossem renderizadas corretamente na ui.
- Muitos modelos agora suportam previsão contínua para inferência.
- Suporte para retornar modelos de topo N no cenário Muitos modelos.

2022-08-29

SDK do Azure Machine Learning para Python v1.45.0

azureml-automl-runtime
- Corrigido um bug em que a coluna sample_weight não foi validada corretamente.
- Adicionado rolling_forecast() método público aos wrappers de pipeline de previsão para todos os modelos de previsão suportados. Este método substitui o método rolling_evaluation() preterido.
- Corrigido um problema em que as tarefas de Regressão AutoML podiam voltar à divisão válida para treinamento para avaliação do modelo, quando o CV teria sido uma escolha mais apropriada.
azureml-core
- Novo sufixo de configuração de nuvem adicionado, "aml_discovery_endpoint".
- Atualizado o pacote azure-storage fornecido da versão 2 para a versão 12.
Azureml-MLFLOW
- Novo sufixo de configuração de nuvem adicionado, "aml_discovery_endpoint".
Azureml-Responsibleai
- Atualize o pacote AzureMl-ResponsibleAI e as imagens selecionadas para RaiWidgets e ResponsibleAI 0.21.0
AzureML-SDK
- O pacote azureml-sdk agora permite Python 3.9.

2022-08-01

SDK do Azure Machine Learning para Python v1.44.0

azureml-automl-dnn-nlp
- A precisão ponderada e o coeficiente de correlação de Matthews (CCM) não serão mais uma métrica exibida nas métricas calculadas para a classificação Multilabel de PNL.
azureml-automl-dnn-vision
- Gerar erro do usuário quando o formato de anotação inválido é fornecido
azureml-cli-common
- Atualizada a descrição da CLI v1
azureml-contrib-automl-dnn-previsão
- Corrigidos os problemas de "Falha ao calcular métricas TCN." causados pelo TCNForecaster quando diferentes séries temporais no conjunto de dados de validação têm comprimentos diferentes.
- Adicionada deteção automática de ID de séries cronológicas para modelos de previsão DNN como TCNForecaster.
- Corrigido um bug com o modelo Forecast TCN em que os dados de validação podiam ser corrompidos em algumas circunstâncias quando o usuário fornecia o conjunto de validação.
azureml-core
- Permitir a definição de um parâmetro timeout_seconds ao baixar artefatos de uma Execução
- Mensagem de aviso adicionada - A CLI v1 do Azure Machine Learning está sendo desativada em 2025-09-. Recomenda-se que os usuários adotem a CLI v2.
- Corrija o envio para exceções de lançamento que não sejam AmlComputes.
- Adicionado suporte de contexto docker para ambientes
azureml-interpret
- Aumentar a versão numpy para pacotes AutoML
azureml-pipeline-core
- Fix regenerate_outputs=True não está tendo efeito ao enviar pipeline.
azureml-train-automl-runtime
- Aumentar a versão numpy para pacotes AutoML
- Habilite a geração de código para visão e nlp
- As colunas originais nas quais os grãos são criados são adicionadas como parte do predictions.csv

2022-07-21

Anunciando o fim do suporte para Python 3.6 nos pacotes do SDK do Azure Machine Learning v1

Descontinuação de recursos
- Substituir o Python 3.6 como um tempo de execução suportado para pacotes SDK v1
  - Em 05 de dezembro de 2022, o Azure Machine Learning substituirá o Python 3.6 como um tempo de execução suportado, encerrando formalmente nosso suporte ao Python 3.6 para pacotes SDK v1.
  - A partir da data de substituição de 05 de dezembro de 2022, o Azure Machine Learning não aplicará mais patches de segurança e outras atualizações ao tempo de execução do Python 3.6 usado pelos pacotes do SDK do Azure Machine Learning v1.
  - Os pacotes existentes do SDK do Azure Machine Learning v1 com Python 3.6 ainda continuam a ser executados. No entanto, o Azure Machine Learning recomenda vivamente que migre os seus scripts e dependências para uma versão de tempo de execução Python suportada, para que continue a receber patches de segurança e permaneça elegível para suporte técnico.
  - Recomendamos usar a versão do Python 3.8 como um tempo de execução para pacotes do SDK do Azure Machine Learning v1.
  - Além disso, os pacotes do SDK do Azure Machine Learning v1 usando Python 3.6 não são mais qualificados para suporte técnico.
  - Se tiver alguma dúvida, contacte-nos através do Suporte AML.

2022-06-27

azureml-automl-dnn-nlp
- Remover coluna de rótulos duplicados de previsões de vários rótulos
azureml-contrib-automl-pipeline-steps
- Muitos modelos agora fornecem a capacidade de gerar saída de previsão no formato csv também. - Muitas previsões de modelos agora incluem nomes de colunas no arquivo de saída no caso do formato de arquivo csv .
azureml-core
- A autenticação ADAL agora foi preterida e todas as classes de autenticação agora usam a autenticação MSAL. Instale azure-cli>=2.30.0 para utilizar a autenticação baseada em MSAL ao usar a classe AzureCliAuthentication.
- Adicionada correção para forçar o registro do ambiente quando Environment.build(workspace). A correção resolve a confusão do ambiente mais recente criado em vez do ambiente solicitado quando o ambiente é clonado ou herdado de outra instância.
- Mensagem de aviso do SDK para reiniciar a Instância de Computação antes de 31 de maio de 2022, se ela tiver sido criada antes de 19 de setembro de 2021
azureml-interpret
- Pacote azureml-interpret atualizado para interpret-community 0.26.*
- No pacote azureml-interpret, adicione a capacidade de obter nomes de recursos brutos e projetados do explicador de pontuação. Além disso, adicione um exemplo ao bloco de anotações de pontuação para obter nomes de recursos do explicador de pontuação e adicione documentação sobre nomes de recursos brutos e projetados.
Azureml-MLFLOW
- azureml-core como uma dependência de azureml-mlflow foi removido. - Projetos MLflow e implantações locais exigem azureml-core e precisam ser instalados separadamente.
- Adicionando suporte para criar endpoints e implantá-los através do plug-in do cliente MLflow.
Azureml-Responsibleai
- Pacote azureml-responsibleai e imagens de ambiente atualizadas para a versão 0.19.0 mais recente do responsibleai e raiwidgets
azureml-train-automl-client
- Agora OutputDatasetConfig é suportado como a entrada do construtor de pipeline MM/HTS. Os mapeamentos são: 1) OutputTabularDatasetConfig -> tratado como conjunto de dados tabulares não particionado. 2) OutputFileDatasetConfig -> tratado como conjunto de dados arquivado.
azureml-train-automl-runtime
- Adicionada validação de dados que exige que o número de amostras de classes minoritárias no conjunto de dados seja pelo menos igual ao número de dobras CV solicitadas.
- A configuração automática de parâmetros de validação cruzada agora está disponível para tarefas de previsão do AutoML. Os usuários agora podem especificar "auto" para n_cross_validations e cv_step_size ou deixá-los vazios, e o AutoML fornece essas configurações com base em seus dados. No entanto, atualmente esse recurso não é suportado quando o TCN está habilitado.
- Parâmetros de previsão em muitos modelos e séries temporais hierárquicas agora podem ser passados via objeto em vez de usar parâmetros individuais no dicionário.
- Habilitado pontos de extremidade de modelo de previsão com suporte a quantis para serem consumidos no Power BI.
- Limite superior de dependência do AutoML scipy atualizado de 1.5.2 para 1.5.3

2022-04-25

SDK do Azure Machine Learning para Python v1.41.0

Aviso de alteração de quebra

Esta mudança vem do lançamento de junho do azureml-inference-server-http. Na versão de junho (v0.9.0), o suporte ao azureml-inference-server-http Python 3.6 é descartado. Uma vez que azureml-defaults depende de azureml-inference-server-http, esta mudança é propagada para azureml-defaults. Se você não estiver usando azureml-defaults para inferência, sinta-se à vontade para usar azureml-core ou qualquer outro pacote do SDK do Azure Machine Learning diretamente em vez de instalar o azureml-defaults.

azureml-automl-dnn-nlp
- Ativar o recurso de texto de longo intervalo por padrão.
azureml-automl-dnn-vision
- Alterando o tipo de classe ObjectAnnotation de objeto para "objeto de dados".
azureml-core
- Esta versão atualiza a classe Keyvault usada pelos clientes para permitir que eles forneçam o tipo de conteúdo keyvault ao criar um segredo usando o SDK. Esta versão também atualiza o SDK para incluir uma nova função que permite que os clientes recuperem o valor do tipo de conteúdo de um segredo específico.
azureml-interpret
- pacote azureml-interpret atualizado para interpret-community 0.25.0
azureml-pipeline-core
- Não imprima mais detalhes da execução se pipeline_run.wait_for_completion estiver com show_output=False
azureml-train-automl-runtime
- Corrige um bug que causava falha na geração de código quando o pacote azureml-contrib-automl-dnn-forecasting está presente no ambiente de treinamento.
- Corrija o erro ao usar um conjunto de dados de teste sem uma coluna de rótulo com o AutoML Model Testing.

2022-03-28

SDK do Azure Machine Learning para Python v1.40.0

azureml-automl-dnn-nlp
- Estamos tornando o recurso Texto de Longo Alcance opcional e somente se os clientes optarem explicitamente por ele, usando o kwarg "enable_long_range_text"
- Adicionando camada de validação de dados para o cenário de classificação de várias classes, que aplica a mesma classe base que multilabel para validações comuns, e uma classe derivada para verificações de validação de dados mais específicas da tarefa.
azureml-automl-dnn-vision
- Corrigindo KeyError enquanto calcula pesos de classe.
azureml-contrib-reinforcementlearning
- Mensagem de aviso do SDK para a próxima substituição do serviço RL
azureml-core
- - Retornar logs para execuções que passaram pelo nosso novo tempo de execução ao chamar qualquer uma das funções get logs no objeto run, incluindo run.get_details, run.get_all_logs, etc.
- Adicionado método experimental Datastore.register_onpremises_hdfs para permitir que os usuários criem armazenamentos de dados apontando para recursos HDFS locais.
- Atualizando a documentação da CLI no comando help
azureml-interpret
- Para o pacote azureml-interpret, remova o pino shap com a atualização de embalagem. Remova o pino numba e numpy após a atualização do CE env.
Azureml-MLFLOW
- Correção de bug para o cliente de implantação MLflow run_local falhando quando o objeto config não foi fornecido.
azureml-pipeline-steps
- Remover link quebrado do pipeline preterido EstimatorStep
Azureml-Responsibleai
- Atualize o pacote AzureML-ResponsibleAI para raiWidgets e ResponsibleAI versão 0.17.0
azureml-train-automl-runtime
- A geração de código para ML automatizado agora suporta modelos ForecastTCN (experimentais).
- Os modelos criados por meio da geração de código agora têm todas as métricas calculadas por padrão (exceto erro absoluto médio normalizado, erro absoluto mediano normalizado, RMSE normalizado e RMSLE normalizado no caso de modelos de previsão). A lista de métricas a serem calculadas pode ser alterada editando o valor de retorno de get_metrics_names(). A validação cruzada agora é usada por padrão para modelos de previsão criados por meio da geração de código.
azureml-training-tabular
- A lista de métricas a serem calculadas pode ser alterada editando o valor de retorno de get_metrics_names(). A validação cruzada agora é usada por padrão para modelos de previsão criados por meio da geração de código.
- Conversão do tipo decimal y-test em float para permitir que o cálculo das métricas prossiga sem erros.

2022-02-28

SDK do Azure Machine Learning para Python v1.39.0

azureml-automl-core
- Corrigir formulário incorreto exibido no PBI para integração com modelos de regressão AutoML
- Adicionando min-label-classes verificação para ambas as tarefas de classificação (multi-classe e multi-label). Ele lança um erro para a execução do cliente se o número exclusivo de classes no conjunto de dados de treinamento de entrada for menor que 2. Não faz sentido executar a classificação em menos de duas classes.
azureml-automl-runtime
- Conversão do tipo decimal y-test em float para permitir que o cálculo das métricas prossiga sem erros.
- O treinamento AutoML agora suporta numpy versão 1.8.
azureml-contrib-automl-dnn-previsão
- Corrigido um bug no modelo TCNForecaster em que nem todos os dados de treinamento eram usados quando as configurações de validação cruzada eram fornecidas.
- Método de previsão do wrapper TCNForecaster que estava corrompendo as previsões de tempo de inferência. Também foi corrigido um problema em que o método de previsão não usava os dados de contexto mais recentes em cenários válidos de trem.
azureml-interpret
- Para o pacote azureml-interpret, remova o pino shap com a atualização de embalagem. Remova o pino numba e numpy após a atualização do CE env.
Azureml-Responsibleai
- pacote azureml-responsibleai para raiwidgets e responsibleai versão 0.17.0
Azureml-Sinapse
- Corrija o problema de que o widget mágico desapareceu.
azureml-train-automl-runtime
- Atualizando dependências do AutoML para suportar Python 3.8. Essa alteração quebra a compatibilidade com modelos treinados com SDK 1.37 ou inferior devido a interfaces Pandas mais recentes serem salvas no modelo.
- O treinamento AutoML agora suporta numpy versão 1.19
- Corrigir a lógica de índice de redefinição do AutoML para modelos de conjunto na API automl_setup_model_explanations
- No AutoML, use o modelo substituto lightgbm em vez do modelo substituto linear para casos esparsos após a última atualização da versão lightgbm
- Todos os artefatos intermediários internos produzidos pelo AutoML agora são armazenados de forma transparente na execução pai (em vez de serem enviados para o repositório de blob do espaço de trabalho padrão). Os usuários devem ser capazes de ver os artefatos que o AutoML gera sob o outputs/ diretório na execução pai.

2022-01-24

SDK do Azure Machine Learning para Python v1.38.0

azureml-automl-core
- Suporte a Tabnet Regressor e Classificador Tabnet no AutoML
- Salvando o transformador de dados em saídas de execução pai, que podem ser reutilizadas para produzir o mesmo conjunto de dados featurizado, que foi usado durante a execução do experimento
- Suporte à obtenção de métricas primárias para a tarefa de Previsão em get_primary_metrics API.
- Segundo parâmetro opcional renomeado em scripts de pontuação v2 como GlobalParameters
azureml-automl-dnn-vision
- Adicionadas as métricas de pontuação na interface do usuário de métricas
azureml-automl-runtime
- Correção de bug para casos em que o nome do algoritmo para modelos NimbusML pode aparecer como strings vazias, seja no ML Studio ou nas saídas do console.
azureml-core
- Adicionado parâmetro blobfuse_enabled em azureml.core.webservice.aks.AksWebservice.deploy_configuration. Quando esse parâmetro é true, modelos e arquivos de pontuação são baixados com blobfuse em vez da API de armazenamento de blob.
azureml-interpret
- azureml-interpret atualizado para interpret-community 0.24.0
- No azureml-interpret update scoring explainer para suportar a versão mais recente do lightgbm com TreeExplainer esparso
- Atualizar azureml-interpret para interpret-community 0.23.*
azureml-pipeline-core
- Adicione nota em pipelinedata, recomende que o usuário use o conjunto de dados de saída de pipeline em vez disso.
azureml-pipeline-steps
- Adicionar environment_variables a ParallelRunConfig, as variáveis de ambiente de tempo de execução podem ser passadas por esse parâmetro e serão definidas no processo em que o script do usuário é executado.
azureml-train-automl-client
- Suporte a Tabnet Regressor e Classificador Tabnet no AutoML
azureml-train-automl-runtime
- Salvando o transformador de dados em saídas de execução pai, que podem ser reutilizadas para produzir o mesmo conjunto de dados featurizado, que foi usado durante a execução do experimento
azureml-train-core
- Habilite o suporte para encerramento antecipado para otimização Bayesiana no Hyperdrive
- Os objetos Bayesian e GridParameterSampling agora podem transmitir propriedades

2021-12-13

SDK do Azure Machine Learning para Python v1.37.0

Mudanças significativas
- azureml-core
  - A partir da versão 1.37.0, o SDK do Azure Machine Learning usa o MSAL como a biblioteca de autenticação subjacente. O MSAL usa o fluxo de autenticação do Azure Ative Directory (Azure AD) v2.0 para fornecer mais funcionalidade e aumentar a segurança do cache de token. Para obter mais informações, consulte Visão geral da Biblioteca de Autenticação da Microsoft (MSAL).
  - Atualize as dependências do SDK AML para a versão mais recente da Biblioteca de Cliente de Gerenciamento de Recursos do Azure para Python (azure-mgmt-resource>=15.0.0,20.0.0<) e adote o SDK track2.
  - A partir da versão 1.37.0, a extensão azure-ml-cli deve ser compatível com a versão mais recente da CLI >do Azure =2.30.0.
  - Ao usar a CLI do Azure em um pipeline, como o Azure DevOps, verifique se todas as tarefas/estágios estão usando versões da CLI do Azure acima da v2.30.0 para CLI do Azure baseada em MSAL. A CLI do Azure 2.30.0 não é compatível com versões anteriores e gera um erro ao usar versões incompatíveis. Para usar as credenciais da CLI do Azure com o SDK do Azure Machine Learning, a CLI do Azure deve ser instalada como pacote pip.
Correções de bugs e melhorias
- azureml-core
  - Tipos de instância removidos do fluxo de trabalho de anexação para computação do Kubernetes. Os tipos de instância agora podem ser configurados diretamente no cluster do Kubernetes. Para mais detalhes, visite aka.ms/amlarc/doc.
- azureml-interpret
  - azureml-interpret atualizado para interpret-community 0.22.*
- azureml-pipeline-steps
  - Corrigido um bug em que o "espaço reservado" do experimento podia ser criado no envio de um Pipeline com um AutoMLStep.
- Azureml-Responsibleai
  - Atualize o AzureMrel-ResponsibleAI e o ambiente de instância de computação para a versão 0.15.0 do ResponsibleAI e RaiWidgets
  - Atualize o pacote AzureML-ResponsibleAI para o ResponsibleAI 0.14.0 mais recente.
- Azureml-TensorBoard
  - Agora você pode usar Tensorboard(runs, use_display_name=True) para montar os logs do TensorBoard em pastas com o run.display_name/run.id nome do em vez de run.id.
- azureml-train-automl-client
  - Corrigido um bug em que o "espaço reservado" do experimento podia ser criado no envio de um Pipeline com um AutoMLStep.
  - Atualize o AutoMLConfig test_data e test_size documentos para refletir o status da visualização.
- azureml-train-automl-runtime
  - Adicionado novo recurso que permite aos usuários passar grãos de série temporal com um valor único.
  - Em determinados cenários, um modelo AutoML pode prever NaNs. As linhas que correspondem a essas previsões NaN são removidas dos conjuntos de dados de teste e previsões antes de calcular métricas em execuções de teste.

2021-11-08

SDK do Azure Machine Learning para Python v1.36.0

Correções de bugs e melhorias
- azureml-automl-dnn-vision
  - Limpos pequenos erros de digitação em algumas mensagens de erro.
- azureml-contrib-reinforcementlearning
  - O envio de execuções de Aprendizagem por Reforço que usam simuladores não é mais suportado.
- azureml-core
  - Adicionado suporte para blob premium particionado.
  - Não há mais suporte para a especificação de nuvens não públicas para autenticação de Identidade Gerenciada.
  - O usuário pode migrar o serviço Web AKS para o endpoint online e a implantação, que é gerenciado pela CLI (v2).
  - O tipo de instância para trabalhos de treinamento em destinos de computação do Kubernetes agora pode ser definido por meio de uma propriedade RunConfiguration: run_config.kubernetescompute.instance_type.
- azureml-defaults
  - Removidas dependências redundantes como gunicorn e werkzeug
- azureml-interpret
  - azureml-interpret pacote atualizado para 0.21.* versão da comunidade de interpretação
- azureml-pipeline-steps
  - Deprecie o MpiStep em favor do uso do CommandStep para executar o treinamento de ML (incluindo treinamento distribuído) em pipelines.
- azureml-train-automl-rutime
  - Atualize os documentos do formato de saída de previsões de teste do modelo AutoML.
  - Adicionadas descrições docstring para modelos de previsão Naive, SeasonalNaive, Average e SeasonalAverage.
  - O resumo da featurização agora é armazenado como um artefato em execução (verifique se há um arquivo chamado 'featurization_summary.json' na pasta de saídas)
  - Habilite o suporte a indicadores categóricos para o Tabnet Learner.
  - Adicione o parâmetro downsample ao automl_setup_model_explanations para permitir que os usuários obtenham explicações sobre todos os dados sem reduzir a resolução definindo esse parâmetro como falso.

2021-10-11

SDK do Azure Machine Learning para Python v1.35.0

Correções de bugs e melhorias
- azureml-automl-core
  - Habilitar cálculo de métricas binárias
- azureml-contrib-equidade
  - Melhorar a mensagem de erro no download do painel com falha
- azureml-core
  - Foi resolvido um bug na especificação de nuvens não públicas para autenticação de Identidade Gerenciada.
  - Dataset.File.upload_directory() e Dataset.Tabular.register_pandas_dataframe() bandeiras experimentais foram agora removidas.
  - Os sinalizadores experimentais agora são removidos no método partition_by() da classe TabularDataset.
- azureml-pipeline-steps
  - Os sinalizadores experimentais agora são removidos para o partition_keys parâmetro da classe ParallelRunConfig.
- azureml-interpret
  - azureml-interpret pacote atualizado para intepret-community 0.20.*
- Azureml-MLFLOW
  - Tornou possível registrar artefatos e imagens com MLflow usando subdiretórios
- Azureml-Responsibleai
  - Melhorar a mensagem de erro no download do painel com falha
- azureml-train-automl-client
  - Adicionado suporte para tarefas de visão computacional, como classificação de imagem, deteção de objetos e segmentação de instância. A documentação detalhada pode ser encontrada em: Configure o AutoML para treinar modelos de visão computacional com Python (v1).
  - Habilitar cálculo de métricas binárias
- azureml-train-automl-runtime
  - Adicione suporte TCNForecaster a execuções de teste de modelo.
  - Atualize o teste do modelo predictions.csv o formato de saída. As colunas de saída agora incluem os valores de destino originais e os recursos, que foram passados para a execução de teste. Isso pode ser desativado definindo test_include_predictions_only=True em AutoMLConfig ou definindo include_predictions_only=True em ModelProxy.test(). Se o usuário tiver solicitado a incluir apenas previsões, o formato de saída será semelhante (previsão é o mesmo que regressão): Classificação => [valores previstos] [probabilidades] Regressão => [valores previstos] else (padrão): Classificação => [rótulos de dados de teste originais] [valores previstos] [probabilidades] [recursos] Regressão => [rótulos de dados de teste originais] [valores previstos] [recursos] O nome da [predicted values] coluna = [label column name] + "_predicted". Os [probabilities] nomes das colunas = [class name] + "_predicted_proba". Se nenhuma coluna de destino foi passada como entrada para a execução de teste, então [original test data labels] não estará na saída.

2021-09-07

SDK do Azure Machine Learning para Python v1.34.0

Correções de bugs e melhorias
- azureml-automl-core
  - Suporte adicional para reajustar um pipeline de previsão previamente treinado.
  - Adicionada capacidade de obter previsões sobre os dados de treinamento (previsão na amostra) para previsão.
- azureml-automl-runtime
  - Adicione suporte para retornar probabilidades previstas de um ponto de extremidade implantado de um modelo de classificador AutoML.
  - Adicionada uma opção de previsão para que os usuários especifiquem que todas as previsões devem ser inteiras.
  - Removido o nome da coluna de destino de fazer parte dos nomes de recursos de explicação do modelo para experimentos locais com training_data_label_column_name
  - como entradas de conjunto de dados.
  - Suporte adicional para reajustar um pipeline de previsão previamente treinado.
  - Adicionada capacidade de obter previsões sobre os dados de treinamento (previsão na amostra) para previsão.
- azureml-core
  - Adicionado suporte para definir o tipo de coluna de fluxo, montar e baixar colunas de fluxo no conjunto de dados tabulares.
  - Novos campos opcionais adicionados a Kubernetes.attach_configuration(identity_type=None, identity_ids=None) que permitem anexar KubernetesCompute com a identidade SystemAssigned ou UserAssigned . Novos campos de identidade são incluídos ao chamar print(compute_target) ou compute_target.serialize(): identity_type, identity_id, principal_id e tenant_id/client_id.
- Azureml-DataPrep
  - Adicionado suporte para definir o tipo de coluna de fluxo para o conjunto de dados tabulares. Adicionado suporte para montar e baixar colunas de fluxo no conjunto de dados tabulares.
- azureml-defaults
  - A dependência azureml-inference-server-http==0.3.1 foi adicionada ao azureml-defaults.
- Azureml-MLFLOW
  - Permita a paginação de list_experiments API adicionando max_results parâmetros opcionais page_token . Para obter a documentação, consulte os documentos oficiais do MLflow.
- AzureML-SDK
  - Substituída a dependência do pacote preterido (azureml-train) dentro do azureml-sdk.
  - Adicionar azureml-responsibleai a azureml-sdk extras
- azureml-train-automl-client
  - Exponha os parâmetros e test_size em AutoMLConfigtest_data . Esses parâmetros podem ser usados para iniciar automaticamente uma execução de teste após a conclusão da fase de treinamento do modelo. A execução de teste calcula previsões usando o melhor modelo e gera métricas dadas essas previsões.

2021-08-24

Interface do Usuário de Experimentação do Azure Machine Learning

Executar Excluir
- Executar Excluir é uma nova funcionalidade que permite que os usuários excluam uma ou várias execuções de seu espaço de trabalho.
- Essa funcionalidade pode ajudar os usuários a reduzir os custos de armazenamento e gerenciar a capacidade de armazenamento excluindo regularmente execuções e experimentos diretamente da interface do usuário.
Lote Cancelar Execução
- Batch Cancel Run é uma nova funcionalidade que permite aos usuários selecionar uma ou várias execuções para cancelar de sua lista de execução.
- Essa funcionalidade pode ajudar os usuários a cancelar várias execuções em fila e liberar espaço em seu cluster.

2021-08-18

Interface do Usuário de Experimentação do Azure Machine Learning

Executar Nome de Exibição
- O Nome de Exibição de Execução é um nome de exibição novo, editável e opcional que pode ser atribuído a uma execução.
- Este nome pode ajudar a rastrear, organizar e descobrir as corridas de forma mais eficaz.
- O Nome de Exibição de Execução é padronizado para um formato adjetive_noun_guid (Exemplo: awesome_watch_2i3uns).
- Esse nome padrão pode ser editado para um nome mais personalizável. Isso pode ser editado na página Detalhes da execução na interface do usuário do estúdio do Azure Machine Learning.

2021-08-02

SDK do Azure Machine Learning para Python v1.33.0

Correções de bugs e melhorias
- azureml-automl-core
  - Tratamento de erros melhorado em torno da recuperação do modelo XGBoost.
  - Adicionada possibilidade de converter as previsões de float para inteiros para tarefas de previsão e regressão.
  - Valor padrão atualizado para enable_early_stopping no AutoMLConfig para True.
- azureml-automl-runtime
  - Adicionada possibilidade de converter as previsões de float para inteiros para tarefas de previsão e regressão.
  - Valor padrão atualizado para enable_early_stopping no AutoMLConfig para True.
- azureml-contrib-automl-pipeline-steps
  - As séries cronológicas hierárquicas (HTS) estão habilitadas para tarefas de previsão por meio de pipelines.
  - Adicionar suporte a conjunto de dados tabular para inferência
  - O caminho personalizado pode ser especificado para os dados de inferência
- azureml-contrib-reinforcementlearning
  - Algumas propriedades são azureml.core.environment.DockerSection preteridas, como shm_size propriedades usadas por trabalhadores da Ray em trabalhos de aprendizagem por reforço. Esta propriedade agora pode ser especificada em vez disso azureml.contrib.train.rl.WorkerConfiguration .
- azureml-core
  - Corrigido um hiperlink na ScriptRunConfig.distributed_job_config documentação
  - Os clusters de computação do Azure Machine Learning agora podem ser criados em um local diferente do local do espaço de trabalho. Isso é útil para maximizar a alocação de capacidade ociosa e gerenciar a utilização de cotas em diferentes locais sem ter que criar mais espaços de trabalho apenas para usar a cota e criar um cluster de computação em um local específico. Para obter mais informações, consulte Criar um cluster de computação do Azure Machine Learning.
  - Adicionado display_name como um campo de nome mutável do objeto Executar.
  - O from_files de conjunto de dados agora suporta ignorar extensões de dados para grandes dados de entrada
- Azureml-DataPrep
  - Corrigido um bug em que to_dask_dataframe falhava devido a uma condição de corrida.
  - O from_files de conjunto de dados agora suporta ignorar extensões de dados para grandes dados de entrada
- azureml-defaults
  - Estamos removendo a dependência azureml-model-management-sdk==1.0.1b6.post1 de azureml-defaults.
- azureml-interpret
  - azureml-interpret atualizado para interpret-community 0.19.*
- azureml-pipeline-core
  - As séries cronológicas hierárquicas (HTS) estão habilitadas para tarefas de previsão por meio de pipelines.
- azureml-train-automl-client
  - Alterne para usar o armazenamento de blob para armazenamento em cache no ML automatizado.
  - As séries cronológicas hierárquicas (HTS) estão habilitadas para tarefas de previsão por meio de pipelines.
  - Tratamento de erros melhorado em torno da recuperação do modelo XGBoost.
  - Valor padrão atualizado para enable_early_stopping no AutoMLConfig para True.
- azureml-train-automl-runtime
  - Alterne para usar o armazenamento de blob para armazenamento em cache no ML automatizado.
  - As séries cronológicas hierárquicas (HTS) estão habilitadas para tarefas de previsão por meio de pipelines.
  - Valor padrão atualizado para enable_early_stopping no AutoMLConfig para True.

2021-07-06

SDK do Azure Machine Learning para Python v1.32.0

Correções de bugs e melhorias
- azureml-core
  - Expor a integridade do espaço de trabalho de diagnóstico no SDK/CLI
- azureml-defaults
  - Dependência adicionada opencensus-ext-azure==1.0.8 ao azureml-defaults
- azureml-pipeline-core
  - Atualizado o AutoMLStep para usar imagens pré-criadas quando o ambiente para envio de trabalho corresponde ao ambiente padrão
- Azureml-Responsibleai
  - Novo cliente de análise de erros adicionado para carregar, baixar e listar relatórios de análise de erros
  - Certifique-se raiwidgets de que a responsibleai versão está sincronizada
- azureml-train-automl-runtime
  - Defina o tempo alocado para pesquisar dinamicamente em várias estratégias de featurização para um máximo de um quarto do tempo limite geral do experimento

2021-06-21

SDK do Azure Machine Learning para Python v1.31.0

Correções de bugs e melhorias
- azureml-core
  - Documentação aprimorada para propriedade de plataforma na classe Environment
  - Tempo de redução do nó de computação AML padrão alterado de 120 segundos para 1800 segundos
  - O link de solução de problemas padrão atualizado exibido no portal para solução de problemas falhou é executado para: https://aka.ms/azureml-run-troubleshooting
- azureml-automl-runtime
  - Limpeza de dados: Amostras com valores-alvo em [Nenhum, "", "nan", np.nan] são descartadas antes da featurização e/ou treinamento do modelo
- azureml-interpret
  - Impedir erro de fila de tarefas de liberação em execuções remotas do Azure Machine Learning que usam ExplanationClient aumentando o tempo limite
- azureml-pipeline-core
  - Adicionar parâmetro jar à etapa de sinapse
- azureml-train-automl-runtime
  - Corrija guarda-corpos de alta cardinalidade para ficarem mais alinhados com os documentos

2021-06-07

SDK do Azure Machine Learning para Python v1.30.0

Correções de bugs e melhorias
- azureml-core
  - A dependência ruamel-yaml de pinos para < 0.17.5 como uma alteração de quebra foi liberada em 0.17.5.
  - aml_k8s_config propriedade está sendo substituída por namespace, default_instance_typee instance_types parâmetros para KubernetesCompute anexar.
  - As chaves de sincronização do espaço de trabalho foram alteradas para uma operação de longa duração.
- azureml-automl-runtime
  - Problemas corrigidos em que execuções com big data podem falhar com Elements of y_test cannot be NaNo .
- Azureml-MLFLOW
  - Correção de bugs do plugin de implantação MLFlow para modelos sem assinatura.
- azureml-pipeline-steps
  - ParallelRunConfig: documento de atualização para process_count_per_node.
- azureml-train-automl-runtime
  - Suporte para quantis personalizados definidos durante a inferência MM
  - Suporte para forecast_quantiles durante a inferência em lote.
- azureml-contrib-automl-pipeline-steps
  - Suporte para quantis personalizados definidos durante a inferência MM
  - Suporte para forecast_quantiles durante a inferência em lote.

2021-05-25

Anunciando a CLI (v2) para o Azure Machine Learning

A ml extensão para a CLI do Azure é a interface de próxima geração para o Azure Machine Learning. Permite-lhe educar e implementar modelos a partir da linha de comandos, com funcionalidades que aceleram o aumento vertical e horizontal da ciência de dados enquanto controla o ciclo de vida dos modelos. Instale e configure a CLI (v2).

SDK do Azure Machine Learning para Python v1.29.0

Correções de bugs e melhorias
- Mudanças significativas
  - Caiu o suporte para Python 3.5.
- azureml-automl-runtime
  - Corrigido um bug em que o STLFeaturizer falhava se a duração da série temporal fosse menor do que a sazonalidade. Este erro manifestado como um IndexError. O caso é tratado agora sem erros, embora o componente sazonal do STL consista apenas em zeros neste caso.
- azureml-contrib-automl-dnn-vision
  - Adicionado um método para inferência em lote com caminhos de arquivo.
- azureml-contrib-gbdt
  - O pacote azureml-contrib-gbdt foi preterido e pode não receber atualizações futuras e será removido da distribuição completamente.
- azureml-core
  - Explicação corrigida do parâmetro create_if_not_exists em Datastore.register_azure_blob_container.
  - Código de exemplo adicionado à classe DatasetConsumptionConfig.
  - Adicionado suporte para step como um eixo alternativo para valores métricos escalares em run.log()
- Azureml-DataPrep
  - Limitar o tamanho da partição aceite em _with_partition_size() 2 GB
- azureml-interpret
  - Atualizar azureml-interpret para a versão mais recente do pacote interpret-core
  - Caiu o suporte para SHAP DenseData, que foi preterido no SHAP 0.36.0.
  - Habilite ExplanationClient o upload para um armazenamento de dados especificado pelo usuário.
- Azureml-MLFLOW
  - Mova azureml-mlflow para mlflow-skinny para reduzir a pegada de dependência enquanto mantém o suporte completo a plug-ins
- azureml-pipeline-core
  - O exemplo de código PipelineParameter é atualizado no documento de referência para usar o parâmetro correto.

2021-05-10

SDK do Azure Machine Learning para Python v1.28.0

Correções de bugs e melhorias
- azureml-automl-runtime
  - Script de pontuação AutoML melhorado para torná-lo consistente com o designer
  - Patch bug em que a previsão com o modelo Prophet lançaria um erro de "coluna ausente" se treinado em uma versão anterior do SDK.
  - Adicionado o modelo ARIMAX às listas de modelos voltadas para o público e com suporte de previsão do SDK do AutoML. Aqui, ARIMAX é uma regressão com erros ARIMA e um caso especial dos modelos de função de transferência desenvolvidos por Box e Jenkins. Para uma discussão sobre como as duas abordagens são diferentes, consulte The ARIMAX model muddle. Ao contrário do resto dos modelos multivariados que usam recursos gerados automaticamente e dependentes do tempo (hora do dia, dia do ano e assim por diante) no AutoML, este modelo usa apenas recursos que são fornecidos pelo usuário e facilita a interpretação de coeficientes.
- azureml-contrib-dataset
  - Descrição atualizada da documentação com indicação de que a libfuse deve ser instalada durante o uso da montagem.
- azureml-core
  - A imagem padrão com curadoria da CPU agora está mcr.microsoft.com/azureml/openmpi3.1.2-ubuntu18.04. A imagem padrão da GPU agora está mcr.microsoft.com/azureml/openmpi3.1.2-cuda10.2-cudnn8-ubuntu18.04
  - Run.fail() agora está preterido, use Run.tag() para marcar a execução como falha ou use Run.cancel() para marcar a execução como cancelada.
  - Documentação atualizada com uma observação de que a libfuse deve ser instalada ao montar um conjunto de dados de arquivo.
  - Adicione suporte experimental register_dask_dataframe() ao conjunto de dados tabulares.
  - Suporte a DatabricksStep com o Azure Blob/ADL-S como entradas/saídas e exponha permit_cluster_restart de parâmetros para permitir que o cliente decida se a AML pode reiniciar o cluster quando a configuração de acesso de E/S precisar ser adicionada ao cluster
- azureml-dataset-runtime
  - azureml-dataset-runtime agora suporta versões do pyarrow < 4.0.0
- Azureml-MLFLOW
  - Adicionado suporte para implantação no Azure Machine Learning por meio de nosso plug-in MLFlow.
- azureml-pipeline-steps
  - Suporte a DatabricksStep com o Azure Blob/ADL-S como entradas/saídas e exponha permit_cluster_restart de parâmetros para permitir que o cliente decida se a AML pode reiniciar o cluster quando a configuração de acesso de E/S precisar ser adicionada ao cluster
- Azureml-Sinapse
  - Habilitar audiência na autenticação msi
- azureml-train-automl-client
  - Adicionado link alterado para o documento de destino de computação

2021-04-19

SDK do Azure Machine Learning para Python v1.27.0

Correções de bugs e melhorias
- azureml-core
  - Adicionada a capacidade de substituir o valor de tempo limite padrão para upload de artefato por meio da variável de ambiente "AZUREML_ARTIFACTS_DEFAULT_TIMEOUT".
  - Corrigido um bug em que as configurações do docker no objeto Environment em ScriptRunConfig não eram respeitadas.
  - Permite particionar um conjunto de dados ao copiá-lo para um destino.
  - Adicionado um modo personalizado ao OutputDatasetConfig para permitir a passagem de Datasets criados em pipelines por meio de uma função de link. Esses aprimoramentos de suporte feitos para habilitar o particionamento tabular para PRS.
  - Adicionado um novo tipo de computação KubernetesCompute ao azureml-core.
- azureml-pipeline-core
  - Adicionar um modo personalizado ao OutputDatasetConfig e permitir que um usuário passe por conjuntos de dados criados em pipelines por meio de uma função de link. Destinos de caminho de arquivo suportam espaços reservados. Estes suportam as melhorias feitas para habilitar o particionamento tabular para PRS.
  - Adição do novo tipo de computação KubernetesCompute ao azureml-core.
- azureml-pipeline-steps
  - Adição do novo tipo de computação KubernetesCompute ao azureml-core.
- Azureml-Sinapse
  - Atualizar url da interface do usuário do spark no widget da sinapse azureml
- azureml-train-automl-client
  - O featurizer STL para a tarefa de previsão agora usa uma deteção de sazonalidade mais robusta com base na frequência da série temporal.
- azureml-train-core
  - Corrigido bug em que as configurações do docker no objeto Environment não eram respeitadas.
  - Adição do novo tipo de computação KubernetesCompute ao azureml-core.

2021-04-05

SDK do Azure Machine Learning para Python v1.26.0

Correções de bugs e melhorias
- azureml-automl-core
  - Corrigido um problema em que modelos Naive eram recomendados em execuções do AutoMLStep e falhavam com recursos de atraso ou janela rolante. Esses modelos não serão recomendados quando os atrasos de destino ou o tamanho da janela rolante de destino forem definidos.
  - Saída do console alterada ao enviar uma execução do AutoML para mostrar um link do portal para a execução.
- azureml-core
  - Adicionado o modo HDFS na documentação.
  - Adicionado suporte para entender partições de conjunto de dados de arquivo com base na estrutura glob.
  - Adicionado suporte para o registro de contêiner de atualização associado ao Espaço de Trabalho do Azure Machine Learning.
  - Atributos de ambiente preterido sob DockerSection - "enabled", "shared_volume" e "arguments" fazem parte do DockerConfiguration em RunConfiguration agora.
  - Documentação atualizada do clone da CLI do Pipeline
  - URIs de portal atualizados para incluir locatário para autenticação
  - Nome do experimento removido de URIs de execução para evitar redirecionamentos
  - URO de experimento atualizado para usar a ID do experimento.
  - Correções de bugs para anexar computação remota com a CLI do Azure Machine Learning.
  - URIs de portal atualizados para incluir locatário para autenticação.
  - URI de experimento atualizado para usar a ID do experimento.
- azureml-interpret
  - azureml-interpret atualizado para usar interpret-community 0.17.0
- Azureml-OpenDataSets
  - Data de início de entrada e validação de tipo de data de término e indicação de erro se não for tipo datetime.
- azureml-parallel-run
  - [Recurso experimental] Adicione partition_keys o parâmetro a ParallelRunConfig, se especificado, o(s) conjunto(s) de dados de entrada seria(m) particionado(s) em minilotes pelas chaves especificadas por ele. Ele requer que todos os conjuntos de dados de entrada sejam particionados.
- azureml-pipeline-steps
  - Bugfix - suporta path_on_compute ao passar a configuração do conjunto de dados como download.
  - Deprecie RScriptStep em favor do uso de CommandStep para executar scripts R em pipelines.
  - Deprecie o EstimatorStep em favor do uso do CommandStep para executar treinamento de ML (incluindo treinamento distribuído) em pipelines.
- AzureML-SDK
  - Atualização python_requires para < 3.9 para azureml-sdk
- azureml-train-automl-client
  - Saída do console alterada ao enviar uma execução do AutoML para mostrar um link do portal para a execução.
- azureml-train-core
  - Atributos 'enabled', 'shared_volume' e 'arguments' do DockerSection preteridos em favor do uso do DockerConfiguration com ScriptRunConfig.
  - Usar conjuntos de dados abertos do Azure para conjunto de dados MNIST
  - As mensagens de erro do Hyperdrive foram atualizadas.

2021-03-22

SDK do Azure Machine Learning para Python v1.25.0

Correções de bugs e melhorias
- azureml-automl-core
  - Saída do console alterada ao enviar uma execução do AutoML para mostrar um link do portal para a execução.
- azureml-core
  - Começa a oferecer suporte à atualização do registro de contêiner para espaço de trabalho no SDK e na CLI
  - Atributos 'enabled', 'shared_volume' e 'arguments' do DockerSection preteridos em favor do uso do DockerConfiguration com ScriptRunConfig.
  - Documentação atualizada do clone da CLI do Pipeline
  - URIs de portal atualizados para incluir locatário para autenticação
  - Nome do experimento removido de URIs de execução para evitar redirecionamentos
  - URO de experimento atualizado para usar a ID do experimento.
  - Correções de bugs para anexar computação remota usando az CLI
  - URIs de portal atualizados para incluir locatário para autenticação.
  - Adicionado suporte para entender partições de conjunto de dados de arquivo com base na estrutura glob.
- azureml-interpret
  - azureml-interpret atualizado para usar interpret-community 0.17.0
- Azureml-OpenDataSets
  - Data de início de entrada e validação de tipo de data de término e indicação de erro se não for tipo datetime.
- azureml-pipeline-core
  - Bugfix - suporta path_on_compute ao passar a configuração do conjunto de dados como download.
- azureml-pipeline-steps
  - Bugfix - suporta path_on_compute ao passar a configuração do conjunto de dados como download.
  - Deprecie RScriptStep em favor do uso de CommandStep para executar scripts R em pipelines.
  - Deprecie o EstimatorStep em favor do uso do CommandStep para executar treinamento de ML (incluindo treinamento distribuído) em pipelines.
- azureml-train-automl-runtime
  - Saída do console alterada ao enviar uma execução do AutoML para mostrar um link do portal para a execução.
- azureml-train-core
  - Atributos 'enabled', 'shared_volume' e 'arguments' do DockerSection preteridos em favor do uso do DockerConfiguration com ScriptRunConfig.
  - Usar conjuntos de dados abertos do Azure para conjunto de dados MNIST
  - As mensagens de erro do Hyperdrive foram atualizadas.

2021-03-31

Experiência de Notebooks do estúdio Azure Machine Learning (Atualização de março)

Novas funcionalidades
- Renderizar CSV/TSV. Os usuários são capazes de renderizar e arquivo TSV / CSV em um formato de grade para facilitar a análise de dados.
- Autenticação SSO para instância de computação. Os usuários agora podem autenticar facilmente quaisquer novas instâncias de computação diretamente na interface do usuário do Bloco de Anotações, facilitando a autenticação e o uso dos SDKs do Azure diretamente no Aprendizado de Máquina do Azure.
- Métricas de instância de computação. Os usuários são capazes de visualizar métricas de computação, como o uso da CPU e memória via terminal.
- Detalhes do arquivo. Os usuários agora podem ver os detalhes do arquivo, incluindo a hora da última modificação e o tamanho do arquivo clicando nos três pontos ao lado de um arquivo.
Correções de bugs e melhorias
- Tempos de carregamento de página melhorados.
- Melhor desempenho.
- Velocidade melhorada e fiabilidade do kernel.
- Ganhe imóveis verticais movendo-se permanentemente para cima no painel de arquivos do Bloco de Anotações.
- Os links agora podem ser clicados no Terminal
- Desempenho Intellisense melhorado

2021-03-08

SDK do Azure Machine Learning para Python v1.24.0

Correções de bugs e melhorias
- azureml-automl-core
  - Removidas importações compatíveis com versões anteriores do azureml.automl.core.shared. Os erros de azureml.automl.core.shared módulo não encontrados no namespace podem ser resolvidos importando do azureml.automl.runtime.shared.
- azureml-contrib-automl-dnn-vision
  - Modelo yolo de deteção de objetos expostos.
- azureml-contrib-dataset
  - Adicionada funcionalidade para filtrar Conjuntos de Dados Tabulares por valores de coluna e Conjuntos de Dados de Arquivo por metadados.
- azureml-contrib-equidade
  - Incluir esquema JSON na roda para azureml-contrib-fairness
- azureml-contrib-mir
  - Com a definição de show_output como True ao implantar modelos, a configuração de inferência e a configuração de implantação são repetidas antes de enviar a solicitação ao servidor.
- azureml-core
  - Adicionada funcionalidade para filtrar Conjuntos de Dados Tabulares por valores de coluna e Conjuntos de Dados de Arquivo por metadados.
  - Anteriormente, era possível que os usuários criassem configurações de provisionamento para ComputeTarget que não satisfizessem os requisitos de força da senha para o admin_user_password campo (ou seja, que eles devem conter pelo menos 3 dos seguintes: Uma letra minúscula, uma letra maiúscula, um dígito e um caractere especial do seguinte conjunto: \`~!@#$%^&*()=+_[]{}|;:./'",<>?). Se o usuário criou uma configuração com uma senha fraca e executou um trabalho usando essa configuração, o trabalho falharia no tempo de execução. Agora, a chamada para AmlCompute.provisioning_configuration lançar uma ComputeTargetException mensagem de erro com uma mensagem de erro explicando os requisitos de força da senha.
  - Além disso, também era possível, em alguns casos, especificar uma configuração com um número negativo de nós máximos. Não é mais possível fazer isso. Agora, AmlCompute.provisioning_configuration lança um ComputeTargetException se o max_nodes argumento é um inteiro negativo.
  - Com a definição de show_output como True ao implantar modelos, a configuração de inferência e a configuração de implantação são exibidas.
  - Com a configuração show_output como True quando aguarda a conclusão da implantação do modelo, o progresso da operação de implantação é exibido.
  - Permitir diretório de configuração de autenticação do Azure Machine Learning especificado pelo cliente por meio da variável de ambiente: AZUREML_AUTH_CONFIG_DIR
  - Anteriormente, era possível criar uma configuração de provisionamento com a contagem mínima de nós menor do que a contagem máxima de nós. O trabalho seria executado, mas falharia no tempo de execução. Este bug foi corrigido. Se você agora tentar criar uma configuração de provisionamento com min_nodes < max_nodes o SDK gerará um ComputeTargetExceptionarquivo .
- azureml-interpret
  - Corrigir painel de explicação que não mostra importância agregada de recursos para explicações de engenharia esparsas
  - uso otimizado de memória de ExplanationClient no pacote azureml-interpret
- azureml-train-automl-client
  - Corrigido show_output=False para retornar o controle ao usuário durante a execução usando o spark.

2021-02-28

Experiência de Notebooks do estúdio Azure Machine Learning (Atualização de fevereiro)

Novas funcionalidades
- Terminal nativo (GA). Os usuários agora têm acesso a um terminal integrado e operação Git através do terminal integrado.
- Trechos de bloco de anotações (visualização). Trechos de código comuns do Azure Machine Learning agora estão disponíveis na ponta dos dedos. Navegue até o painel de trechos de código, acessível pela barra de ferramentas, ou ative o menu de trechos no código usando Ctrl + Espaço.
- Atalhos de teclado. Paridade total com atalhos de teclado disponíveis no Jupyter.
- Indique os parâmetros da célula. Mostra aos usuários quais células em um bloco de anotações são células de parâmetro e podem executar blocos de anotações parametrizados via Papermill na instância de computação.
- Gerenciador de sessões de Terminal e Kernel: Os usuários são capazes de gerenciar todos os kernels e sessões de terminal em execução em sua computação.
- Botão de compartilhamento. Os usuários agora podem compartilhar qualquer arquivo no explorador de arquivos do Bloco de Anotações clicando com o botão direito do mouse no arquivo e usando o botão compartilhar.
Correções de bugs e melhorias
- Tempos de carregamento de página melhorados
- Desempenho melhorado
- Velocidade melhorada e fiabilidade do kernel
- Adicionada roda giratória para mostrar o progresso de todas as operações de Instância de Computação em andamento.
- Clique com o botão direito do rato no Explorador de Ficheiros. Clicar com o botão direito do mouse em qualquer arquivo agora abre as operações do arquivo.

2021-02-16

SDK do Azure Machine Learning para Python v1.23.0

Correções de bugs e melhorias
- azureml-core
  - [Recurso experimental] Adicionar suporte para vincular o espaço de trabalho de sinapse à AML como um serviço vinculado
  - [Recurso experimental] Adicionar suporte para anexar pool de faíscas de sinapse à AML como um cálculo
  - [Recurso experimental] Adicione suporte para acesso a dados baseados em identidade. Os usuários podem registrar armazenamento de dados ou conjuntos de dados sem fornecer credenciais. Nesse caso, o token do Azure AD ou a identidade gerenciada do destino de computação dos usuários é usado para autenticação. Para saber mais, consulte Conectar-se ao armazenamento usando o acesso a dados baseado em identidade.
- azureml-pipeline-steps
  - [Recurso experimental] Adicionar suporte para SynapseSparkStep
- Azureml-Sinapse
  - [Recurso experimental] Adicione suporte de magia de faísca para executar sessão interativa no pool de faíscas de sinapse.
Correções de bugs e melhorias
- azureml-automl-runtime
  - Nesta atualização, adicionamos a suavização exponencial de invernos holt à caixa de ferramentas de previsão do SDK do AutoML. Dada uma série temporal, o melhor modelo é selecionado pelo AICc (Corrected Akaike's Information Criterion) e devolvido.
  - O AutoML agora gera dois arquivos de log em vez de um. As instruções de log vão para uma ou outra, dependendo de qual processo a instrução de log foi gerada.
  - Remova a previsão desnecessária na amostra durante o treinamento do modelo com validações cruzadas. Isso pode diminuir o tempo de treinamento do modelo em alguns casos, especialmente para modelos de previsão de séries temporais.
- azureml-contrib-equidade
  - Adicione um esquema JSON para os uploads do dashboardDictionary.
- azureml-contrib-interpret
  - azureml-contrib-interpret README é atualizado para refletir que o pacote será removido na próxima atualização depois de ter sido preterido desde outubro, use azureml-interpret package em vez disso
- azureml-core
  - Anteriormente, era possível criar uma configuração de provisionamento com a contagem mínima de nós menor do que a contagem máxima de nós. Esta situação foi agora corrigida. Se você agora tentar criar uma configuração de provisionamento com min_nodes < max_nodes o SDK gerará um ComputeTargetExceptionarquivo .
  - Corrige bug no wait_for_completion no AmlCompute, que fazia com que a função retornasse o fluxo de controle antes que a operação fosse realmente concluída
  - Run.fail() agora está preterido, use Run.tag() para marcar a execução como falha ou use Run.cancel() para marcar a execução como cancelada.
  - Mostrar mensagem de erro 'Nome do ambiente esperado str, {} encontrado' quando o nome do ambiente fornecido não for uma cadeia de caracteres.
- azureml-train-automl-client
  - Corrigido um bug que impedia que experimentos de AutoML realizados em clusters do Azure Databricks fossem cancelados.

2021-02-09

SDK do Azure Machine Learning para Python v1.22.0

Correções de bugs e melhorias
- azureml-automl-core
  - Corrigido bug onde uma dependência pip extra foi adicionada ao arquivo conda yml para modelos de visão.
- azureml-automl-runtime
  - Corrigido um bug em que os modelos clássicos de previsão (por exemplo, AutoArima) podiam receber dados de treinamento em que linhas com valores de destino imputados não estavam presentes. Isso violou o contrato de dados desses modelos. * Corrigido vários bugs com comportamento de lag-by-ocorrência no operador de lagging de séries temporais. Anteriormente, a operação de atraso por ocorrência não marcava todas as linhas imputadas corretamente e, portanto, nem sempre gerava os valores corretos de atraso de ocorrência. Também foram corrigidos alguns problemas de compatibilidade entre o operador de atraso e o operador de janela rolante com comportamento de atraso por ocorrência. Anteriormente, isso fazia com que o operador da janela rolante retirasse algumas linhas dos dados de treinamento que deveria usar.
- azureml-core
  - Adicionando suporte para autenticação de token por público.
  - Adicione process_count ao PyTorchConfiguration para suportar trabalhos PyTorch de vários processos e vários nós.
- azureml-pipeline-steps
  - CommandStep agora GA e não mais experimental.
  - ParallelRunConfig: adicione allowed_failed_count de argumento e allowed_failed_percent para verificar o limite de erro no nível de mini lote. O limite de erro tem três sabores agora:
    - error_threshold - o número de itens de mini lote com falha permitidos;
    - allowed_failed_count - o número de minilotes permitidos com falha;
    - allowed_failed_percent- a percentagem de minilotes permitidos com falha.
    Um trabalho para se exceder qualquer um deles. error_threshold é necessário para mantê-lo compatível com versões anteriores. Defina o valor como -1 para ignorá-lo.
  - Manipulação de espaço em branco fixa no nome AutoMLStep.
  - ScriptRunConfig agora é suportado pelo HyperDriveStep
- azureml-train-core
  - O HyperDrive é executado invocado a partir de um ScriptRun e agora é considerado uma execução filho.
  - Adicione process_count ao PyTorchConfiguration para suportar trabalhos PyTorch de vários processos e vários nós.
- azureml-widgets
  - Adicione o widget ParallelRunStepDetails para visualizar o status de um ParallelRunStep.
  - Permite que os usuários do hyperdrive vejam um eixo no gráfico de coordenadas paralelas que mostra o valor métrico correspondente a cada conjunto de hiperparâmetros para cada execução filho.

2021-01-31

Experiência de Notebooks do estúdio Azure Machine Learning (Atualização de janeiro)

Novas funcionalidades
- Editor de Markdown nativo no Azure Machine Learning. Os usuários agora podem renderizar e editar arquivos de marcação nativamente no Azure Machine Learning Studio.
- Botão Executar para scripts (.py, . R e .sh). Os usuários agora podem facilmente executar scripts Python, R e Bash no Azure Machine Learning
- Explorador de variáveis. Explore o conteúdo de variáveis e quadros de dados em um painel pop-up. Os usuários podem verificar facilmente o tipo, o tamanho e o conteúdo dos dados.
- Índice. Navegue até secções do seu bloco de notas, indicadas por cabeçalhos Markdown.
- Exporte seu notebook como Latex/HTML/Py. Crie arquivos de bloco de anotações fáceis de compartilhar exportando para LaTex, HTML ou .py
- Intellicode. Os resultados alimentados por ML fornecem uma experiência de preenchimento automático inteligente aprimorada.
Correções de bugs e melhorias
- Tempos de carregamento de página melhorados
- Desempenho melhorado
- Velocidade melhorada e fiabilidade do kernel

2021-01-25

SDK do Azure Machine Learning para Python v1.21.0

Correções de bugs e melhorias
- azure-cli-ml
  - Texto de ajuda da CLI corrigido ao usar AmlCompute com UserAssigned Identity
- azureml-contrib-automl-dnn-vision
  - Os botões de implantação e download tornam-se visíveis para execuções de visão do AutoML, e os modelos podem ser implantados ou baixados de forma semelhante a outras execuções do AutoML. Há dois novos arquivos (scoring_file_v_1_0_0.py e conda_env_v_1_0_0.yml) que contêm um script para executar a inferência e um arquivo yml para recriar o ambiente conda. O arquivo 'model.pth' também foi renomeado para usar a extensão '.pt'.
- azureml-core
  - Suporte MSI para azure-cli-ml
  - Suporte de identidade gerenciada atribuído pelo usuário.
  - Com essa alteração, os clientes devem ser capazes de fornecer uma identidade atribuída ao usuário que pode ser usada para buscar a chave do cofre da chave do cliente para criptografia em repouso.
  - fix row_count=0 para o perfil de arquivos grandes - corrigir erro na conversão dupla para valores delimitados com preenchimento de espaço em branco
  - Remover sinalizador experimental para o conjunto de dados de saída GA
  - Atualizar a documentação sobre como obter uma versão específica de um modelo
  - Permitir a atualização do espaço de trabalho para acesso em modo misto no link privado
  - Correção para remover outro registro no armazenamento de dados para o recurso de execução de retomada
  - Adicionado suporte a CLI/SDK para atualizar a identidade atribuída pelo usuário principal do espaço de trabalho
- azureml-interpret
  - azureml-interpret atualizado para interpret-community 0.16.0
  - Otimizações de memória para cliente de explicação no AzureMl-Interpret
- azureml-train-automl-runtime
  - Streaming habilitado para execuções do ADB
- azureml-train-core
  - Correção para remover outro registro no armazenamento de dados para o recurso de execução de retomada
- azureml-widgets
  - Os clientes não devem ver alterações na visualização de dados de execução existente usando o widget e agora têm suporte se usarem opcionalmente hiperparâmetros condicionais.
  - O widget de execução do usuário agora inclui uma explicação detalhada para o motivo pelo qual uma execução está no estado de fila.

2021-01-11

SDK do Azure Machine Learning para Python v1.20.0

Correções de bugs e melhorias
- azure-cli-ml
  - framework_version adicionado em OptimizationConfig. É usado quando o modelo é registrado com o framework MULTI.
- azureml-contrib-otimização
  - framework_version adicionado em OptimizationConfig. É usado quando o modelo é registrado com o framework MULTI.
- azureml-pipeline-steps
  - Apresentando o CommandStep, que levaria o comando ao processo. O comando pode incluir executáveis, comandos shell, scripts, etc.
- azureml-core
  - Agora, a criação de espaços de trabalho suporta a identidade atribuída pelo usuário. Adicionando o suporte uai do SDK/CLI
  - Corrigido o problema em service.reload() para receber alterações em score.py na implantação local.
  - run.get_details() tem um campo extra chamado "submittedBy", que exibe o nome do autor para esta execução.
  - Documentação do método Model.register editado para mencionar como registrar o modelo diretamente da execução
  - Corrigido o problema de manipulação da alteração de status da conexão do IOT-Server.

2020-12-31

Experiência de Notebooks do estúdio Azure Machine Learning (Atualização de dezembro)

Novas funcionalidades
- Pesquisa de nome de arquivo do usuário. Os usuários agora podem pesquisar todos os arquivos salvos em um espaço de trabalho.
- Suporte a Markdown Side by Side por célula de notebook. Em uma célula de bloco de anotações, os usuários agora podem ter a opção de exibir a sintaxe de marcação e marcação renderizada lado a lado.
- Barra de Estado da Célula. A barra de status indica em que estado uma célula de código está, se uma execução de célula foi bem-sucedida e quanto tempo levou para ser executada.
Correções de bugs e melhorias
- Tempos de carregamento de página melhorados
- Desempenho melhorado
- Velocidade melhorada e fiabilidade do kernel

2020-12-07

SDK do Azure Machine Learning para Python v1.19.0

Correções de bugs e melhorias
- azureml-automl-core
  - Adicionado suporte experimental para dados de teste para AutoMLStep.
  - Adicionada a implementação principal inicial do recurso de ingestão do conjunto de testes.
  - Referências movidas para sklearn.externals.joblib para depender diretamente de joblib.
  - introduzir um novo tipo de tarefa AutoML de "image-instance-segmentation".
- azureml-automl-runtime
  - Adicionada a implementação principal inicial do recurso de ingestão do conjunto de testes.
  - Quando todas as cadeias de caracteres em uma coluna de texto têm um comprimento de exatamente um caractere, o featurizer de palavra-grama TfIdf não funciona porque seu tokenizador ignora as cadeias de caracteres com menos de dois caracteres. A alteração de código atual permite que o AutoML manipule esse caso de uso.
  - introduzir um novo tipo de tarefa AutoML de "image-instance-segmentation".
- azureml-contrib-automl-dnn-nlp
  - PR inicial para o novo pacote dnn-nlp
- azureml-contrib-automl-dnn-vision
  - introduzir um novo tipo de tarefa AutoML de "image-instance-segmentation".
- azureml-contrib-automl-pipeline-steps
  - Este novo pacote é responsável pela criação de etapas necessárias para muitos modelos de treino/cenário de inferência. - Ele também move o código train/inference para o pacote azureml.train.automl.runtime para que quaisquer correções futuras estejam automaticamente disponíveis por meio de versões de ambiente com curadoria.
- azureml-contrib-dataset
  - introduzir um novo tipo de tarefa AutoML de "image-instance-segmentation".
- azureml-core
  - Adicionada a implementação principal inicial do recurso de ingestão do conjunto de testes.
  - Corrigindo os avisos xref para documentação no pacote azureml-core
  - Correções de cadeia de caracteres de documentos para o recurso de suporte a comandos no SDK
  - Adicionando propriedade de comando a RunConfiguration. O recurso permite que os usuários executem um comando real ou executáveis na computação por meio do SDK do Azure Machine Learning.
  - Os usuários podem excluir um experimento vazio dado o ID desse experimento.
- Azureml-DataPrep
  - Adicionado suporte a conjunto de dados para o Spark construído com o Scala 2.12. Isso se soma ao suporte existente da versão 2.11.
- Azureml-MLFLOW
  - AzureML-MLflow adiciona proteções em scripts remotos para evitar o encerramento antecipado de execuções enviadas.
- azureml-pipeline-core
  - Corrigido um bug na definição de um pipeline padrão para o ponto de extremidade de pipeline criado via interface do usuário
- azureml-pipeline-steps
  - Adicionado suporte experimental para dados de teste para AutoMLStep.
- Azureml-TensorBoard
  - Corrigindo os avisos xref para documentação no pacote azureml-core
- azureml-train-automl-client
  - Adicionado suporte experimental para dados de teste para AutoMLStep.
  - Adicionada a implementação principal inicial do recurso de ingestão do conjunto de testes.
  - introduzir um novo tipo de tarefa AutoML de "image-instance-segmentation".
- azureml-train-automl-runtime
  - Adicionada a implementação principal inicial do recurso de ingestão do conjunto de testes.
  - Corrija o cálculo das explicações brutas para o melhor modelo AutoML se os modelos AutoML forem treinados usando validation_size configuração.
  - Referências movidas para sklearn.externals.joblib para depender diretamente de joblib.
- azureml-train-core
  - HyperDriveRun.get_children_sorted_by_primary_metric() deve ser concluída mais rapidamente agora
  - Tratamento de erros melhorado no SDK do HyperDrive.
  - Preterido todas as classes de estimador em favor do uso de ScriptRunConfig para configurar execuções de experimento. As classes preteridas incluem:
    - MMLBase
    - Orçamentista
    - PyTorch
    - TensorFlow
    - Chainer
    - SKLearn
  - Preterido o uso de Nccl e Gloo como tipos de entrada válidos para classes Estimator em favor do uso de PyTorchConfiguration com ScriptRunConfig.
  - Preterido o uso de Mpi como um tipo de entrada válido para classes Estimator em favor do uso de MpiConfiguration com ScriptRunConfig.
  - Adicionando propriedade de comando para executar a configuração. O recurso permite que os usuários executem um comando real ou executáveis na computação por meio do SDK do Azure Machine Learning.
  - Preterido todas as classes de estimador em favor do uso de ScriptRunConfig para configurar execuções de experimento. As classes preteridas incluem: + MMLBaseEstimator + Estimator + PyTorch + TensorFlow + Chainer + SKLearn
  - Preterido o uso de Nccl e Gloo como um tipo válido de entrada para classes Estimator em favor do uso de PyTorchConfiguration com ScriptRunConfig.
  - Preterido o uso de Mpi como um tipo válido de entrada para classes Estimator em favor do uso de MpiConfiguration com ScriptRunConfig.

2020-11-30

Experiência de Notebooks do estúdio Azure Machine Learning (Atualização de novembro)

Novas funcionalidades
- Terminal nativo. Os usuários agora têm acesso a um terminal integrado e operação Git através do terminal integrado.
- Pasta duplicada
- Cálculo de custos para computação suspensa
- Pylance de computação offline
Correções de bugs e melhorias
- Tempos de carregamento de página melhorados
- Desempenho melhorado
- Velocidade melhorada e fiabilidade do kernel
- Upload de arquivos grandes. Agora você pode carregar o arquivo >95 mb

2020-11-09

SDK do Azure Machine Learning para Python v1.18.0

Correções de bugs e melhorias
- azureml-automl-core
  - Melhor manuseamento de séries cronológicas curtas, permitindo enchê-las com ruído gaussiano.
- azureml-automl-runtime
  - Lance ConfigException se uma coluna DateTime tiver o valor OutOfBoundsDatetime
  - Melhor manuseamento de séries cronológicas curtas, permitindo enchê-las com ruído gaussiano.
  - Certificando-se de que cada coluna de texto pode usar a transformação de grama de caracteres com o intervalo de n-gramas com base no comprimento das cadeias de caracteres nessa coluna de texto
  - Fornecendo explicações de recursos brutos para o melhor modo para experimentos AutoML em execução na computação local do usuário
- azureml-core
  - Fixe o pacote: pyjwt para evitar puxar quebra em versões próximas lançamentos.
  - A criação de um experimento retorna o experimento ativo ou o último experimento arquivado com esse mesmo nome próprio, se esse experimento existir ou um novo experimento.
  - Chamar get_experiment pelo nome retorna o experimento ativo ou o último arquivado com esse nome fornecido.
  - Os usuários não podem renomear um experimento ao reativá-lo.
  - Mensagem de erro aprimorada para incluir possíveis correções quando um conjunto de dados é passado incorretamente para um experimento (por exemplo, ScriptRunConfig).
  - Documentação melhorada para OutputDatasetConfig.register_on_complete incluir o comportamento do que acontece quando o nome já existe.
  - A especificação de nomes de entrada e saída de conjuntos de dados que têm o potencial de colidir com variáveis de ambiente comuns agora resulta em um aviso
  - Parâmetro reaproveitado grant_workspace_access ao registrar datastores. Defina-o para True acessar dados por trás da rede virtual a partir do estúdio de Machine Learning. Mais informações
  - A API de serviço vinculado é refinada. Em vez de fornecer ID de recurso, temos três parâmetros separados sub_id, rg e nome definidos na configuração.
  - Para permitir que os clientes resolvam automaticamente problemas de corrupção de token, habilite a sincronização de token de espaço de trabalho para ser um método público.
  - Essa alteração permite que uma cadeia de caracteres vazia seja usada como um valor para um script_param
- azureml-train-automl-client
  - Melhor manuseamento de séries cronológicas curtas, permitindo enchê-las com ruído gaussiano.
- azureml-train-automl-runtime
  - Lance ConfigException se uma coluna DateTime tiver o valor OutOfBoundsDatetime
  - Adicionado suporte para fornecer explicações de recursos brutos para o melhor modelo para experimentos de AutoML em execução na computação local do usuário
  - Melhor manuseamento de séries cronológicas curtas, permitindo enchê-las com ruído gaussiano.
- azureml-train-core
  - Essa alteração permite que uma cadeia de caracteres vazia seja usada como um valor para um script_param
- azureml-train-restclients-hyperdrive
  - O LEIA-ME foi alterado para oferecer mais contexto
- azureml-widgets
  - Adicione suporte de cadeia de caracteres à biblioteca de gráficos/coordenadas paralelas para widget.

2020-11-05

Rotulagem de dados para segmentação de instância de imagem (anotação de polígono) (visualização)

O tipo de projeto de segmentação de instância de imagem (anotações de polígono) na rotulagem de dados já está disponível, para que os usuários possam desenhar e anotar com polígonos ao redor do contorno dos objetos nas imagens. Os usuários são capazes de atribuir uma classe e um polígono a cada objeto que interessa dentro de uma imagem.

Saiba mais sobre a rotulagem de segmentação de instâncias de imagem.

2020-10-26

SDK do Azure Machine Learning para Python v1.17.0

novos exemplos
- Um novo repositório de exemplos orientado pela comunidade está disponível em https://github.com/Azure/azureml-examples
Correções de bugs e melhorias
- azureml-automl-core
  - Corrigido um problema em que get_output pode gerar um XGBoostError.
- azureml-automl-runtime
  - Os recursos baseados em tempo/calendário criados pelo AutoML agora têm o prefixo.
  - Corrigido um IndexError que ocorria durante o treinamento do StackEnsemble para conjuntos de dados de classificação com grande número de classes e subamostragem habilitada.
  - Corrigido um problema em que as previsões VotingRegressor podiam ser imprecisas após a readaptação do modelo.
- azureml-core
  - Mais detalhes adicionados sobre a relação entre a configuração de implantação do AKS e os conceitos do Serviço Kubernetes do Azure.
  - Suporte a etiquetas de cliente de ambiente. O usuário pode rotular Ambientes e fazer referência a eles por rótulo.
- Azureml-DataPrep
  - Melhor mensagem de erro ao usar o Spark atualmente sem suporte com o Scala 2.12.
- azureml-explicar-modelo
  - O pacote azureml-explain-model foi oficialmente preterido
- Azureml-MLFLOW
  - Resolvido um bug em mlflow.projects.run no back-end azureml onde o estado de finalização não foi tratado corretamente.
- azureml-pipeline-core
  - Adicione suporte para criar, listar e obter agendamento de pipeline com base em um ponto de extremidade de pipeline.
  - Melhorada a documentação de PipelineData.as_dataset com um exemplo de uso inválido - Usar PipelineData.as_dataset incorretamente agora resulta em um ValueException sendo lançado
  - Alterado o bloco de anotações de pipelines do HyperDriveStep para registrar o melhor modelo em um PipelineStep diretamente após a execução do HyperDriveStep.
- azureml-pipeline-steps
  - Alterado o bloco de anotações de pipelines do HyperDriveStep para registrar o melhor modelo em um PipelineStep diretamente após a execução do HyperDriveStep.
- azureml-train-automl-client
  - Corrigido um problema em que get_output pode gerar um XGBoostError.

Experiência de Notebooks do estúdio Azure Machine Learning (Atualização de outubro)

Novas funcionalidades
- Suporte de rede virtual completo
- Modo de foco
- Salvar blocos de anotações Ctrl-S
- Números de linha
Correções de bugs e melhorias
- Melhoria na velocidade e confiabilidade do kernel
- Jupyter Widget UI atualizações

2020-10-12

SDK do Azure Machine Learning para Python v1.16.0

Correções de bugs e melhorias
- azure-cli-ml
  - AKSWebservice e AKSEndpoints agora suportam limites de recursos de CPU e memória no nível do pod. Esses limites opcionais podem ser usados definindo --cpu-cores-limit e --memory-gb-limit sinalizando em chamadas de CLI aplicáveis
- azureml-core
  - Fixar versões principais de dependências diretas do azureml-core
  - AKSWebservice e AKSEndpoints agora suportam limites de recursos de CPU e memória no nível do pod. Mais informações sobre Recursos e Limites do Kubernetes
  - Atualizado run.log_table para permitir que linhas individuais sejam registradas.
  - Método Run.get(workspace, run_id) estático adicionado para recuperar uma execução somente usando um espaço de trabalho
  - Método Workspace.get_run(run_id) de instância adicionado para recuperar uma execução dentro do espaço de trabalho
  - Introdução da propriedade command na configuração de execução, que permite que os usuários enviem comandos em vez de scripts & argumentos.
- azureml-interpret
  - Explicação fixa do comportamento do sinalizador de is_raw do cliente no azureml-interpret
- AzureML-SDK
  - azureml-sdk suporta oficialmente Python 3.8.
- azureml-train-core
  - Adicionando ambiente com curadoria do TensorFlow 2.3
  - Introdução da propriedade command na configuração de execução, que permite que os usuários enviem comandos em vez de scripts & argumentos.
- azureml-widgets
  - Interface redesenhada para widget de execução de script.

2020-09-28

SDK do Azure Machine Learning para Python v1.15.0

Correções de bugs e melhorias
- azureml-contrib-interpret
  - LIME explainer movido de azureml-contrib-interpret para interpret-community package e image explainer removido do azureml-contrib-interpret package
  - painel de visualização removido do pacote azureml-contrib-interpret, cliente de explicação movido para o pacote azureml-interpret e preterido no pacote azureml-contrib-interpret e blocos de anotações atualizados para refletir a API aprimorada
  - Corrigir descrições de pacotes pypi para azureml-interpret, azureml-explain-model, azureml-contrib-interpret e azureml-tensorboard
- azureml-contrib-notebook
  - Fixe a dependência nbcovert em 6 para que a < fábrica de papel 1.x continue a funcionar.
- azureml-core
  - Parâmetros adicionados ao construtor TensorflowConfiguration e MpiConfiguration para permitir uma inicialização mais simplificada dos atributos de classe sem exigir que o usuário defina cada atributo individual. Adicionada uma classe PyTorchConfiguration para configurar trabalhos distribuídos do PyTorch em ScriptRunConfig.
  - Fixe a versão do azure-mgmt-resource para corrigir o erro de autenticação.
  - Suporte Triton No Code Deploy
  - Os diretórios de saída especificados em Run.start_logging() agora são rastreados ao usar Run em cenários interativos. Os arquivos rastreados são visíveis no ML Studio ao chamar Run.complete()
  - A codificação de arquivo agora pode ser especificada durante a criação do conjunto de dados com Dataset.Tabular.from_delimited_files e Dataset.Tabular.from_json_lines_files passando o encoding argumento. As codificações suportadas são 'utf8', 'iso88591', 'latin1', 'ascii', utf16', 'utf32', 'utf8bom' e 'windows1252'.
  - Correção de bug quando o objeto de ambiente não é passado para o construtor ScriptRunConfig.
  - Run.cancel() atualizado para permitir o cancelamento de uma execução local de outra máquina.
- Azureml-DataPrep
  - Corrigidos problemas de tempo limite de montagem do conjunto de dados.
- azureml-explicar-modelo
  - Corrigir descrições de pacotes pypi para azureml-interpret, azureml-explain-model, azureml-contrib-interpret e azureml-tensorboard
- azureml-interpret
  - painel de visualização removido do pacote azureml-contrib-interpret, cliente de explicação movido para o pacote azureml-interpret e preterido no pacote azureml-contrib-interpret e blocos de anotações atualizados para refletir a API aprimorada
  - azureml-interpret pacote atualizado para depender da comunidade de interpretação 0.15.0
  - Corrigir descrições de pacotes pypi para azureml-interpret, azureml-explain-model, azureml-contrib-interpret e azureml-tensorboard
- azureml-pipeline-core
  - Corrigido problema de pipeline em OutputFileDatasetConfig que o sistema pode parar de responder quandoregister_on_complete é chamado com o name parâmetro definido para um nome de conjunto de dados pré-existente.
- azureml-pipeline-steps
  - Removidos blocos de anotações de tijolos de dados obsoletos.
- Azureml-TensorBoard
  - Corrigir descrições de pacotes pypi para azureml-interpret, azureml-explain-model, azureml-contrib-interpret e azureml-tensorboard
- azureml-train-automl-runtime
  - painel de visualização removido do pacote azureml-contrib-interpret, cliente de explicação movido para o pacote azureml-interpret e preterido no pacote azureml-contrib-interpret e blocos de anotações atualizados para refletir a API aprimorada
- azureml-widgets
  - painel de visualização removido do pacote azureml-contrib-interpret, cliente de explicação movido para o pacote azureml-interpret e preterido no pacote azureml-contrib-interpret e blocos de anotações atualizados para refletir a API aprimorada

2020-09-21

SDK do Azure Machine Learning para Python v1.14.0

Correções de bugs e melhorias
- azure-cli-ml
  - A criação de perfil de grade foi removida do SDK e não é mais suportada.
- azureml-accel-models
  - azureml-accel-models pacote agora suporta TensorFlow 2.x
- azureml-automl-core
  - Tratamento de erros adicionado no get_output para casos em que as versões locais de pandas/sklearn não correspondem às usadas durante o treinamento
- azureml-automl-runtime
  - Corrigido um bug em que as iterações do AutoArima falhavam com um PredictionException e a mensagem: "Falha silenciosa ocorreu durante a previsão."
- azureml-cli-common
  - A criação de perfil de grade foi removida do SDK e não é mais suportada.
- azureml-contrib-server
  - Atualizar a descrição do pacote para a página de visão geral do pypi.
- azureml-core
  - A criação de perfil de grade foi removida do SDK e não é mais suportada.
  - Reduza o número de mensagens de erro quando a recuperação do espaço de trabalho falhar.
  - Não mostrar aviso quando a busca de metadados falhar
  - Novo Kusto Step e Kusto Compute Target.
  - Documento de atualização para o parâmetro sku. Remova o sku na funcionalidade de atualização do espaço de trabalho na CLI e no SDK.
  - Atualizar a descrição do pacote para a página de visão geral do pypi.
  - Documentação atualizada para Ambientes do Azure Machine Learning.
  - Exponha as configurações de recursos gerenciados pelo serviço para o espaço de trabalho AML no SDK.
- Azureml-DataPrep
  - Habilite a permissão de execução em arquivos para montagem de conjunto de dados.
- Azureml-MLFLOW
  - Documentação atualizada do Azure Machine Learning MLflow e exemplos de bloco de notas
  - Novo suporte para projetos MLflow com back-end do Azure Machine Learning
  - Suporte ao registro do modelo MLflow
  - Adicionado suporte do Azure RBAC para operações AzureML-MLflow
- azureml-pipeline-core
  - Melhorou a documentação dos métodos PipelineOutputFileDataset.parse_*.
  - Novo Kusto Step e Kusto Compute Target.
  - Propriedade Swaggerurl fornecida para entidade pipeline-endpoint por meio dessa pessoa que pode ver a definição de esquema para o ponto de extremidade de pipeline publicado.
- azureml-pipeline-steps
  - Novo Kusto Step e Kusto Compute Target.
- telemetria azureml
  - Atualizar a descrição do pacote para a página de visão geral do pypi.
- azureml-trem
  - Atualizar a descrição do pacote para a página de visão geral do pypi.
- azureml-train-automl-client
  - Tratamento de erros adicionado no get_output para casos em que as versões locais de pandas/sklearn não correspondem às usadas durante o treinamento
- azureml-train-core
  - Atualizar a descrição do pacote para a página de visão geral do pypi.

2020-08-31

SDK do Azure Machine Learning para Python v1.13.0

Funcionalidades de pré-visualização
- azureml-core Com o novo recurso de conjuntos de dados de saída, você pode gravar de volta no armazenamento em nuvem, incluindo Blob, ADLS Gen 1, ADLS Gen 2 e FileShare. Você pode configurar onde produzir dados, como produzir dados (via montagem ou upload), se deseja registrar os dados de saída para futura reutilização e compartilhamento e passar dados intermediários entre as etapas do pipeline sem problemas. Isso permite a reprodutibilidade, o compartilhamento, evita a duplicação de dados e resulta em eficiência de custos e ganhos de produtividade. Saiba como usá-lo
Correções de bugs e melhorias
- azureml-automl-core
  - Adicionado arquivo validated_{platform}_requirements.txt para fixar todas as dependências de pip para AutoML.
  - Esta versão suporta modelos com mais de 4 Gb.
  - Dependências AutoML atualizadas: scikit-learn (agora 0.22.1), pandas (agora 0.25.1), numpy (agora 1.18.2).
- azureml-automl-runtime
  - Defina horovod para texto DNN para sempre usar compressão fp16.
  - Esta versão suporta modelos com mais de 4 Gb.
  - Corrigido o problema em que o AutoML falhava com ImportError: não é possível importar o nome RollingOriginValidator.
  - Dependências AutoML atualizadas: scikit-learn (agora 0.22.1), pandas (agora 0.25.1), numpy (agora 1.18.2).
- azureml-contrib-automl-dnn-previsão
  - Dependências AutoML atualizadas: scikit-learn (agora 0.22.1), pandas (agora 0.25.1), numpy (agora 1.18.2).
- azureml-contrib-equidade
  - Forneça uma breve descrição para azureml-contrib-fairness.
- azureml-contrib-pipeline-steps
  - Mensagem adicionada indicando que este pacote foi preterido e o usuário deve usar azureml-pipeline-steps em vez disso.
- azureml-core
  - Adicionado comando de chave de lista para espaço de trabalho.
  - Adicione o parâmetro tags no SDK e na CLI do espaço de trabalho.
  - Corrigido o bug em que o envio de uma execução filho com Dataset falha devido ao TypeError: can't pickle _thread.RLock objects.
  - Adicionando page_count padrão/documentação para Model list().
  - Modifique CLI&SDK para usar o parâmetro adbworkspace e Add workspace adb lin/unlink runner.
  - Corrigir bug em Dataset.update que fazia com que a versão mais recente do Dataset fosse atualizada e não a versão da atualização do Dataset foi chamada.
  - Corrija um bug no Dataset.get_by_name que mostraria as tags para a versão mais recente do conjunto de dados, mesmo quando uma versão mais antiga específica fosse recuperada.
- azureml-interpret
  - Adicionadas saídas de probabilidade aos explicadores de pontuação de shap em azureml-interpret com base em shap_values_output parâmetro do explicador original.
- azureml-pipeline-core
  - Documentação melhorada PipelineOutputAbstractDataset.register.
- azureml-train-automl-client
  - Dependências AutoML atualizadas: scikit-learn (agora 0.22.1), pandas (agora 0.25.1), numpy (agora 1.18.2).
- azureml-train-automl-runtime
  - Dependências AutoML atualizadas: scikit-learn (agora 0.22.1), pandas (agora 0.25.1), numpy (agora 1.18.2).
- azureml-train-core
  - Os usuários agora devem fornecer um hyperparameter_sampling arg válido ao criar um HyperDriveConfig. Além disso, a documentação do HyperDriveRunConfig foi editada para informar os usuários sobre a substituição do HyperDriveRunConfig.
  - Revertendo a versão padrão do PyTorch para 1.4.
  - Adição de imagens PyTorch 1.6 & TensorFlow 2.2 e ambiente com curadoria.

Experiência de Notebooks do estúdio Azure Machine Learning (Atualização de agosto)

Novas funcionalidades
- Nova página de destino de introdução
Funcionalidades de pré-visualização
- Recurso Reunir em Blocos de Anotações. Com o recurso Recolher , os usuários agora podem limpar facilmente os blocos de anotações com, o Gather usa uma análise de dependência automatizada do seu notebook, garantindo que o código essencial seja mantido, mas removendo quaisquer peças irrelevantes.
Correções de bugs e melhorias
- Melhoria na velocidade e confiabilidade
- Bugs do modo escuro corrigidos
- Bugs de rolagem de saída corrigidos
- A Pesquisa de Exemplo agora pesquisa todo o conteúdo de todos os arquivos no repositório de blocos de anotações de exemplo do Azure Machine Learning
- As células R de várias linhas podem agora ser executadas
- "Eu confio no conteúdo deste arquivo" agora é verificado automaticamente após a primeira vez
- Caixa de diálogo de resolução de conflitos melhorada, com a nova opção "Fazer uma cópia"

2020-08-17

SDK do Azure Machine Learning para Python v1.12.0

Correções de bugs e melhorias
- azure-cli-ml
  - Adicione parâmetros image_name e image_label a Model.package() para permitir a renomeação da imagem do pacote compilado.
- azureml-automl-core
  - O AutoML gera um novo código de erro do dataprep quando o conteúdo é modificado durante a leitura.
- azureml-automl-runtime
  - Alertas adicionados para o usuário quando os dados contêm valores ausentes, mas a featurização está desativada.
  - O filho fixo executa falhas quando os dados contêm nan e a featurização está desativada.
  - O AutoML gera um novo código de erro do dataprep quando o conteúdo é modificado durante a leitura.
  - Normalização atualizada para que as métricas de previsão ocorram por grão.
  - Cálculo aprimorado de quantis de previsão quando os recursos de retrospetiva são desativados.
  - Manipulação de matriz esparsa de bool fixa ao calcular explicações após o AutoML.
- azureml-core
  - Um novo método run.get_detailed_status() agora mostra a explicação detalhada do status de execução atual. Atualmente, ele está mostrando apenas a explicação para Queued o status.
  - Adicione parâmetros image_name e image_label a Model.package() para permitir a renomeação da imagem do pacote compilado.
  - Novo método set_pip_requirements() para definir toda a seção pip de CondaDependencies uma só vez.
  - Habilite o registro do armazenamento de dados ADLS Gen2 sem credenciais.
  - Mensagem de erro melhorada ao tentar transferir ou montar um tipo de conjunto de dados incorreto.
  - Atualize o bloco de anotações de exemplo de filtro de conjunto de dados de séries temporais com mais exemplos de partition_timestamp que fornecem otimização de filtro.
  - Altere o sdk e a CLI para aceitar subscriptionId, resourceGroup, workspaceName, peConnectionName como parâmetros em vez de ArmResourceId ao excluir a conexão de ponto de extremidade privado.
  - O Decorador Experimental mostra o nome da classe para facilitar a identificação.
  - As descrições dos Ativos dentro dos Modelos não são mais geradas automaticamente com base em uma Execução.
- azureml-datadrift
  - Marque create_from_model API no DataDriftDetector como sendo preterida.
- Azureml-DataPrep
  - Mensagem de erro melhorada ao tentar transferir ou montar um tipo de conjunto de dados incorreto.
- azureml-pipeline-core
  - Corrigido bug ao desserializar o gráfico de pipeline que contém conjuntos de dados registrados.
- azureml-pipeline-steps
  - O RScriptStep suporta RSection de azureml.core.environment.
  - Removido o parâmetro passthru_automl_config da API pública e convertido-o AutoMLStep em um parâmetro apenas interno.
- azureml-train-automl-client
  - Ambiente gerenciado assíncrono local removido do AutoML. Todas as execuções locais são executadas no ambiente a partir do qual a execução foi lançada.
  - Corrigidos problemas de snapshot ao enviar o AutoML é executado sem scripts fornecidos pelo usuário.
  - Corrigidas falhas de execução filho quando os dados contêm nan e a featurização está desativada.
- azureml-train-automl-runtime
  - O AutoML gera um novo código de erro do dataprep quando o conteúdo é modificado durante a leitura.
  - Corrigidos problemas de snapshot ao enviar o AutoML é executado sem scripts fornecidos pelo usuário.
  - Corrigidas falhas de execução filho quando os dados contêm nan e a featurização está desativada.
- azureml-train-core
  - Adicionado suporte para especificar opções pip (por exemplo--extra-index-url) no arquivo de requisitos pip passado para um Estimator parâmetro through pip_requirements_file .

2020-08-03

SDK do Azure Machine Learning para Python v1.11.0

Correções de bugs e melhorias
- azure-cli-ml
  - Corrigir estrutura de modelo e estrutura de modelo não passada no objeto de execução no caminho de registro do modelo CLI
  - Corrija o comando amlcompute identity show da CLI para mostrar o ID do locatário e o ID principal
- azureml-train-automl-client
  - Adicionado get_best_child () ao AutoMLRun para buscar a melhor execução filho para uma execução AutoML sem baixar o modelo associado.
  - Adicionado objeto ModelProxy que permite prever ou prever ser executado em um ambiente de treinamento remoto sem baixar o modelo localmente.
  - As exceções não tratadas no AutoML agora apontam para uma página HTTP de problemas conhecidos, onde mais informações sobre os erros podem ser encontradas.
- azureml-core
  - Os nomes dos modelos podem ter 255 caracteres.
  - Environment.get_image_details() tipo de objeto de retorno alterado. DockerImageDetails classe substituída dict, os detalhes da imagem estão disponíveis nas propriedades da nova classe. As alterações são compatíveis com versões anteriores.
  - Corrigir bug para Environment.from_pip_requirements() para preservar a estrutura de dependências
  - Corrigido um bug em que log_list falharia se um int e um double fossem incluídos na mesma lista.
  - Ao habilitar o link privado em um espaço de trabalho existente, observe que, se houver destinos de computação associados ao espaço de trabalho, esses destinos não funcionarão se não estiverem atrás da mesma rede virtual que o ponto de extremidade privado do espaço de trabalho.
  - Tornado as_named_input opcional ao usar conjuntos de dados em experimentos e adicionado as_mount e as_download ao FileDataset. O nome de entrada é gerado automaticamente se as_mount ou as_download é chamado.
- azureml-automl-core
  - As exceções não tratadas no AutoML agora apontam para uma página HTTP de problemas conhecidos, onde mais informações sobre os erros podem ser encontradas.
  - Adicionado get_best_child () ao AutoMLRun para buscar a melhor execução filho para uma execução AutoML sem baixar o modelo associado.
  - Adicionado objeto ModelProxy que permite prever ou prever ser executado em um ambiente de treinamento remoto sem baixar o modelo localmente.
- azureml-pipeline-steps
  - Adicionado enable_default_model_output e enable_default_metrics_output sinaliza a AutoMLStep. Esses sinalizadores podem ser usados para ativar/desabilitar as saídas padrão.

2020-07-20

SDK do Azure Machine Learning para Python v1.10.0

Correções de bugs e melhorias
- azureml-automl-core
  - Ao usar AutoML, se um caminho for passado para o objeto AutoMLConfig e ainda não existir, ele será criado automaticamente.
  - Os usuários agora podem especificar uma frequência de série temporal para tarefas de previsão usando o freq parâmetro.
- azureml-automl-runtime
  - Ao usar AutoML, se um caminho for passado para o objeto AutoMLConfig e ainda não existir, ele será criado automaticamente.
  - Os usuários agora podem especificar uma frequência de série temporal para tarefas de previsão usando o freq parâmetro.
  - O AutoML Forecasting agora oferece suporte à avaliação contínua, que se aplica ao caso de uso em que o comprimento de um conjunto de teste ou validação é maior do que o horizonte de entrada e o valor de y_pred conhecido é usado como contexto de previsão.
- azureml-core
  - As mensagens de aviso são impressas se nenhum arquivo for baixado do armazenamento de dados em uma execução.
  - Documentação adicionada para skip_validation o Datastore.register_azure_sql_database method.
  - Os usuários precisam atualizar para o sdk v1.10.0 ou superior para criar um ponto de extremidade privado aprovado automaticamente. Isso inclui o recurso Notebook que pode ser usado por trás da rede virtual.
  - Exponha NotebookInfo na resposta de obter espaço de trabalho.
  - Alterações para que as chamadas para listar destinos de computação e obter destino de computação sejam bem-sucedidas em uma execução remota. As funções do SDK para obter destinos de computação e listar destinos de computação do espaço de trabalho agora funcionam em execuções remotas.
  - Adicione mensagens de substituição às descrições de classe para classes azureml.core.image.
  - Lance exceção e limpe o espaço de trabalho e os recursos dependentes se a criação de ponto de extremidade privado do espaço de trabalho falhar.
  - Suporte a atualização de sku de espaço de trabalho no método de atualização de espaço de trabalho.
- azureml-datadrift
  - Atualize a versão matplotlib de 3.0.2 para 3.2.1 para suportar Python 3.8.
- Azureml-DataPrep
  - Adicionado suporte de fontes de dados de URL da Web com Range ou Head solicitação.
  - Estabilidade melhorada para montagem e transferência de conjuntos de dados de ficheiros.
- azureml-train-automl-client
  - Corrigidos problemas relacionados à remoção de RequirementParseError setuptools.
  - Use docker em vez de conda para execuções locais enviadas usando "compute_target='local'"
  - A duração da iteração impressa no console foi corrigida. Anteriormente, a duração da iteração às vezes era impressa como tempo de término de execução menos tempo de criação de execução. Foi corrigido para igual tempo de fim de execução menos tempo de início de execução.
  - Ao usar AutoML, se um caminho for passado para o objeto AutoMLConfig e ainda não existir, ele será criado automaticamente.
  - Os usuários agora podem especificar uma frequência de série temporal para tarefas de previsão usando o freq parâmetro.
- azureml-train-automl-runtime
  - Saída de console aprimorada quando as melhores explicações do modelo falham.
  - Parâmetro de entrada renomeado para "blocked_models" para remover um termo sensível.
    - Parâmetro de entrada renomeado para "allowed_models" para remover um termo sensível.
  - Os usuários agora podem especificar uma frequência de série temporal para tarefas de previsão usando o freq parâmetro.

2020-07-06

SDK do Azure Machine Learning para Python v1.9.0

Correções de bugs e melhorias
- azureml-automl-core
  - Substituído get_model_path() por AZUREML_MODEL_DIR variável de ambiente no script de pontuação gerado automaticamente pelo AutoML. Também foi adicionada telemetria para rastrear falhas durante o init().
  - Removida a capacidade de especificar enable_cache como parte do AutoMLConfig
  - Corrigido um bug em que as execuções podiam falhar com erros de serviço durante execuções de previsão específicas
  - Tratamento de erros melhorado em modelos específicos durante get_output
  - Chamada fixa para fitted_model.fit(X, y) para classificação com transformador y
  - Imputador de preenchimento avançado personalizado habilitado para tarefas de previsão
  - Uma nova classe ForecastingParameters é usada em vez de prever parâmetros em um formato de ditado
  - Deteção automática de atraso de destino melhorada
  - Adicionada disponibilidade limitada de featurização distribuída multi-nó e multi-gpu com BERT
- azureml-automl-runtime
  - Prophet agora faz modelagem de sazonalidade aditiva em vez de multiplicativa.
  - Corrigido o problema quando grãos curtos, ter frequências diferentes das dos grãos longos resulta em execuções falhadas.
- azureml-contrib-automl-dnn-vision
  - Colete estatísticas do sistema/gpu e registre médias para treinamento e pontuação
- azureml-contrib-mir
  - Adicionado suporte para o sinalizador enable-app-insights em ManagedInferencing
- azureml-core
  - Um parâmetro de validação para essas APIs, permitindo que a validação seja ignorada quando a fonte de dados não estiver acessível a partir da computação atual.
    - TabularDataset.time_before(end_time, include_boundary=Verdadeiro, validar=Verdadeiro)
    - TabularDataset.time_after(start_time, include_boundary=Verdadeiro, validar=Verdadeiro)
    - TabularDataset.time_recent(time_delta, include_boundary=Verdadeiro, validar=Verdadeiro)
    - TabularDataset.time_between(start_time, end_time, include_boundary=True, validate=True)
  - Adicionado suporte de filtragem de estrutura para lista de modelos e adicionado exemplo de NCD AutoML na parte traseira do notebook
  - Para Datastore.register_azure_blob_container e Datastore.register_azure_file_share (apenas opções que suportam o token SAS), atualizamos as cadeias de caracteres de documento para o sas_token campo para incluir requisitos mínimos de permissões para cenários típicos de leitura e gravação.
  - Descontinuando _with_auth param em ws.get_mlflow_tracking_uri()
- Azureml-MLFLOW
  - Adicione suporte para implantar modelos file:// locais com o AzureML-MLflow
  - Descontinuando _with_auth param em ws.get_mlflow_tracking_uri()
- Azureml-OpenDataSets
  - Conjuntos de dados de rastreamento de Covid-19 publicados recentemente estão agora disponíveis com o SDK
- azureml-pipeline-core
  - Aviso de logout quando "azureml-defaults" não estiver incluído como parte da dependência de pip
  - Melhore a renderização de notas.
  - Adicionado suporte para quebras de linha entre aspas ao analisar arquivos delimitados para PipelineOutputFileDataset.
  - A classe PipelineDataset foi preterida. Para obter mais informações, veja https://aka.ms/dataset-deprecation. Saiba como usar o conjunto de dados com pipeline, consulte https://aka.ms/pipeline-with-dataset.
- azureml-pipeline-steps
  - Atualizações de documentos para azureml-pipeline-steps.
  - Adicionado suporte em ParallelRunConfig load_yaml() para que os usuários definam ambientes em linha com o resto da configuração ou em um arquivo separado
- azureml-train-automl-client.
  - Removida a capacidade de especificar enable_cache como parte do AutoMLConfig
- azureml-train-automl-runtime
  - Adicionada disponibilidade limitada de featurização distribuída multi-nó e multi-gpu com BERT.
  - Adicionado tratamento de erros para pacotes incompatíveis em execuções de aprendizado de máquina automatizadas baseadas em ADB.
- azureml-widgets
  - Atualizações de documentos para azureml-widgets.

2020-06-22

SDK do Azure Machine Learning para Python v1.8.0

Funcionalidades de pré-visualização
- azureml-contrib-fairness O azureml-contrib-fairness pacote fornece integração entre a avaliação de equidade de código aberto e o pacote de mitigação de injustiça Fairlearn e o estúdio Azure Machine Learning. Em particular, o pacote permite que os painéis de avaliação de equidade de modelo sejam carregados como parte de uma Execução do Azure Machine Learning e apareçam no estúdio do Azure Machine Learning
Correções de bugs e melhorias
- azure-cli-ml
  - Suporte a obtenção de logs do contêiner init.
  - Adicionados novos comandos da CLI para gerenciar ComputeInstance
- azureml-automl-core
  - Os usuários agora podem habilitar a iteração de conjunto de pilha para tarefas de séries temporais com um aviso de que ela pode ser sobreajustada.
  - Adicionado um novo tipo de exceção de usuário que é gerado se o conteúdo do armazenamento de cache tiver sido adulterado
- azureml-automl-runtime
  - A Varredura de Balanceamento de Classes não estará mais habilitada se o usuário desabilitar a featurização.
- azureml-contrib-notebook
  - Melhorias no documento para o pacote azureml-contrib-notebook.
- azureml-contrib-pipeline-steps
  - Melhorias no documento azureml-contrib--pipeline-steps package.
- azureml-core
  - Adicionar set_connection, get_connection, list_connections delete_connection funções para o cliente operar no recurso de conexão do espaço de trabalho
  - Atualizações da documentação para o pacote azureml-coore/azureml.exceptions.
  - Atualizações da documentação para o pacote azureml-core.
  - Doc atualiza para a classe ComputeInstance.
  - Melhorias no documento para o pacote azureml-core/azureml.core.compute.
  - Melhorias no documento para classes relacionadas a serviços Web no azureml-core.
  - Suporte ao armazenamento de dados selecionado pelo usuário para armazenar dados de criação de perfil
  - Adicionada propriedade de expansão e page_count para a API de lista de modelos
  - Corrigido o bug em que a remoção da propriedade overwrite faz com que a execução enviada falhe com erro de desserialização.
  - Corrigida a estrutura de pastas inconsistente ao baixar ou montar um FileDataset fazendo referência a um único arquivo.
  - Carregar um conjunto de dados de arquivos de parquet to_spark_dataframe agora é mais rápido e suporta todos os tipos de dados parquet e Spark SQL.
  - Suporte a obtenção de logs do contêiner init.
  - As execuções do AutoML agora são marcadas como execução filho da Etapa de Execução Paralela.
- azureml-datadrift
  - Melhorias no documento para o pacote azureml-contrib-notebook.
- Azureml-DataPrep
  - Carregar um conjunto de dados de arquivos de parquet to_spark_dataframe agora é mais rápido e suporta todos os tipos de dados parquet e Spark SQL.
  - Melhor manipulação de memória para o problema OutOfMemory para to_pandas_dataframe.
- azureml-interpret
  - azureml-interpret atualizado para usar a comunidade de interpretação versão 0.12.*
- Azureml-MLFLOW
  - Melhorias do Doc para azureml-mlflow.
  - Adiciona suporte para registro de modelo AML com MLFlow.
- Azureml-OpenDataSets
  - Adicionado suporte para Python 3.8
- azureml-pipeline-core
  - Documentação atualizada PipelineDatasetpara deixar claro que se trata de uma classe interna.
  - Atualizações do ParallelRunStep para aceitar vários valores para um argumento, por exemplo: "--group_column_names", "Col1", "Col2", "Col3"
  - Removido o requisito de passthru_automl_config para uso intermediário de dados com AutoMLStep em Pipelines.
- azureml-pipeline-steps
  - Melhorias no documento para o pacote azureml-pipeline-steps.
  - Removido o requisito de passthru_automl_config para uso intermediário de dados com AutoMLStep em Pipelines.
- telemetria azureml
  - Melhorias do Doc para azureml-telemetria.
- azureml-train-automl-client
  - Corrigido um bug em que experiment.submit() chamado duas vezes em um objeto resultava em comportamento AutoMLConfig diferente.
  - Os usuários agora podem habilitar a iteração de conjunto de pilha para tarefas de séries temporais com um aviso de que ela pode ser sobreajustada.
  - Comportamento de execução do AutoML alterado para gerar UserErrorException se o serviço gerar erro do usuário
  - Corrige um bug que fazia com que azureml_automl.log não fossem gerados ou faltassem logs ao executar um experimento AutoML em um destino de computação remoto.
  - Para conjuntos de dados de Classificação com classes desequilibradas, aplicamos o Balanceamento de Peso, se o varredor de recursos determinar que, para dados subamostrados, o Balanceamento de Peso melhora o desempenho da tarefa de classificação em um determinado limite.
  - As execuções do AutoML agora são marcadas como execução filho da Etapa de Execução Paralela.
- azureml-train-automl-runtime
  - Comportamento de execução do AutoML alterado para gerar UserErrorException se o serviço gerar erro do usuário
  - As execuções do AutoML agora são marcadas como execução filho da Etapa de Execução Paralela.

2020-06-08

SDK do Azure Machine Learning para Python v1.7.0

Correções de bugs e melhorias
- azure-cli-ml
  - Concluída a remoção da criação de perfil de modelo do mir contrib limpando os comandos da CLI e as dependências do pacote, a criação de perfil do modelo está disponível no núcleo.
  - Atualiza a versão min da CLI do Azure para 2.3.0
- azureml-automl-core
  - Melhor mensagem de exceção na etapa de featurização fit_transform() devido aos parâmetros personalizados do transformador.
  - Adicione suporte para vários idiomas para modelos de transformadores de aprendizagem profunda, como BERT em ML automatizado.
  - Remova o parâmetro lag_length preterido da documentação.
  - A documentação dos parâmetros de previsão foi melhorada. O parâmetro lag_length foi preterido.
- azureml-automl-runtime
  - Corrigido o erro gerado quando uma das colunas categóricas está vazia no tempo de previsão/teste.
  - Corrija as falhas de execução que acontecem quando os recursos de lookback estão habilitados e os dados contêm grãos curtos.
  - Corrigido o problema com a mensagem de erro de índice de tempo duplicado quando os atrasos ou janelas rolantes eram definidos como 'auto'.
  - Corrigido o problema com os modelos Prophet e Arima em conjuntos de dados, contendo os recursos de retrospetiva.
  - Adicionado suporte de datas anteriores a 1677-09-21 ou posteriores a 2262-04-11 em colunas diferentes da data hora nas tarefas de previsão. Mensagens de erro melhoradas.
  - A documentação dos parâmetros de previsão foi melhorada. O parâmetro lag_length foi preterido.
  - Melhor mensagem de exceção na etapa de featurização fit_transform() devido aos parâmetros personalizados do transformador.
  - Adicione suporte para vários idiomas para modelos de transformadores de aprendizagem profunda, como BERT em ML automatizado.
  - Operações de cache que resultam em alguns OSErrors gera erro do usuário.
  - Verificações adicionadas para garantir que os dados de treinamento e validação tenham o mesmo número e conjunto de colunas
  - Corrigido o problema com o script de pontuação AutoML gerado automaticamente quando os dados contêm aspas
  - Habilitando explicações para o AutoML Prophet e modelos de conjunto que contêm o modelo Prophet.
  - Um problema recente do cliente revelou um bug no site ao vivo em que registramos mensagens ao longo do Balanceamento de Classes, mesmo quando a lógica de Balanceamento de Classes não está habilitada corretamente. Removendo esses logs/mensagens com este PR.
- azureml-cli-common
  - Concluída a remoção da criação de perfil de modelo do mir contrib limpando os comandos da CLI e as dependências do pacote, a criação de perfil do modelo está disponível no núcleo.
- azureml-contrib-reinforcementlearning
  - Ferramenta de teste de carga
- azureml-core
  - Alterações na documentação Script_run_config.py
  - Corrige um bug com a impressão da saída da CLI de run-submit-pipeline
  - Melhorias na documentação para azureml-core/azureml.data
  - Corrige o problema de recuperação da conta de armazenamento usando o comando hdfs getconf
  - Documentação de register_azure_blob_container e register_azure_file_share melhorada
- azureml-datadrift
  - Implementação aprimorada para desabilitar e habilitar monitores de desvio de conjunto de dados
- azureml-interpret
  - No cliente de explicação, remova NaNs ou Infs antes da serialização json no upload de artefatos
  - Atualize para a versão mais recente da comunidade de interpretação para melhorar os erros de falta de memória para explicações globais com muitos recursos e classes
  - Adicione true_ys parâmetro opcional ao carregamento de explicações para habilitar mais recursos na interface do usuário do estúdio
  - Melhorar o desempenho download_model_explanations() e list_model_explanations()
  - Pequenos ajustes em notebooks, para ajudar na depuração
- Azureml-OpenDataSets
  - azureml-opendatasets precisa azureml-dataprep versão 1.4.0 ou superior. Aviso adicionado se a versão inferior for detetada
- azureml-pipeline-core
  - Essa alteração permite que o usuário forneça um runconfig opcional para o moduleVersion ao chamar o módulo. Publish_python_script.
  - Habilitar conta de nó pode ser um parâmetro de pipeline em ParallelRunStep em azureml.pipeline.steps
- azureml-pipeline-steps
  - Essa alteração permite que o usuário forneça um runconfig opcional para o moduleVersion ao chamar o módulo. Publish_python_script.
- azureml-train-automl-client
  - Adicione suporte para vários idiomas para modelos de transformadores de aprendizagem profunda, como BERT em ML automatizado.
  - Remova o parâmetro lag_length preterido da documentação.
  - A documentação dos parâmetros de previsão foi melhorada. O parâmetro lag_length foi preterido.
- azureml-train-automl-runtime
  - Habilitando explicações para o AutoML Prophet e modelos de conjunto que contêm o modelo Prophet.
  - Atualizações de documentação para pacotes azureml-train-automl-*.
- azureml-train-core
  - Suporte ao TensorFlow versão 2.1 no PyTorch Estimator
  - Melhorias no pacote azureml-train-core.

2020-05-26

SDK do Azure Machine Learning para Python v1.6.0

Novas funcionalidades
- azureml-automl-runtime
  - O AutoML Forecasting agora oferece suporte à previsão dos clientes além do horizonte máximo pré-especificado sem retreinar o modelo. Quando o destino da previsão está mais longe no futuro do que o horizonte máximo especificado, a função forecast() ainda faz previsões pontuais para a data posterior usando um modo de operação recursiva. Para obter a ilustração do novo recurso, consulte a seção "Previsão mais longe do que o horizonte máximo" do bloco de anotações "função de previsão-previsão" na pasta."
- azureml-pipeline-steps
  - O ParallelRunStep foi lançado e faz parte do pacote azureml-pipeline-steps . O ParallelRunStep existente no pacote azureml-contrib-pipeline-steps foi preterido. Alterações da versão de pré-visualização pública:
    - Adicionado run_max_try parâmetro configurável opcional para controlar o método max call to run para qualquer lote, o valor padrão é 3.
    - Nenhum PipelineParameters é gerado automaticamente. Os seguintes valores configuráveis podem ser definidos como PipelineParameter explicitamente.
      - mini_batch_size
      - node_count
      - process_count_per_node
      - logging_level
      - run_invocation_timeout
      - run_max_try
    - O valor padrão para process_count_per_node é alterado para 1. O usuário deve ajustar esse valor para um melhor desempenho. A prática recomendada é definir como o número de GPU ou nó de CPU tem.
    - ParallelRunStep não injeta nenhum pacote, o usuário precisa incluir pacotes azureml-core e azureml-dataprep[pandas, fuse] na definição do ambiente. Se a imagem docker personalizada for usada com user_managed_dependencies, o usuário precisará instalar o conda na imagem.
Mudanças significativas
- azureml-pipeline-steps
  - Preterido o uso de azureml.dprep.Dataflow como um tipo válido de entrada para AutoMLConfig
- azureml-train-automl-client
  - Preterido o uso de azureml.dprep.Dataflow como um tipo válido de entrada para AutoMLConfig
Correções de bugs e melhorias
- azureml-automl-core
  - Corrigido o bug em que um aviso pode ser impresso durante get_output o usuário solicitado a fazer downgrade do cliente.
  - Mac atualizado para confiar em cudatoolkit=9.0, pois ainda não está disponível na versão 10.
  - Remoção de restrições em modelos prophet e xgboost quando treinados em computação remota.
  - Registo melhorado no AutoML
  - O tratamento de erros para featurização personalizada em tarefas de previsão foi melhorado.
  - Funcionalidade adicionada para permitir que os usuários incluam recursos com atraso para gerar previsões.
  - Atualizações para a mensagem de erro para exibir corretamente o erro do usuário.
  - Suporte para cv_split_column_names a ser usado com training_data
  - Atualize o registro da mensagem de exceção e rastreamento.
- azureml-automl-runtime
  - Habilite guarda-corpos para prever imputações de valor ausentes.
  - Registo melhorado no AutoML
  - Tratamento de erros refinado adicionado para exceções de preparação de dados
  - Remoção de restrições em modelos prophet e xgboost quando treinados em computação remota.
  - azureml-train-automl-runtime e azureml-automl-runtime ter dependências atualizadas para pytorch, scipye cudatoolkit. agora apoiamos pytorch==1.4.0, scipy>=1.0.0,<=1.3.1e cudatoolkit==10.1.243.
  - O tratamento de erros para featurização personalizada em tarefas de previsão foi melhorado.
  - O mecanismo de deteção de frequência do conjunto de dados de previsão foi melhorado.
  - Corrigido o problema com o treinamento do modelo Prophet em alguns conjuntos de dados.
  - A deteção automática do horizonte máximo durante a previsão foi melhorada.
  - Funcionalidade adicionada para permitir que os usuários incluam recursos com atraso para gerar previsões.
  - Adiciona funcionalidade na função de previsão para permitir o fornecimento de previsões além do horizonte treinado sem retreinar o modelo de previsão.
  - Suporte para cv_split_column_names a ser usado com training_data
- azureml-contrib-automl-dnn-previsão
  - Registo melhorado no AutoML
- azureml-contrib-mir
  - Adicionado suporte para serviços do Windows em ManagedInferencing
  - Remova fluxos de trabalho MIR antigos, como anexar computação MIR, classe SingleModelMirWebservice - Limpar a criação de perfil do modelo colocada no pacote contrib-mir
- azureml-contrib-pipeline-steps
  - Pequena correção para suporte YAML
  - ParallelRunStep é liberado para disponibilidade geral - azureml.contrib.pipeline.steps tem um aviso de descontinuação e é movido para azureml.pipeline.steps
- azureml-contrib-reinforcementlearning
  - Ferramenta de teste de carga RL
  - O estimador RL tem padrões inteligentes
- azureml-core
  - Remova fluxos de trabalho MIR antigos, como anexar computação MIR, classe SingleModelMirWebservice - Limpar a criação de perfil do modelo colocada no pacote contrib-mir
  - Corrigidas as informações fornecidas ao usuário na falha de criação de perfil: incluiu ID de solicitação e reformulou a mensagem para ser mais significativa. Adicionado novo fluxo de trabalho de criação de perfil para corredores de criação de perfil
  - Texto de erro melhorado em falhas de execução do conjunto de dados.
  - Suporte à CLI de link privado do espaço de trabalho adicionado.
  - Adicionado um parâmetro invalid_lines opcional para Dataset.Tabular.from_json_lines_files que permite especificar como lidar com linhas que contêm JSON inválido.
  - Iremos substituir a criação baseada em execução da computação na próxima versão. Recomendamos criar um cluster Amlcompute real como um destino de computação persistente e usar o nome do cluster como o destino de computação em sua configuração de execução. Veja o exemplo de caderno aqui: aka.ms/amlcomputenb
  - Mensagens de erro melhoradas em falhas de execução do conjunto de dados.
- Azureml-DataPrep
  - Feito aviso para atualizar a versão pyarrow mais explícito.
  - Tratamento de erros melhorado e mensagem retornada em falha na execução do fluxo de dados.
- azureml-interpret
  - Atualizações da documentação para o pacote azureml-interpret.
  - Pacotes de interpretabilidade e notebooks fixos para serem compatíveis com a atualização mais recente do sklearn
- Azureml-OpenDataSets
  - return Nenhum quando não há dados retornados.
  - Melhorar o desempenho de to_pandas_dataframe.
- azureml-pipeline-core
  - Correção rápida para ParallelRunStep onde o carregamento do YAML foi interrompido
  - O ParallelRunStep é liberado para Disponibilidade Geral - azureml.contrib.pipeline.steps tem um aviso de descontinuação e é movido para azureml.pipeline.steps - os novos recursos incluem: 1. Conjuntos de dados como PipelineParameter 2. Novo parâmetro run_max_retry 3. Nome do arquivo de saída append_row configurável
- azureml-pipeline-steps
  - Azureml.dprep.Dataflow preterido como um tipo válido para dados de entrada.
  - Correção rápida para ParallelRunStep onde o carregamento do YAML foi interrompido
  - O ParallelRunStep é liberado para Disponibilidade Geral - azureml.contrib.pipeline.steps tem um aviso de descontinuação e é movido para azureml.pipeline.steps - os novos recursos incluem:
    - Conjuntos de dados como PipelineParameter
    - Novo parâmetro run_max_retry
    - Nome do arquivo de saída append_row configurável
- telemetria azureml
  - Atualize o registro da mensagem de exceção e rastreamento.
- azureml-train-automl-client
  - Registo melhorado no AutoML
  - Atualizações para a mensagem de erro para exibir corretamente o erro do usuário.
  - Suporte para cv_split_column_names a ser usado com training_data
  - Azureml.dprep.Dataflow preterido como um tipo válido para dados de entrada.
  - Mac atualizado para confiar em cudatoolkit=9.0, pois ainda não está disponível na versão 10.
  - Remoção de restrições em modelos prophet e xgboost quando treinados em computação remota.
  - azureml-train-automl-runtime e azureml-automl-runtime ter dependências atualizadas para pytorch, scipye cudatoolkit. agora apoiamos pytorch==1.4.0, scipy>=1.0.0,<=1.3.1e cudatoolkit==10.1.243.
  - Funcionalidade adicionada para permitir que os usuários incluam recursos com atraso para gerar previsões.
- azureml-train-automl-runtime
  - Registo melhorado no AutoML
  - Tratamento de erros refinado adicionado para exceções de preparação de dados
  - Remoção de restrições em modelos prophet e xgboost quando treinados em computação remota.
  - azureml-train-automl-runtime e azureml-automl-runtime ter dependências atualizadas para pytorch, scipye cudatoolkit. agora apoiamos pytorch==1.4.0, scipy>=1.0.0,<=1.3.1e cudatoolkit==10.1.243.
  - Atualizações para a mensagem de erro para exibir corretamente o erro do usuário.
  - Suporte para cv_split_column_names a ser usado com training_data
- azureml-train-core
  - Adicionado um novo conjunto de exceções específicas do HyperDrive. azureml.train.hyperdrive agora lança exceções detalhadas.
- azureml-widgets
  - Os Widgets do Azure Machine Learning não estão sendo exibidos no JupyterLab

2020-05-11

SDK do Azure Machine Learning para Python v1.5.0

Novas funcionalidades
- Funcionalidades de pré-visualização
  - azureml-contrib-reinforcementlearning
    - O Azure Machine Learning está lançando suporte de visualização para aprendizado de reforço usando a estrutura Ray . O ReinforcementLearningEstimator permite o treinamento de agentes de aprendizagem de reforço em destinos de computação de GPU e CPU no Azure Machine Learning.
Correções de bugs e melhorias
- azure-cli-ml
  - Corrige um log de aviso acidentalmente deixado para trás no meu PR anterior. O log foi usado para depuração e acidentalmente foi deixado para trás.
  - Correção de bug: informar os clientes sobre falha parcial durante a criação de perfil
- azureml-automl-core
  - Acelere o modelo Prophet/AutoArima na previsão do AutoML permitindo o ajuste paralelo para a série temporal quando os conjuntos de dados tiverem várias séries temporais. Para se beneficiar desse novo recurso, é recomendável definir "max_cores_per_iteration = -1" (ou seja, usando todos os núcleos de cpu disponíveis) no AutoMLConfig.
  - Corrigir KeyError na impressão de guarda-corpos na interface do console
  - Mensagem de erro corrigida para experimentation_timeout_hours
  - Modelos TensorFlow preteridos para AutoML.
- azureml-automl-runtime
  - Mensagem de erro corrigida para experimentation_timeout_hours
  - Exceção não classificada corrigida ao tentar desserializar do armazenamento de cache
  - Acelere o modelo Prophet/AutoArima na previsão do AutoML permitindo o ajuste paralelo para a série temporal quando os conjuntos de dados tiverem várias séries temporais.
  - Corrigida a previsão com janela rolante ativada nos conjuntos de dados onde o conjunto de teste/previsão não contém um dos grãos do conjunto de treinamento.
  - Tratamento melhorado dos dados em falta
  - Corrigido o problema com intervalos de previsão durante a previsão em conjuntos de dados, contendo séries temporais, que não estão alinhadas no tempo.
  - Adicionada uma melhor validação da forma de dados para as tarefas de previsão.
  - Melhorou a deteção de frequência.
  - Criada melhor mensagem de erro se as dobras de validação cruzada para tarefas de previsão não puderem ser geradas.
  - Corrija a interface do console para imprimir corretamente o guardrail de valor ausente.
  - Impondo verificações de tipo de dados em cv_split_indices entrada no AutoMLConfig.
- azureml-cli-common
  - Correção de bug: informar os clientes sobre falha parcial durante a criação de perfil
- azureml-contrib-mir
  - Adiciona uma classe azureml.contrib.mir.RevisionStatus, que retransmite informações sobre a revisão MIR implantada atualmente e a versão mais recente especificada pelo usuário. Esta classe está incluída no objeto MirWebservice no atributo 'deployment_status'.
  - Permite a atualização em Webservices do tipo MirWebservice e sua classe filho SingleModelMirWebservice.
- azureml-contrib-reinforcementlearning
  - Adicionado suporte para Ray 0.8.3
  - AmlWindowsCompute suporta apenas Arquivos do Azure como armazenamento montado
  - Renomeado health_check_timeout para health_check_timeout_seconds
  - Corrigidas algumas descrições de classe/método.
- azureml-core
  - WASB ativado -> Conversões de Blob nas nuvens Azure Government e China.
  - Corrige bug para permitir que as funções do Reader usem comandos az ml run CLI para obter informações de execução
  - Removido o registo desnecessário durante as Execuções Remotas do Azure Machine Learning com conjuntos de dados de entrada.
  - RCranPackage agora suporta o parâmetro "version" para a versão do pacote CRAN.
  - Correção de bug: informar os clientes sobre falha parcial durante a criação de perfil
  - Adicionado manuseamento de flutuadores de estilo europeu para azureml-core.
  - Recursos de link privado do espaço de trabalho habilitados no SDK do Azure Machine Learning.
  - Ao criar um TabularDataset usando from_delimited_files, você pode especificar se os valores vazios devem ser carregados como Nenhum ou como cadeia de caracteres vazia definindo o argumento empty_as_stringbooleano .
  - Adicionado tratamento de flutuadores de estilo europeu para conjuntos de dados.
  - Mensagens de erro melhoradas sobre falhas de montagem do conjunto de dados.
- azureml-datadrift
  - A consulta de resultados do Data Drift do SDK tinha um bug que não diferenciava as métricas de recursos mínimo, máximo e médio, resultando em valores duplicados. Corrigimos esse bug prefixando o destino ou a linha de base para os nomes das métricas. Antes: duplicar min, max, média. Depois: target_min, target_max, target_mean, baseline_min, baseline_max baseline_mean.
- Azureml-DataPrep
  - Melhore a manipulação de ambientes Python restritos de gravação ao garantir as dependências .NET necessárias para a entrega de dados.
  - Criação de fluxo de dados fixo em arquivo com registros vazios à esquerda.
  - Adicionadas opções de tratamento de erros semelhantes to_partition_iterator ao to_pandas_dataframe.
- azureml-interpret
  - Redução dos limites de comprimento do caminho de explicação para reduzir a probabilidade de ultrapassar o limite do Windows
  - Correção de bugs para explicações esparsas criadas com o explicador de mímica usando um modelo substituto linear.
- Azureml-OpenDataSets
  - Corrigir problema das colunas do MNIST são analisadas como string, que deve ser int.
- azureml-pipeline-core
  - Permitir que a opção regenerate_outputs ao usar um módulo incorporado em um ModuleStep.
- azureml-train-automl-client
  - Modelos TensorFlow preteridos para AutoML.
  - Corrigir usuários permitem listar algoritmos não suportados no modo local
  - Correções de documentos para AutoMLConfig.
  - Impondo verificações de tipo de dados em cv_split_indices entrada no AutoMLConfig.
  - Corrigido o problema com as execuções do AutoML falhando no show_output
- azureml-train-automl-runtime
  - Corrigindo um bug nas iterações do Ensemble que estava impedindo que o tempo limite de download do modelo entrasse em ação com êxito.
- azureml-train-core
  - Corrija o erro de digitação na classe azureml.train.dnn.Nccl.
  - Suporte ao PyTorch versão 1.5 no Estimador PyTorch
  - Corrigir o problema de que a imagem da estrutura não pode ser buscada na região do Azure Government ao usar estimadores de estrutura de treinamento

2020-05-04

Nova experiência de notebook

Agora você pode criar, editar e compartilhar blocos de anotações e arquivos de aprendizado de máquina diretamente dentro da experiência Web de estúdio do Azure Machine Learning. Você pode usar todas as classes e métodos disponíveis no SDK Python do Azure Machine Learning de dentro desses blocos de anotações. Para começar, visite o artigo Executar Blocos de Anotações Jupyter em seu espaço de trabalho .

Novos recursos introduzidos:

Editor aprimorado (editor de Mônaco) usado pelo Visual Studio Code
Melhorias na UI/UX
Barra de ferramentas da célula
Nova barra de ferramentas do bloco de anotações e controles de computação
Barra de Estado do Bloco de Notas
Comutação de kernel em linha
Suporte R
Melhorias de acessibilidade e localização
Paleta de comandos
Mais atalhos de teclado
Guardar automaticamente
Desempenho e fiabilidade melhorados

Aceda às seguintes ferramentas de criação baseadas na Web a partir do estúdio:

Ferramenta baseada na Web	Description
Blocos de Anotações do Azure Machine Learning Studio	Primeira criação em classe para arquivos de bloco de anotações e suporte a todas as operações disponíveis no SDK Python do Azure Machine Learning.

2020-04-27

SDK do Azure Machine Learning para Python v1.4.0

Novas funcionalidades
- Os clusters AmlCompute agora suportam a configuração de uma identidade gerenciada no cluster no momento do provisionamento. Basta especificar se você gostaria de usar uma identidade atribuída ao sistema ou uma identidade atribuída pelo usuário e passar um identityId para esta última. Em seguida, você pode configurar permissões para acessar vários recursos, como Armazenamento ou ACR, de forma que a identidade da computação seja usada para acessar os dados com segurança, em vez de uma abordagem baseada em token que a AmlCompute emprega atualmente. Confira nossa referência SDK para obter mais informações sobre os parâmetros.
Mudanças significativas
- Os clusters AmlCompute suportavam um recurso de visualização em torno da criação baseada em execução, que estamos planejando substituir em duas semanas. Você pode continuar a criar destinos de computação persistentes como sempre usando a classe Amlcompute, mas a abordagem específica de especificar o identificador "amlcompute" como o destino de computação na configuração de execução não será suportada em breve.
Correções de bugs e melhorias
- azureml-automl-runtime
  - Habilite o suporte para tipo não hashable ao calcular o número de valores exclusivos em uma coluna.
- azureml-core
  - Estabilidade melhorada ao ler a partir do Armazenamento de Blobs do Azure utilizando um TabularDataset.
  - Documentação melhorada para o grant_workspace_msi parâmetro para Datastore.register_azure_blob_store.
  - Corrigido bug com datastore.upload para apoiar o src_dir argumento terminando com um / ou \.
  - Adicionada mensagem de erro acionável ao tentar carregar para um armazenamento de dados do Armazenamento de Blobs do Azure que não tenha uma chave de acesso ou token SAS.
- azureml-interpret
  - Adicionado limite superior ao tamanho do arquivo para os dados de visualização nas explicações carregadas.
- azureml-train-automl-client
  - Verificação explícita de parâmetros label_column_name & weight_column_name para AutoMLConfig ser do tipo string.
- azureml-contrib-pipeline-steps
  - ParallelRunStep agora suporta conjunto de dados como parâmetro de pipeline. O usuário pode construir pipeline com conjunto de dados de exemplo e pode alterar o conjunto de dados de entrada do mesmo tipo (arquivo ou tabela) para nova execução de pipeline.

2020-04-13

SDK do Azure Machine Learning para Python v1.3.0

Correções de bugs e melhorias
- azureml-automl-core
  - Adicionada mais telemetria em torno das operações pós-treinamento.
  - Acelera o treinamento ARIMA automático usando treinamento de soma condicional de quadrados (CSS) para séries de comprimento superior a 100. O comprimento usado é armazenado como a constante ARIMA_TRIGGER_CSS_TRAINING_LENGTH w/na classe TimeSeriesInternal em /src/azureml-automl-core/azureml/automl/core/shared/constants.py
  - O log do usuário de execuções de previsão foi melhorado, agora mais informações sobre qual fase está sendo executada atualmente são mostradas no log
  - Não é permitido definir target_rolling_window_size valores inferiores a 2
- azureml-automl-runtime
  - Melhorada a mensagem de erro mostrada quando são encontrados carimbos de data/hora duplicados.
  - Não é permitido target_rolling_window_size a ser definido como valores inferiores a 2.
  - Corrigida a falha de imputação de atraso. O problema foi causado pelo número insuficiente de observações necessárias para decompor sazonalmente uma série. Os dados "dessazonalizados" são usados para calcular uma função de autocorrelação parcial (PACF) para determinar o comprimento do atraso.
  - Habilitada a personalização de featurização de finalidade de coluna para tarefas de previsão por configuração de featurização. Numérico e Categórico como finalidade de coluna para tarefas de previsão agora é suportado.
  - Habilitada a personalização de featurização de coluna de descarte para tarefas de previsão por configuração de featurização.
  - Personalização de imputação habilitada para tarefas de previsão por configuração de featurização. A imputação de valor constante para coluna de destino e média, mediana, most_frequent e imputação de valor constante para dados de treinamento agora são suportadas.
- azureml-contrib-pipeline-steps
  - Aceitar nomes de computação de cadeia de caracteres a serem passados para ParallelRunConfig
- azureml-core
  - API Environment.clone(new_name) adicionada para criar uma cópia do objeto Environment
  - Environment.docker.base_dockerfile aceita filepath. Se for possível resolver um arquivo, o conteúdo será lido em base_dockerfile propriedade de ambiente
  - Redefinir automaticamente valores mutuamente exclusivos para base_image e base_dockerfile quando o usuário define manualmente um valor em Environment.docker
  - Adicionado user_managed sinalizador no RSection que indica se o ambiente é gerenciado pelo usuário ou pelo Azure Machine Learning.
  - Conjunto de dados: Corrigida falha de download do conjunto de dados se o caminho de dados contiver caracteres unicode.
  - Conjunto de dados: mecanismo de cache de montagem de conjunto de dados aprimorado para respeitar o requisito mínimo de espaço em disco no Azure Machine Learning Compute, o que evita tornar o nó inutilizável e fazer com que o trabalho seja cancelado.
  - Conjunto de dados: adicionamos um índice para a coluna de séries temporais quando você acessa um conjunto de dados de séries temporais como um quadro de dados pandas, que é usado para acelerar o acesso a dados baseados em séries temporais. Anteriormente, o índice recebia o mesmo nome da coluna de carimbo de data/hora, confundindo os usuários sobre qual é a coluna de carimbo de data/hora real e qual é o índice. Agora não damos nenhum nome específico ao índice, pois ele não deve ser usado como uma coluna.
  - Conjunto de dados: Corrigido o problema de autenticação do conjunto de dados na nuvem soberana.
  - Conjunto de dados: Falha corrigida Dataset.to_spark_dataframe para conjuntos de dados criados a partir de armazenamentos de dados PostgreSQL do Azure.
- azureml-interpret
  - Adicionadas pontuações globais à visualização se os valores de importância local forem esparsos
  - azureml-interpret atualizado para usar interpret-community 0.9.*
  - Corrigido o problema com o download da explicação que tinha dados de avaliação esparsos
  - Adicionado suporte de formato esparso do objeto de explicação no AutoML
- azureml-pipeline-core
  - Suporte a ComputeInstance como destino de computação em pipelines
- azureml-train-automl-client
  - Adicionada mais telemetria em torno das operações pós-treinamento.
  - Corrigida a regressão na parada antecipada
  - Azureml.dprep.Dataflow preterido como um tipo válido para dados de entrada.
  - Alterar o tempo limite padrão do experimento AutoML para seis dias.
- azureml-train-automl-runtime
  - Adicionada mais telemetria em torno das operações pós-treinamento.
  - adicionado suporte esparso ao AutoML de ponta a ponta
- Azureml-OpenDataSets
  - Adicionada outra telemetria para o monitor de serviço.
  - Ativar a porta da frente para blob para aumentar a estabilidade

2020-03-23

SDK do Azure Machine Learning para Python v1.2.0

Mudanças significativas
- Drop suporte para Python 2.7
Correções de bugs e melhorias
- azure-cli-ml
  - Adiciona "--subscription-id" aos az ml model/computetarget/service comandos na CLI
  - Adicionando suporte para passar vault_url de chave gerenciada pelo cliente (CMK), key_name e key_version para implantação de ACI
- azureml-automl-core
  - Possibilitou imputação personalizada com valor constante para tarefas de previsão de dados X e y.
  - Corrigido o problema de mostrar mensagens de erro ao usuário.
- azureml-automl-runtime
  - Corrigido o problema com a previsão nos conjuntos de dados, contendo grãos com apenas uma linha
  - Diminuiu a quantidade de memória necessária para as tarefas de previsão.
  - Adicionadas mensagens de erro melhores se a coluna de tempo tiver formato incorreto.
  - Possibilitou imputação personalizada com valor constante para tarefas de previsão de dados X e y.
- azureml-core
  - Adicionado suporte para carregar ServicePrincipal a partir de variáveis de ambiente: AZUREML_SERVICE_PRINCIPAL_ID, AZUREML_SERVICE_PRINCIPAL_TENANT_ID e AZUREML_SERVICE_PRINCIPAL_PASSWORD
  - Introduzido um novo parâmetro support_multi_line para Dataset.Tabular.from_delimited_files: Por padrão (support_multi_line=False), todas as quebras de linha, incluindo aquelas em valores de campo entre aspas, serão interpretadas como uma quebra de registro. A leitura de dados dessa forma é mais rápida e otimizada para execução paralela em vários núcleos de CPU. No entanto, isso pode resultar na produção silenciosa de mais registros com valores de campo desalinhados. Isso deve ser definido como True quando os arquivos delimitados são conhecidos por conter quebras de linha entre aspas.
  - Adicionada a capacidade de registrar o ADLS Gen2 na CLI do Azure Machine Learning
  - Renomeado parâmetro 'fine_grain_timestamp' para 'timestamp' e parâmetro 'coarse_grain_timestamp' para 'partition_timestamp' para o método with_timestamp_columns() em TabularDataset para refletir melhor o uso dos parâmetros.
  - Aumento do comprimento máximo do nome do experimento para 255.
- azureml-interpret
  - azureml-interpret atualizado para interpret-community 0.7.*
- AzureML-SDK
  - Mudando para dependências com a versão compatível Tilde para o suporte de patches em versões de pré-lançamento e estáveis.

2020-03-11

SDK do Azure Machine Learning para Python v1.1.5

Descontinuação de recursos
- Python 2,7
  - Última versão para suportar Python 2.7
Mudanças significativas
- Semantic Versioning 2.0.0 (Controlo de Versões Semântico 2.0.0)
  - A partir da versão 1.1, o SDK Python do Azure Machine Learning adota o Versionamento Semântico 2.0.0. Todas as versões subsequentes seguem um novo esquema de numeração e contrato de versionamento semântico.
Correções de bugs e melhorias
- azure-cli-ml
  - Altere o nome do comando da CLI do endpoint de 'az ml endpoint aks' para 'az ml endpoint real time' para obter consistência.
  - atualizar as instruções de instalação da CLI para CLI de ramificação estável e experimental
  - O perfil de instância única foi corrigido para produzir uma recomendação e foi disponibilizado no sdk principal.
- azureml-automl-core
  - Ativada a inferência do modo de lote (tomando várias linhas uma vez) para modelos AutoML ONNX
  - Melhorou a deteção de frequência nos conjuntos de dados, faltando dados ou contendo pontos de dados irregulares
  - Adicionada a capacidade de remover pontos de dados que não estão em conformidade com a frequência dominante.
  - Alterada a entrada do construtor para obter uma lista de opções para aplicar as opções de imputação para colunas correspondentes.
  - O registo de erros foi melhorado.
- azureml-automl-runtime
  - Corrigido o problema com o erro lançado se o grão não estava presente no conjunto de treinamento apareceu no conjunto de teste
  - Removido o requisito de y_query durante a pontuação no serviço de previsão
  - Corrigido o problema com a previsão quando o conjunto de dados contém grãos curtos com intervalos de tempo longos.
  - Corrigido o problema quando o horizonte máximo automático é ativado e a coluna de data contém datas em forma de cadeias de caracteres. Conversão adequada e mensagens de erro foram adicionadas para quando a conversão até a data não é possível
  - Usando NumPy e SciPy nativos para serializar e desserializar dados intermediários para FileCacheStore (usado para execuções locais de AutoML)
  - Corrigido um bug em que execuções filho com falha podiam ficar presas no estado de execução.
  - Aumento da velocidade de featurização.
  - Corrigida a verificação de frequência durante a pontuação, agora as tarefas de previsão não exigem equivalência de frequência estrita entre o trem e o conjunto de testes.
  - Alterada a entrada do construtor para obter uma lista de opções para aplicar as opções de imputação para colunas correspondentes.
  - Corrigidos erros relacionados à seleção do tipo de atraso.
  - Corrigido o erro não classificado gerado nos conjuntos de dados, tendo grãos com a única linha
  - Corrigido o problema com a lentidão da deteção de frequência.
  - Corrige um bug no tratamento de exceções do AutoML que fazia com que o motivo real da falha de treinamento fosse substituído por um AttributeError.
- azureml-cli-common
  - O perfil de instância única foi corrigido para produzir uma recomendação e foi disponibilizado no sdk principal.
- azureml-contrib-mir
  - Adiciona funcionalidade na classe MirWebservice para recuperar o token de acesso
  - Use a autenticação de token para MirWebservice por padrão durante a chamada MirWebservice.run() - Atualize somente se a chamada falhar
  - A implantação do webservice Mir agora requer Skus [Standard_DS2_v2, Standard_F16, Standard_A2_v2] adequado em vez de [Ds2v2, A2v2 e F16], respectivamente.
- azureml-contrib-pipeline-steps
  - O parâmetro opcional side_inputs adicionado ao ParallelRunStep. Este parâmetro pode ser usado para montar a pasta no contêiner. Atualmente, os tipos suportados são DataReference e PipelineData.
  - Os parâmetros passados em ParallelRunConfig podem ser substituídos passando parâmetros de pipeline agora. Novos parâmetros de pipeline suportados aml_mini_batch_size, aml_error_threshold, aml_logging_level, aml_run_invocation_timeout (aml_node_count e aml_process_count_per_node já fazem parte da versão anterior).
- azureml-core
  - Os Serviços Web do Azure Machine Learning implantados agora têm como padrão o INFO registro em log. Isso pode ser controlado definindo a AZUREML_LOG_LEVEL variável de ambiente no serviço implantado.
  - Python sdk usa o serviço de descoberta para usar o ponto de extremidade 'api' em vez de 'pipelines'.
  - Troque para as novas rotas em todas as chamadas SDK.
  - Roteamento alterado de chamadas para o ModelManagementService para uma nova estrutura unificada.
    - Método de atualização do espaço de trabalho disponibilizado publicamente.
    - Adicionado image_build_compute parâmetro no método de atualização do espaço de trabalho para permitir que o usuário atualize a computação para a compilação da imagem.
  - Adicionadas mensagens de descontinuação ao fluxo de trabalho de criação de perfil antigo. Corrigidos os limites de CPU e memória de criação de perfil.
  - Adicionado RSection como parte do Ambiente para executar trabalhos R.
  - Adicionada validação para Dataset.mount gerar erro quando a fonte do conjunto de dados não está acessível ou não contém dados.
  - Adicionado --grant-workspace-msi-access como outro parâmetro para a CLI do Datastore para registrar o Contêiner de Blob do Azure que permite registrar o Contêiner de Blob que está atrás de uma VNet.
  - O perfil de instância única foi corrigido para produzir uma recomendação e foi disponibilizado no sdk principal.
  - Corrigido o problema no aks.py _deploy.
  - Valida a integridade dos modelos que estão sendo carregados para evitar falhas de armazenamento silencioso.
  - O usuário agora pode especificar um valor para a chave de autenticação ao regenerar chaves para serviços Web.
  - Corrigido bug em que letras maiúsculas não podiam ser usadas como nome de entrada do conjunto de dados.
- azureml-defaults
  - azureml-dataprep será agora instalado como parte do azureml-defaults. Não é mais necessário instalar o data prep[fuse] manualmente em destinos de computação para montar conjuntos de dados.
- azureml-interpret
  - azureml-interpret atualizado para interpret-community 0.6.*
  - azureml-interpret atualizado para depender da comunidade de interpretação 0.5.0
  - Adicionadas exceções no estilo azureml ao azureml-interpret
  - Serialização fixa do DeepScoringExplainer para modelos keras
- Azureml-MLFLOW
  - Adicione suporte para nuvens soberanas a azureml.mlflow
- azureml-pipeline-core
  - O bloco de anotações de pontuação em lote de pipeline agora usa o ParallelRunStep
  - Corrigido um bug em que os resultados do PythonScriptStep podiam ser reutilizados incorretamente, apesar de alterar a lista de argumentos
  - Adicionada a capacidade de definir o tipo de colunas ao chamar os métodos parse_* em PipelineOutputFileDataset
- azureml-pipeline-steps
  - Movido o AutoMLStep para o azureml-pipeline-steps pacote. Preterido o AutoMLStep interior azureml-train-automl-runtime.
  - Adicionado exemplo de documentação para conjunto de dados como entrada PythonScriptStep
- Azureml-TensorBoard
  - Azureml-tensorboard atualizado para suportar TensorFlow 2.0
  - Mostrar o número correto da porta ao usar uma porta TensorBoard personalizada em uma instância de computação
- azureml-train-automl-client
  - Corrigido um problema em que determinados pacotes podiam ser instalados em versões incorretas em execuções remotas.
  - corrigido FeaturizationConfig substituindo problema que filtra featurization config personalizado.
- azureml-train-automl-runtime
  - Corrigido o problema com a deteção de frequência nas execuções remotas
  - Movido o AutoMLStepazureml-pipeline-steps no pacote. Preterido o AutoMLStep interior azureml-train-automl-runtime.
- azureml-train-core
  - Suporte ao PyTorch versão 1.4 no PyTorch Estimator

2020-03-02

SDK do Azure Machine Learning para Python v1.1.2rc0 (Pré-lançamento)

Correções de bugs e melhorias
- azureml-automl-core
  - Ativada a inferência do modo de lote (tomando várias linhas uma vez) para modelos AutoML ONNX
  - Melhorou a deteção de frequência nos conjuntos de dados, faltando dados ou contendo pontos de dados irregulares
  - Adicionada a capacidade de remover pontos de dados que não estão em conformidade com a frequência dominante.
- azureml-automl-runtime
  - Corrigido o problema com o erro lançado se o grão não estava presente no conjunto de treinamento apareceu no conjunto de teste
  - Removido o requisito de y_query durante a pontuação no serviço de previsão
- azureml-contrib-mir
  - Adiciona funcionalidade na classe MirWebservice para recuperar o token de acesso
- azureml-core
  - Os Serviços Web do Azure Machine Learning implantados agora têm como padrão o INFO registro em log. Isso pode ser controlado definindo a AZUREML_LOG_LEVEL variável de ambiente no serviço implantado.
  - Corrija a iteração para Dataset.get_all retornar todos os conjuntos de dados registrados no espaço de trabalho.
  - Melhore a mensagem de erro quando um tipo inválido é passado para o path argumento de APIs de criação de conjunto de dados.
  - Python sdk usa o serviço de descoberta para usar o ponto de extremidade 'api' em vez de 'pipelines'.
  - Troque para as novas rotas em todas as chamadas do SDK
  - Altera o roteamento de chamadas para o ModelManagementService para uma nova estrutura unificada
    - Método de atualização do espaço de trabalho disponibilizado publicamente.
    - Adicionado image_build_compute parâmetro no método de atualização do espaço de trabalho para permitir que o usuário atualize o cálculo para a compilação da imagem
  - Adicionadas mensagens de descontinuação ao fluxo de trabalho de criação de perfil antigo. Limites fixos de criação de perfil de CPU e memória
- azureml-interpret
  - Atualize azureml-interpret para interpret-community 0.6.*
- Azureml-MLFLOW
  - Adicione suporte para nuvens soberanas a azureml.mlflow
- azureml-pipeline-steps
  - Movido o AutoMLStep para o azureml-pipeline-steps package. Preterido o AutoMLStep interior azureml-train-automl-runtime.
- azureml-train-automl-client
  - Corrigido um problema em que determinados pacotes podiam ser instalados em versões incorretas em execuções remotas.
- azureml-train-automl-runtime
  - Corrigido o problema com a deteção de frequência nas execuções remotas
  - Movido o AutoMLStep para o azureml-pipeline-steps package. Preterido o AutoMLStep interior azureml-train-automl-runtime.
- azureml-train-core
  - Movido o AutoMLStep para o azureml-pipeline-steps package. Preterido o AutoMLStep interior azureml-train-automl-runtime.

2020-02-18

SDK do Azure Machine Learning para Python v1.1.1rc0 (Pré-lançamento)

Correções de bugs e melhorias
- azure-cli-ml
  - O perfil de instância única foi corrigido para produzir uma recomendação e foi disponibilizado no sdk principal.
- azureml-automl-core
  - O registo de erros foi melhorado.
- azureml-automl-runtime
  - Corrigido o problema com a previsão quando o conjunto de dados contém grãos curtos com intervalos de tempo longos.
  - Corrigido o problema quando o horizonte máximo automático é ativado e a coluna de data contém datas em forma de cadeias de caracteres. Adicionamos conversão adequada e erro sensato se a conversão até a data não for possível
  - Usando NumPy e SciPy nativos para serializar e desserializar dados intermediários para FileCacheStore (usado para execuções locais de AutoML)
  - Corrigido um bug em que execuções filho com falha podiam ficar presas no estado de execução.
- azureml-cli-common
  - O perfil de instância única foi corrigido para produzir uma recomendação e foi disponibilizado no sdk principal.
- azureml-core
  - Adicionado --grant-workspace-msi-access como outro parâmetro para a CLI do Datastore para registrar o Contêiner de Blob do Azure que permite registrar o Contêiner de Blob que está atrás de uma VNet
  - O perfil de instância única foi corrigido para produzir uma recomendação e foi disponibilizado no sdk principal.
  - Corrigido o problema no aks.py _deploy
  - Valida a integridade dos modelos que estão sendo carregados para evitar falhas de armazenamento silencioso.
- azureml-interpret
  - Adicionadas exceções no estilo azureml ao azureml-interpret
  - serialização fixa do DeepScoringExplainer para modelos keras
- azureml-pipeline-core
  - O bloco de anotações de pontuação em lote de pipeline agora usa o ParallelRunStep
- azureml-pipeline-steps
  - Movido o AutoMLStepazureml-pipeline-steps no pacote. Preterido o AutoMLStep interior azureml-train-automl-runtime.
- azureml-contrib-pipeline-steps
  - O parâmetro opcional side_inputs adicionado ao ParallelRunStep. Este parâmetro pode ser usado para montar a pasta no contêiner. Atualmente, os tipos suportados são DataReference e PipelineData.
- Azureml-TensorBoard
  - Azureml-tensorboard atualizado para suportar TensorFlow 2.0
- azureml-train-automl-client
  - Corrigido o problema de substituição FeaturizationConfig que filtra a configuração de featurização personalizada.
- azureml-train-automl-runtime
  - Movido o AutoMLStepazureml-pipeline-steps no pacote. Preterido o AutoMLStep interior azureml-train-automl-runtime.
- azureml-train-core
  - Suporte ao PyTorch versão 1.4 no PyTorch Estimator

2020-02-04

SDK do Azure Machine Learning para Python v1.1.0rc0 (Pré-lançamento)

Mudanças significativas
- Semantic Versioning 2.0.0 (Controlo de Versões Semântico 2.0.0)
  - A partir da versão 1.1, o SDK Python do Azure Machine Learning adota o Versionamento Semântico 2.0.0. Todas as versões subsequentes seguem um novo esquema de numeração e contrato de versionamento semântico.
Correções de bugs e melhorias
- azureml-automl-runtime
  - Aumento da velocidade de featurização.
  - Corrigida a verificação de frequência durante a pontuação, agora nas tarefas de previsão não exigimos equivalência de frequência estrita entre trem e conjunto de teste.
- azureml-core
  - O usuário agora pode especificar um valor para a chave de autenticação ao regenerar chaves para serviços Web.
- azureml-interpret
  - azureml-interpret atualizado para depender da comunidade de interpretação 0.5.0
- azureml-pipeline-core
  - Corrigido um bug em que os resultados do PythonScriptStep podiam ser reutilizados incorretamente, apesar de alterar a lista de argumentos
- azureml-pipeline-steps
  - Adicionado exemplo de documentação para conjunto de dados como entrada PythonScriptStep
- azureml-contrib-pipeline-steps
  - Os parâmetros passados em ParallelRunConfig podem ser substituídos passando parâmetros de pipeline agora. Novos parâmetros de pipeline suportados aml_mini_batch_size, aml_error_threshold, aml_logging_level, aml_run_invocation_timeout (aml_node_count e aml_process_count_per_node já fazem parte da versão anterior).

2020-01-21

SDK do Azure Machine Learning para Python v1.0.85

Novas funcionalidades
- azureml-core
  - Obtenha o uso principal atual e a limitação de cota para recursos AmlCompute em um determinado espaço de trabalho e assinatura
- azureml-contrib-pipeline-steps
  - Permitir que o usuário passe o conjunto de dados tabular como resultado intermediário da etapa anterior para parallelrunstep
Correções de bugs e melhorias
- azureml-automl-runtime
  - Removido o requisito de y_query coluna na solicitação para o serviço de previsão implantado.
  - O 'y_query' foi removido da seção de solicitação de serviço do notebook Dominick's Orange Juice.
  - Corrigido o bug que impedia a previsão nos modelos implantados, operando em conjuntos de dados com colunas de data e hora.
  - Adicionado Coeficiente de Correlação de Matthews como métrica de classificação, tanto para classificação binária quanto multiclasse.
- azureml-contrib-interpret
  - Os explicadores de texto removidos de azureml-contrib-interpret como explicação de texto foram movidos para o repositório interpret-text que será lançado em breve.
- azureml-core
  - Dataset: os usos do conjunto de dados de arquivo não dependem mais de numpy e pandas para serem instalados no Python env.
  - Alterado LocalWebservice.wait_for_deployment() para verificar o status do contêiner do Docker local antes de tentar executar ping em seu ponto de extremidade de integridade, reduzindo consideravelmente o tempo necessário para relatar uma implantação com falha.
  - Corrigida a inicialização de uma propriedade interna usada em LocalWebservice.reload() quando o objeto de serviço é criado a partir de uma implantação existente usando o construtor LocalWebservice().
  - Mensagem de erro editada para esclarecimento.
  - Adicionado um novo método chamado get_access_token() ao AksWebservice que retornará o objeto AksServiceAccessToken, que contém token de acesso, atualização após carimbo de data/hora, expiração no carimbo de data/hora e tipo de token.
  - Preterido método get_token() existente no AksWebservice como o novo método retorna todas as informações que esse método retorna.
  - Saída modificada do comando az ml service get-access-token. Token renomeado para accessToken e refreshBy para refreshAfter. Adicionadas propriedades expiryOn e tokenType.
  - Fixo get_ative_runs
- azureml-explicar-modelo
  - SAP atualizado para 0.33.0 e comunidade de interpretação para 0.4.*
- azureml-interpret
  - SAP atualizado para 0.33.0 e comunidade de interpretação para 0.4.*
- azureml-train-automl-runtime
  - Adicionado Coeficiente de Correlação de Matthews como métrica de classificação, tanto para classificação binária quanto multiclasse.
  - Remova o sinalizador de pré-processo do código e seja substituído por featurization -featurization está ativado por padrão

2020-01-06

SDK do Azure Machine Learning para Python v1.0.83

Novas funcionalidades
- Conjunto de dados: adicione duas opções on_error e out_of_range_datetime para to_pandas_dataframe falhar quando os dados tiverem valores de erro em vez de preenchê-los com None.
- Espaço de trabalho: adicionado o hbi_workspace sinalizador para espaços de trabalho com dados confidenciais que permite criptografia adicional e desabilita diagnósticos avançados em espaços de trabalho. Também adicionamos suporte para trazer suas próprias chaves para a instância associada do Azure Cosmos DB, especificando os cmk_keyvault parâmetros e resource_cmk_uri ao criar um espaço de trabalho, que cria uma instância do Azure Cosmos DB em sua assinatura enquanto provisiona seu espaço de trabalho. Para saber mais, consulte a seção Azure Cosmos DB do artigo de criptografia de dados.
Correções de bugs e melhorias
- azureml-automl-runtime
  - Corrigida uma regressão que fazia com que um TypeError fosse gerado ao executar o AutoML em versões do Python abaixo de 3.5.4.
- azureml-core
  - Corrigido bug no datastore.upload_files caminho relativo que não começou com ./ não foi possível ser usado.
  - Adicionadas mensagens de substituição para todos os caminhos de código da classe Image
  - Construção de URL de Gerenciamento de Modelo Fixo para Microsoft Azure operado pela 21Vianet.
  - Corrigido o problema em que os modelos que usavam source_dir não podiam ser empacotados para o Azure Functions.
  - Adicionada uma opção a Environment.build_local() para enviar uma imagem para o registro do contêiner do espaço de trabalho do Azure Machine Learning
  - Atualizado o SDK para usar a nova biblioteca de tokens na sinapse do Azure de maneira compatível com versões anteriores.
- azureml-interpret
  - Corrigido o bug em que Nenhum era devolvido quando não havia explicações disponíveis para download. Agora levanta uma exceção, o comportamento de correspondência em outro lugar.
- azureml-pipeline-steps
  - Não permitido passar DatasetConsumptionConfigs para Estimatoro parâmetro 's inputs quando o Estimator será usado em um EstimatorSteparquivo .
- AzureML-SDK
  - Adicionado o cliente AutoML ao pacote azureml-sdk, permitindo que execuções remotas do AutoML sejam enviadas sem instalar o pacote AutoML completo.
- azureml-train-automl-client
  - Alinhamento corrigido na saída do console para execuções AutoML
  - Corrigido um bug onde a versão incorreta dos pandas pode ser instalada no amlcompute remoto.

2019-12-23

SDK do Azure Machine Learning para Python v1.0.81

Correções de bugs e melhorias
- azureml-contrib-interpret
  - Adiar a dependência do SHAP para a comunidade de interpretação a partir do azureml-interpret
- azureml-core
  - O destino de computação agora pode ser especificado como um parâmetro para os objetos de configuração de implantação correspondentes. Este é especificamente o nome do destino de computação para implantar, não o objeto SDK.
  - Adicionadas informações CreatedBy aos objetos Model e Service. Pode ser acessado through.created_by
  - Fixo ContainerImage.run(), que não estava configurando corretamente a porta HTTP do contêiner do Docker.
  - Tornar azureml-dataprep opcional para az ml dataset register o comando CLI
  - Corrigido um bug em que TabularDataset.to_pandas_dataframe incorretamente voltava para um leitor alternativo e imprimia um aviso.
- azureml-explicar-modelo
  - Adiar a dependência do SHAP para a comunidade de interpretação a partir do azureml-interpret
- azureml-pipeline-core
  - Adicionada nova etapa NotebookRunnerStepde pipeline , para executar um bloco de anotações local como uma etapa no pipeline.
  - Removidas funções de get_all preteridas para PublishedPipelines, Schedules e PipelineEndpoints
- azureml-train-automl-client
  - Iniciada a substituição do data_script como entrada para o AutoML.

2019-12-09

SDK do Azure Machine Learning para Python v1.0.79

Correções de bugs e melhorias
- azureml-automl-core
  - FeaturizationConfig removido a ser registrado
    - Registro atualizado para registrar apenas "auto"/"off"/"customized".
- azureml-automl-runtime
  - Adicionado suporte para pandas. Série e pandas. Categórico para detetar o tipo de dados da coluna. Anteriormente suportado apenas numpy.ndarray
    - Adicionadas alterações de código relacionadas para lidar corretamente com dtype categórico.
  - A interface da função de previsão foi melhorada: o parâmetro y_pred tornou-se opcional. -Os docstrings foram melhorados.
- azureml-contrib-dataset
  - Corrigido um bug em que os conjuntos de dados rotulados não podiam ser montados.
- azureml-core
  - Correção de bug para Environment.from_existing_conda_environment(name, conda_environment_name). O usuário pode criar uma instância de Ambiente que é réplica exata do ambiente local
  - Métodos de conjuntos de dados relacionados a séries temporais alterados para include_boundary=True por padrão.
- azureml-train-automl-client
  - Corrigido o problema em que os resultados da validação não eram impressos quando a saída show estava definida como false.

2019-11-25

SDK do Azure Machine Learning para Python v1.0.76

Mudanças significativas
- Problemas de atualização do Azureml-Train-AutoML
  - A atualização para azureml-train-automl>=1.0.76 de azureml-train-automl<1.0.76 pode causar instalações parciais, fazendo com que algumas importações de AutoML falhem. Para resolver isso, você pode executar o script de instalação encontrado em https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/automated-machine-learning/automl_setup.cmd. Ou se você estiver usando pip diretamente você pode:
    - "pip install --upgrade azureml-train-automl"
    - "pip install --ignore-installed azureml-train-automl-client"
  - ou você pode desinstalar a versão antiga antes de atualizar
    - "pip desinstalar azureml-train-automl"
    - "pip instalar azureml-train-automl"
Correções de bugs e melhorias
- azureml-automl-runtime
  - O AutoML agora leva em conta as classes true e false ao calcular métricas escalares médias para tarefas de classificação binária.
  - Código de treinamento e aprendizado de máquina movido no AzureML-AutoML-Core para um novo pacote AzureML-AutoML-Runtime.
- azureml-contrib-dataset
  - Ao chamar to_pandas_dataframe um conjunto de dados rotulado com a opção de download, agora você pode especificar se deseja substituir os arquivos existentes ou não.
  - Ao chamar keep_columns ou drop_columns isso resultar em uma série temporal, rótulo ou coluna de imagem sendo descartada, os recursos correspondentes também serão descartados para o conjunto de dados.
  - Corrigido um problema com o carregador pytorch para a tarefa de deteção de objetos.
- azureml-contrib-interpret
  - Removido o widget do painel de explicação do azureml-contrib-interpret, alterado o pacote para fazer referência ao novo no interpret_community
  - Versão atualizada da comunidade de interpretação para 0.2.0
- azureml-core
  - Melhorar o desempenho do workspace.datasets.
  - Adicionada a capacidade de registrar o Repositório de Dados do Banco de Dados SQL do Azure usando autenticação de nome de usuário e senha
  - Correção para carregar RunConfigurations de caminhos relativos.
  - Ao chamar keep_columns ou drop_columns isso resulta em uma coluna de série temporal sendo descartada, os recursos correspondentes também são descartados para o conjunto de dados.
- azureml-interpret
  - Versão atualizada da comunidade de interpretação para 0.2.0
- azureml-pipeline-steps
  - Valores com suporte documentados para runconfig_pipeline_params etapas de pipeline de aprendizado de máquina do Azure.
- azureml-pipeline-core
  - Adicionada opção de CLI para baixar a saída no formato json para comandos Pipeline.
- azureml-train-automl
  - Divida o AzureML-Train-AutoML em dois pacotes, um pacote de cliente AzureML-Train-AutoML-Client e um pacote de treinamento de ML AzureML-Train-AutoML-Runtime
- azureml-train-automl-client
  - Adicionado um thin client para enviar experimentos de AutoML sem a necessidade de instalar dependências de aprendizado de máquina localmente.
  - Registro fixo de lags detetados automaticamente, tamanhos de janelas rolantes e horizontes máximos nas execuções remotas.
- azureml-train-automl-runtime
  - Adicionado um novo pacote AutoML para isolar componentes de aprendizado de máquina e tempo de execução do cliente.
- azureml-contrib-train-rl
  - Adicionado suporte de aprendizagem por reforço no SDK.
  - Adicionado suporte a AmlWindowsCompute no RL SDK.

2019-11-11

SDK do Azure Machine Learning para Python v1.0.74

Funcionalidades de pré-visualização
- azureml-contrib-dataset
  - Depois de importar azureml-contrib-dataset, você pode chamar Dataset.Labeled.from_json_lines em vez de criar um conjunto de ._Labeled dados rotulado.
  - Ao chamar to_pandas_dataframe um conjunto de dados rotulado com a opção de download, agora você pode especificar se deseja substituir os arquivos existentes ou não.
  - Ao chamar keep_columns ou drop_columns isso resultar em uma série temporal, rótulo ou coluna de imagem sendo descartada, os recursos correspondentes também serão descartados para o conjunto de dados.
  - Corrigidos problemas com o carregador PyTorch ao ligar para dataset.to_torchvision()o .
Correções de bugs e melhorias
- azure-cli-ml
  - Criação de perfil de modelo adicionada à CLI de visualização.
  - Corrige alterações significativas no Armazenamento do Azure que fazem com que a CLI do Azure Machine Learning falhe.
  - Adicionado tipo de balanceador de carga ao MLC para tipos AKS
- azureml-automl-core
  - Corrigido o problema com a deteção de horizonte máximo em séries temporais, com valores ausentes e vários grãos.
  - Corrigido o problema com falhas durante a geração de divisões de validação cruzada.
  - Substitua esta seção por uma mensagem em formato de markdown para aparecer nas notas de versão: -Melhor manuseio de grãos curtos nos conjuntos de dados de previsão.
  - Corrigido o problema com o mascaramento de algumas informações do usuário durante o registro. -Registro melhorado dos erros durante as execuções de previsão.
  - Adicionando psutil como uma dependência conda ao arquivo de implantação yml gerado automaticamente.
- azureml-contrib-mir
  - Corrige alterações significativas no Armazenamento do Azure que fazem com que a CLI do Azure Machine Learning falhe.
- azureml-core
  - Corrige um bug que fazia com que os modelos implantados no Azure Functions produzissem 500 s.
  - Corrigido um problema em que o arquivo amlignore não era aplicado em instantâneos.
  - Adicionado um novo amlcompute.get_ative_runs de API que retorna um gerador para execução e execuções em fila em um determinado amlcompute.
  - Adicionado tipo de balanceador de carga ao MLC para tipos AKS.
  - Adicionado append_prefix parâmetro bool para download_files em run.py e download_artifacts_from_prefix em artifacts_client. Esse sinalizador é usado para nivelar seletivamente o caminho do arquivo de origem para que apenas o nome do arquivo ou pasta seja adicionado ao output_directory
  - Corrija o problema de desserialização para run_config.yml o uso do conjunto de dados.
  - Ao chamar keep_columns ou drop_columns isso resulta em uma coluna de série temporal sendo descartada, os recursos correspondentes também são descartados para o conjunto de dados.
- azureml-interpret
  - Versão atualizada da comunidade de interpretação para 0.1.0.3
- azureml-train-automl
  - Corrigido um problema em que automl_step podia não imprimir problemas de validação.
  - Corrigido register_model para ter êxito mesmo se o ambiente do modelo estiver faltando dependências localmente.
  - Corrigido um problema em que algumas execuções remotas não estavam habilitadas para docker.
  - Adicione o log da exceção que está fazendo com que uma execução local falhe prematuramente.
- azureml-train-core
  - Considere resume_from execuções no cálculo do ajuste automatizado de hiperparâmetros melhores execuções filhas.
- azureml-pipeline-core
  - Tratamento de parâmetros fixos na construção de argumentos de pipeline.
  - Adicionada descrição do pipeline e parâmetro yaml do tipo de etapa.
  - Novo formato yaml para a etapa Pipeline e aviso de substituição adicionado para o formato antigo.

2019-11-04

Experiência na Web

A página inicial do espaço de trabalho colaborativo em https://ml.azure.com foi aprimorada e rebatizada como o estúdio do Azure Machine Learning.

No estúdio, você pode treinar, testar, implantar e gerenciar ativos do Azure Machine Learning, como conjuntos de dados, pipelines, modelos, pontos de extremidade e muito mais.

Aceda às seguintes ferramentas de criação baseadas na Web a partir do estúdio:

Ferramenta baseada na Web	Description
VM do bloco de anotações(visualização)	Estação de trabalho baseada na nuvem totalmente gerida
Aprendizagem automática (pré-visualização)	Nenhuma experiência de código para automatizar o desenvolvimento de modelos de aprendizado de máquina
Projetista	Ferramenta de modelagem de aprendizado de máquina de arrastar e soltar, anteriormente conhecida como interface visual

Aprimoramentos do designer do Azure Machine Learning

Anteriormente conhecida como interface visual
11 novos módulos , incluindo recomendações, classificadores e utilitários de treinamento, incluindo engenharia de recursos, validação cruzada e transformação de dados.

SDK para R

Cientistas de dados e desenvolvedores de IA usam o SDK do Azure Machine Learning para R para criar e executar fluxos de trabalho de aprendizado de máquina com o Azure Machine Learning.

O SDK do Azure Machine Learning para R usa o reticulate pacote para vincular ao SDK do Python. Ao vincular diretamente ao Python, o SDK for R permite que você acesse os principais objetos e métodos implementados no Python SDK a partir de qualquer ambiente R que você escolher.

Os principais recursos do SDK incluem:

Gerir recursos de cloud para monitorizar, registar e organizar as experimentações de machine learning.
Treine modelos usando recursos de nuvem, incluindo treinamento de modelo acelerado por GPU.
Implante seus modelos como webservices nas Instâncias de Contêiner do Azure (ACI) e no Serviço Kubernetes do Azure (AKS).

Consulte o site do pacote para obter a documentação completa.

Integração do Azure Machine Learning com a Grade de Eventos

O Azure Machine Learning agora é um provedor de recursos para a Grade de Eventos, você pode configurar eventos de aprendizado de máquina por meio do portal do Azure ou da CLI do Azure. Os usuários podem criar eventos para conclusão de execução, registro de modelo, implantação de modelo e desvio de dados detetados. Esses eventos podem ser roteados para manipuladores de eventos suportados pela Grade de Eventos para consumo. Consulte o esquema de eventos de aprendizado de máquina e os artigos do tutorial para obter mais detalhes.

2019-10-31

SDK do Azure Machine Learning para Python v1.0.72

Novas funcionalidades
- Monitores de conjunto de dados adicionados através do pacote azureml-datadrift , permitindo monitorar conjuntos de dados de séries temporais para desvio de dados ou outras alterações estatísticas ao longo do tempo. Alertas e eventos podem ser acionados se o desvio for detetado ou outras condições nos dados forem atendidas. Para obter mais detalhes, consulte a nossa documentação.
- Anunciando duas novas edições (também conhecidas como SKU de forma intercambiável) no Azure Machine Learning. Com esta versão, agora você pode criar um espaço de trabalho Basic ou Enterprise Azure Machine Learning. Todos os espaços de trabalho existentes são padronizados para a edição Basic e você pode ir para o portal do Azure ou para o estúdio para atualizar o espaço de trabalho a qualquer momento. Você pode criar um espaço de trabalho Básico ou Empresarial no portal do Azure. Leia a nossa documentação para saber mais. A partir do SDK, a edição do seu espaço de trabalho pode ser determinada usando a propriedade "sku" do seu objeto de espaço de trabalho.
- Também fizemos aprimoramentos no Azure Machine Learning Compute - agora você pode exibir métricas para seus clusters (como nós totais, nós em execução, cota total de núcleos) no Azure Monitor, além de exibir logs de diagnóstico para depuração. Além disso, você também pode exibir as execuções atualmente em execução ou enfileiradas no cluster e detalhes como os IPs dos vários nós no cluster. Você pode visualizá-los no portal ou usando as funções correspondentes no SDK ou na CLI.
- Funcionalidades de pré-visualização
  - Estamos lançando o suporte de visualização para criptografia de disco de seu SSD local no Azure Machine Learning Compute. Levante um tíquete de suporte técnico para obter sua permissão de assinatura para usar esse recurso.
  - Pré-visualização pública da inferência em lote do Azure Machine Learning. A Inferência em Lote do Azure Machine Learning destina-se a grandes trabalhos de inferência que não são sensíveis ao tempo. A Inferência em Lote fornece dimensionamento de computação de inferência econômico, com taxa de transferência incomparável para aplicativos assíncronos. Ele é otimizado para inferência de alta taxa de transferência, fogo e esquecimento em grandes coleções de dados.
  - azureml-contrib-dataset
    - Funcionalidades habilitadas para conjunto de dados rotulado
```
import azureml.core
from azureml.core import Workspace, Datastore, Dataset
import azureml.contrib.dataset
from azureml.contrib.dataset import FileHandlingOption, LabeledDatasetTask

# create a labeled dataset by passing in your JSON lines file
dataset = Dataset._Labeled.from_json_lines(datastore.path('path/to/file.jsonl'), LabeledDatasetTask.IMAGE_CLASSIFICATION)

# download or mount the files in the `image_url` column
dataset.download()
dataset.mount()

# get a pandas dataframe
from azureml.data.dataset_type_definitions import FileHandlingOption
dataset.to_pandas_dataframe(FileHandlingOption.DOWNLOAD)
dataset.to_pandas_dataframe(FileHandlingOption.MOUNT)

# get a Torchvision dataset
dataset.to_torchvision()
```
Correções de bugs e melhorias
- azure-cli-ml
  - A CLI agora suporta empacotamento de modelo.
  - Adicionada CLI do conjunto de dados. Para obter mais informações: az ml dataset --help
  - Adicionado suporte para implantação e empacotamento de modelos suportados (ONNX, scikit-learn e TensorFlow) sem uma instância InferenceConfig.
  - Adicionado sinalizador de substituição para implantação de serviço (ACI e AKS) no SDK e CLI. Se fornecido, substituirá o serviço existente se o serviço com nome já existir. Se o serviço não existir, criará um novo serviço.
  - Os modelos podem ser registrados com dois novos frameworks, Onnx e TensorFlow. - O registro do modelo aceita dados de entrada de amostra, dados de saída de amostra e configuração de recursos para o modelo.
- azureml-automl-core
  - O treinamento de uma iteração seria executado em um processo filho somente quando as restrições de tempo de execução estão sendo definidas.
  - Adicionado um guardrail para tarefas de previsão, para verificar se um max_horizon especificado causa um problema de memória em determinada máquina ou não. Se isso acontecer, uma mensagem de guardrail é exibida.
  - Adicionado suporte para frequências complexas como dois anos e um mês. -Adicionada mensagem de erro compreensível se a frequência não puder ser determinada.
  - Adicionar azureml-defaults ao conda env gerado automaticamente para resolver a falha de implantação do modelo
  - Permitir que dados intermediários no Pipeline do Azure Machine Learning sejam convertidos em conjunto de dados tabular e usados no AutoMLStep.
  - Atualização de finalidade de coluna implementada para streaming.
  - Implementei atualização de parâmetros de transformador para Imputer e HashOneHotEncoder para streaming.
  - Adicionado o tamanho de dados atual e o tamanho mínimo de dados necessário às mensagens de erro de validação.
  - Atualizado o tamanho mínimo de dados exigido para validação cruzada para garantir um mínimo de duas amostras em cada dobra de validação.
- azureml-cli-common
  - A CLI agora suporta empacotamento de modelo.
  - Os modelos podem ser registrados com dois novos frameworks, Onnx e TensorFlow.
  - O registro do modelo aceita dados de entrada de amostra, dados de saída de amostra e configuração de recursos para o modelo.
- azureml-contrib-gbdt
  - Corrigido o canal de liberação para o notebook
  - Adicionado um aviso para destino de computação não-AmlCompute que não suportamos
  - Adicionado LightGMB Estimator ao pacote azureml-contrib-gbdt
- azureml-core
  - A CLI agora suporta empacotamento de modelo.
  - Adicione um aviso de substituição para APIs de conjunto de dados preteridas. Consulte o aviso de alteração da API do conjunto de dados em https://aka.ms/tabular-dataset.
  - Altere Dataset.get_by_id para retornar o nome e a versão do registro se o conjunto de dados estiver registrado.
  - Corrija um bug que ScriptRunConfig com conjunto de dados como argumento não pode ser usado repetidamente para enviar a execução do experimento.
  - Os conjuntos de dados recuperados durante uma execução serão rastreados e podem ser vistos na página de detalhes da execução ou chamando run.get_details() após a conclusão da execução.
  - Permitir que dados intermediários no Pipeline do Azure Machine Learning sejam convertidos em conjunto de dados tabular e usados no AutoMLStep.
  - Adicionado suporte para implantação e empacotamento de modelos suportados (ONNX, scikit-learn e TensorFlow) sem uma instância InferenceConfig.
  - Adicionado sinalizador de substituição para implantação de serviço (ACI e AKS) no SDK e CLI. Se fornecido, substituirá o serviço existente se o serviço com nome já existir. Se o serviço não existir, criará um novo serviço.
  - Os modelos podem ser registrados com dois novos frameworks, Onnx e TensorFlow. O registro do modelo aceita dados de entrada de amostra, dados de saída de amostra e configuração de recursos para o modelo.
  - Adicionado novo armazenamento de dados para o Banco de Dados do Azure para MySQL. Adicionado exemplo para usar o Banco de Dados do Azure para MySQL em DataTransferStep nos Pipelines do Azure Machine Learning.
  - Funcionalidade adicionada para adicionar e remover tags de experimentos Funcionalidade adicionada para remover tags de execuções
  - Adicionado sinalizador de substituição para implantação de serviço (ACI e AKS) no SDK e CLI. Se fornecido, substituirá o serviço existente se o serviço com nome já existir. Se o serviço não existir, criará um novo serviço.
- azureml-datadrift
  - Movido de azureml-contrib-datadrift para dentro azureml-datadrift
  - Suporte adicional para monitoramento de conjuntos de dados de séries cronológicas para deriva e outras medidas estatísticas
  - Novos métodos create_from_model() e create_from_dataset() para a DataDriftDetector classe. O create() método foi preterido.
  - Ajustes nas visualizações em Python e UI no estúdio de Aprendizado de Máquina do Azure.
  - Suporte ao agendamento de monitores semanais e mensais, além de diariamente para monitores de conjuntos de dados.
  - Suporte ao preenchimento de métricas de monitor de dados para analisar dados históricos para monitores de conjunto de dados.
  - Várias correções de bugs
- azureml-pipeline-core
  - azureml-dataprep não é mais necessário para enviar um Pipeline do Azure Machine Learning executado a partir do arquivo de pipeline yaml .
- azureml-train-automl
  - Adicionar azureml-defaults ao conda env gerado automaticamente para resolver a falha de implantação do modelo
  - O treinamento remoto do AutoML agora inclui azureml-defaults para permitir a reutilização do training env para inferência.
- azureml-train-core
  - Adicionado suporte PyTorch 1.3 no PyTorch estimador

2019-10-21

Interface visual (pré-visualização)

A interface visual do Azure Machine Learning (visualização) foi revisada para ser executada em pipelines do Azure Machine Learning. Os pipelines (anteriormente conhecidos como experimentos) criados na interface visual agora estão totalmente integrados à experiência principal do Azure Machine Learning.
- Experiência de gerenciamento unificado com ativos SDK
- Controle de versão e rastreamento para modelos de interface visual, pipelines e pontos de extremidade
- Interface do usuário redesenhada
- Adicionada implantação de inferência em lote
- Adicionado suporte do Serviço Kubernetes do Azure (AKS) para destinos de computação de inferência
- Novo fluxo de trabalho de criação de pipeline em etapas Python
- Nova página de destino para ferramentas de criação visual
Novos módulos
- Aplicar operação matemática
- Aplicar transformação SQL
- Valores de clipe
- Resumir dados
- Importar do Banco de Dados SQL

2019-10-14

SDK do Azure Machine Learning para Python v1.0.69

Correções de bugs e melhorias
- azureml-automl-core
  - Limitar as explicações do modelo à melhor execução em vez de calcular as explicações para cada execução. Fazendo essa mudança de comportamento para local, remoto e ADB.
  - Adicionado suporte para explicações de modelo sob demanda para a interface do usuário
  - Adicionado psutil como uma dependência de automl e incluído psutil como uma dependência conda em amlcompute.
  - Corrigido o problema com atrasos heurísticos e tamanhos de janelas rolantes nos conjuntos de dados de previsão, algumas séries das quais podem causar erros de álgebra linear
    - Impressão adicionada para os parâmetros determinados heuristicamente nas execuções de previsão.
- azureml-contrib-datadrift
  - Proteção adicional ao criar métricas de saída se o desvio de nível do conjunto de dados não estiver na primeira seção.
- azureml-contrib-interpret
  - azureml-contrib-explain-model package foi renomeado para azureml-contrib-interpret
- azureml-core
  - API adicionada para cancelar o registro de conjuntos de dados. dataset.unregister_all_versions()
  - azureml-contrib-explain-model package foi renomeado para azureml-contrib-interpret.
- azureml-core
  - API adicionada para cancelar o registro de conjuntos de dados. conjunto de dados.unregister_all_versions().
  - API de conjunto de dados adicionada para verificar a hora alterada dos dados. dataset.data_changed_time.
  - Ser capaz de consumir FileDataset e TabularDataset como entradas para PythonScriptStep, EstimatorStepe HyperDriveStep no Pipeline de Aprendizado de Máquina do Azure
  - O desempenho do FileDataset.mount foi melhorado para pastas com um grande número de arquivos
  - Ser capaz de consumir FileDataset e TabularDataset como entradas para PythonScriptStep, EstimatorStep e HyperDriveStep no Pipeline do Azure Machine Learning.
  - Desempenho de FileDataset.mount() foi melhorado para pastas com um grande número de arquivos
  - URL adicionado às recomendações de erro conhecidas nos detalhes da execução.
  - Corrigido um bug no run.get_metrics em que as solicitações falhariam se uma corrida tivesse muitos filhos
  - Corrigido um bug no run.get_metrics em que as solicitações falhariam se uma corrida tivesse muitos filhos
  - Adicionado suporte para autenticação no cluster Arcadia.
  - Criar um objeto Experimento obtém ou cria o experimento no espaço de trabalho do Azure Machine Learning para acompanhamento do histórico de execução. A ID do experimento e o tempo arquivado são preenchidos no objeto Experiment na criação. Exemplo: experimento = Experimento(espaço de trabalho, "Novo Experimento") experiment_id = experiment.id archive() e reactivate() são funções que podem ser chamadas em um experimento para ocultar e restaurar o experimento de ser mostrado no UX ou retornado por padrão em uma chamada para listar experimentos. Se um novo experimento for criado com o mesmo nome de um experimento arquivado, você poderá renomeá-lo ao reativá-lo passando um novo nome. Só pode haver uma experiência ativa com um nome próprio. Exemplo: experiment1 = Experiment(workspace, "Ative Experiment") experiment1.archive() # Crie um novo experimento ativo com o mesmo nome do arquivado. experimento2. = Experimento(espaço de trabalho, "Experimento Ativo") experiment1.reactivate(new_name="Experimento Ativo Anterior") O método estático list() em Experimento pode usar um filtro de nome e um filtro ViewType. Os valores ViewType são "ATIVE_ONLY", "ARCHIVED_ONLY" e "ALL" Exemplo: archived_experiments = Experiment.list( workspace, view_type="ARCHIVED_ONLY") all_first_experiments = Experiment.list(workspace, name="First Experiment", view_type="ALL")
  - Suporte usando ambiente para implantação de modelo e atualização de serviço
- azureml-datadrift
  - O atributo show da classe DataDriftDector não suporta mais o argumento opcional 'with_details'. O atributo show apresenta apenas o coeficiente de desvio de dados e a contribuição de desvio de dados de colunas de recursos.
  - Alterações de comportamento do atributo 'get_output' DataDriftDetector:
    - Os parâmetros de entrada start_time, end_time são opcionais em vez de obrigatórios;
    - A entrada de start_time e/ou end_time específicos com uma run_id específica na mesma invocação resulta em exceção de erro de valor porque são mutuamente exclusivas
    - Por start_time e/ou end_time específicos de entrada, apenas os resultados das execuções programadas são retornados;
    - O parâmetro 'daily_latest_only' foi preterido.
  - Suporte à recuperação de saídas de desvio de dados baseadas em conjunto de dados.
- azureml-explicar-modelo
  - Renomeia o pacote AzureML-explain-model para AzureML-interpret, mantendo o pacote antigo para compatibilidade com versões anteriores por enquanto
  - bug corrigido automl com explicações brutas definidas como tarefa de classificação em vez de regressão por padrão no download do ExplanationClient
  - Adicione suporte para ScoringExplainer ser criado diretamente usando MimicWrapper
- azureml-pipeline-core
  - Melhor desempenho para a criação de grandes pipelines
- azureml-train-core
  - Adicionado suporte ao TensorFlow 2.0 no TensorFlow Estimator
- azureml-train-automl
  - Criar um objeto Experimento obtém ou cria o experimento no espaço de trabalho do Azure Machine Learning para acompanhamento do histórico de execução. A ID do experimento e o tempo arquivado são preenchidos no objeto Experiment na criação. Exemplo:
```
experiment = Experiment(workspace, "New Experiment")
experiment_id = experiment.id
```
    archive() e reactivate() são funções que podem ser chamadas em um experimento para ocultar e restaurar o experimento de ser mostrado na UX ou retornado por padrão em uma chamada para listar experimentos. Se um novo experimento for criado com o mesmo nome de um experimento arquivado, você poderá renomeá-lo ao reativá-lo passando um novo nome. Só pode haver uma experiência ativa com um nome próprio. Exemplo:
```
experiment1 = Experiment(workspace, "Active Experiment")
experiment1.archive()
# Create new active experiment with the same name as the archived.
experiment2 = Experiment(workspace, "Active Experiment")
experiment1.reactivate(new_name="Previous Active Experiment")
```
    O método estático list() em Experiment pode ter um filtro de nome e um filtro ViewType. Os valores ViewType são "ATIVE_ONLY", "ARCHIVED_ONLY" e "ALL". Exemplo:
```
archived_experiments = Experiment.list(workspace, view_type="ARCHIVED_ONLY")
all_first_experiments = Experiment.list(workspace, name="First Experiment", view_type="ALL")
```
  - Suporte usando ambiente para implantação de modelo e atualização de serviço.
- azureml-datadrift
  - O atributo show da classe DataDriftDetector não suporta mais o argumento opcional 'with_details'. O atributo show apresenta apenas o coeficiente de desvio de dados e a contribuição de desvio de dados de colunas de recursos.
  - Função DataDriftDetector [get_output]python/api/azureml-datadrift/azureml.datadrift.datadriftdetector.datadriftdetector#get-output-start-time-none--end-time-none--run-id-none-) alterações de comportamento:
    - Os parâmetros de entrada start_time, end_time são opcionais em vez de obrigatórios;
    - A entrada de start_time e/ou end_time específicos com uma run_id específica na mesma invocação resulta em exceção de erro de valor porque são mutuamente exclusivas;
    - Por start_time e/ou end_time específicos de entrada, apenas os resultados das execuções programadas são retornados;
    - O parâmetro 'daily_latest_only' foi preterido.
  - Suporte à recuperação de saídas de desvio de dados baseadas em conjunto de dados.
- azureml-explicar-modelo
  - Adicione suporte para ScoringExplainer a ser criado diretamente usando MimicWrapper
- azureml-pipeline-core
  - Melhor desempenho para a criação de grandes Pipelines.
- azureml-train-core
  - Adicionado suporte ao TensorFlow 2.0 no TensorFlow Estimator.
- azureml-train-automl
  - A execução pai não será mais falhada quando a iteração de instalação falhar, pois a orquestração já cuida dela.
  - Adicionado suporte local-docker e local-conda para experimentos AutoML
  - Adicionado suporte local-docker e local-conda para experimentos AutoML.

2019-10-08

Nova experiência Web (pré-visualização) para espaços de trabalho do Azure Machine Learning

A guia Experimento no novo portal de espaço de trabalho foi atualizada para que os cientistas de dados possam monitorar os experimentos de uma maneira mais eficiente. Você pode explorar os seguintes recursos:

Metadados de experimentos para filtrar e classificar facilmente sua lista de experimentos
Páginas de detalhes de experimentos simplificadas e com desempenho que permitem visualizar e comparar suas execuções
Novo design para executar páginas de detalhes para entender e monitorar suas execuções de treinamento

2019-09-30

SDK do Azure Machine Learning para Python v1.0.65

Novas funcionalidades
- Adicionado ambientes com curadoria. Esses ambientes foram pré-configurados com bibliotecas para tarefas comuns de aprendizado de máquina e foram pré-criados e armazenados em cache como imagens do Docker para uma execução mais rápida. Eles aparecem por padrão na lista de ambiente do espaço de trabalho, com o prefixo "AzureML".
- Adicionado ambientes com curadoria. Esses ambientes foram pré-configurados com bibliotecas para tarefas comuns de aprendizado de máquina e foram pré-criados e armazenados em cache como imagens do Docker para uma execução mais rápida. Eles aparecem por padrão na lista de ambiente do espaço de trabalho, com o prefixo "AzureML".
azureml-train-automl
azureml-train-automl
- Adicionado o suporte de conversão ONNX para o ADB e HDI
Funcionalidades de pré-visualização
- azureml-train-automl
- azureml-train-automl
  - BERT e BiLSTM suportados como featurizer de texto (somente visualização)
  - Personalização de featurização suportada para fins de coluna e parâmetros do transformador (apenas visualização)
  - Explicações brutas suportadas quando o usuário habilita a explicação do modelo durante o treinamento (somente visualização)
  - Profeta adicionado para timeseries previsão como um pipeline treinável (somente visualização)
- azureml-contrib-datadrift
  - Pacotes realocados de azureml-contrib-datadrift para azureml-datadrift; O contrib pacote será removido em uma versão futura
Correções de bugs e melhorias
- azureml-automl-core
  - Introduzido FeaturizationConfig para AutoMLConfig e AutoMLBaseSettings
  - Introduzido FeaturizationConfig para AutoMLConfig e AutoMLBaseSettings
    - Substituir a finalidade da coluna para featurização com determinada coluna e tipo de recurso
    - Substituir parâmetros do transformador
  - Adicionada mensagem de substituição para explain_model() e retrieve_model_explanations()
  - Profeta adicionado como um pipeline treinável (somente visualização)
  - Adicionada mensagem de substituição para explain_model() e retrieve_model_explanations().
  - Adicionado Prophet como um pipeline treinável (somente visualização).
  - Adicionado suporte para deteção automática de atrasos de destino, tamanho de janela rolante e horizonte máximo. Se um dos target_lags, target_rolling_window_size ou max_horizon estiver definido como 'auto', a heurística é aplicada para estimar o valor do parâmetro correspondente com base nos dados de treinamento.
  - Previsão fixa no caso em que o conjunto de dados contém uma coluna de grãos, esse grão é de um tipo numérico e há uma lacuna entre o trem e o conjunto de teste
  - Corrigida a mensagem de erro sobre o índice duplicado na execução remota em tarefas de previsão
  - Previsão fixa no caso em que o conjunto de dados contém uma coluna de grãos, esse grão é de um tipo numérico e há uma lacuna entre o trem e o conjunto de testes.
  - Corrigida a mensagem de erro sobre o índice duplicado na execução remota em tarefas de previsão.
  - Adicionado um guardrail para verificar se um conjunto de dados está desequilibrado ou não. Se for, uma mensagem de guardrail seria gravada no console.
- azureml-core
  - Adicionada a capacidade de recuperar URL SAS para modelar no armazenamento por meio do objeto de modelo. Ex: model.get_sas_url()
  - Introduzir run.get_details()['datasets'] para obter conjuntos de dados associados à execução enviada
  - Adicione API Dataset.Tabular.from_json_lines_files para criar um TabularDataset a partir de arquivos JSON Lines. Para saber mais sobre esses dados tabulares em arquivos JSON Lines no TabularDataset, visite este artigo para obter documentação.
  - Adicionados outros campos de tamanho de VM (disco do SO, número de GPUs) à função supported_vmsizes ()
  - Adicionado mais campos à função list_nodes () para mostrar a execução, o IP privado e público, a porta, etc.
  - Capacidade de especificar um novo campo durante o provisionamento de cluster --remotelogin_port_public_access, que pode ser definido como habilitado ou desabilitado, dependendo se você gostaria de deixar a porta SSH aberta ou fechada no momento da criação do cluster. Se você não especificá-lo, o serviço abrirá ou fechará a porta de forma inteligente, dependendo se você estiver implantando o cluster dentro de uma rede virtual.
- azureml-explicar-modelo
- azureml-core
  - Adicionada a capacidade de recuperar URL SAS para modelar no armazenamento por meio do objeto de modelo. Ex: modelo.get_sas_url()
  - Introduza a execução.get_details['datasets'] para obter conjuntos de dados associados à execução enviada
  - Adicionar API Dataset.Tabular.from_json_lines_files() para criar um TabularDataset a partir de arquivos JSON Lines. Para saber mais sobre esses dados tabulares em arquivos JSON Lines em TabularDataset, visitehttps://aka.ms/azureml-data para obter documentação.
  - Adicionados outros campos de tamanho de VM (disco do SO, número de GPUs) à função supported_vmsizes()
  - Adicionados outros campos à função list_nodes() para mostrar a execução, o IP privado e público, a porta, etc.
  - Capacidade de especificar um novo campo durante o provisionamento de cluster que pode ser definido como habilitado ou desabilitado, dependendo se você gostaria de deixar a porta SSH aberta ou fechada no momento da criação do cluster. Se você não especificá-lo, o serviço abre ou fecha a porta de forma inteligente, dependendo se você está implantando o cluster dentro de uma rede virtual.
- azureml-explicar-modelo
  - Documentação melhorada para saídas de explicação no cenário de classificação.
  - Adicionada a capacidade de carregar os valores y previstos na explicação para os exemplos de avaliação. Desbloqueia visualizações mais úteis.
  - Adicionada propriedade explicadora a MimicWrapper para permitir a obtenção do MimicExplainer subjacente.
- azureml-pipeline-core
  - Bloco de anotações adicionado para descrever Module, ModuleVersion e ModuleStep
- azureml-pipeline-steps
  - Adicionado RScriptStep para suportar script R executado via pipeline AML.
  - Parâmetros de metadados fixos analisando no AzureBatchStep que estava causando a mensagem de erro "atribuição para o parâmetro SubscriptionId não é especificada".
- azureml-train-automl
  - Suportado training_data, validation_data, label_column_name weight_column_name como formato de entrada de dados
  - Adicionada mensagem de substituição para explain_model() e retrieve_model_explanations()
- azureml-pipeline-core
  - Adicionado um bloco de anotações para descrever Module, [ModuleVersion e ModuleStep.
- azureml-pipeline-steps
  - Adicionado RScriptStep para suportar script R executado via pipeline AML.
  - Parâmetros de metadados corrigidos analisando em [AzureBatchStep que estava causando a mensagem de erro "atribuição para o parâmetro SubscriptionId não é especificado".
- azureml-train-automl
  - Suportado training_data, validation_data, label_column_name weight_column_name como formato de entrada de dados.
  - Adicionada mensagem de substituição para explain_model() e retrieve_model_explanations().

2019-09-16

SDK do Azure Machine Learning para Python v1.0.62

Novas funcionalidades
- Introduzido o timeseries traço em TabularDataset. Essa característica permite a filtragem fácil de carimbo de data/hora em dados de um TabularDataset, como a obtenção de todos os dados entre um intervalo de tempo ou os dados mais recentes. https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/work-with-data/datasets-tutorial/timeseries-datasets/tabular-timeseries-dataset-filtering.ipynb para um caderno de exemplo.
- Treinamento habilitado com TabularDataset e FileDataset.
- azureml-train-core
  - Adicionado Nccl e Gloo suporte no estimador PyTorch
Correções de bugs e melhorias
- azureml-automl-core
  - Preterido a configuração AutoML 'lag_length' e o LaggingTransformer.
  - Corrigida a validação correta dos dados de entrada se eles forem especificados em um formato de fluxo de dados
  - Modificado o fit_pipeline.py para gerar o gráfico json e carregar para artefatos.
  - Renderizado o gráfico em userrun usando Cytoscape.
- azureml-core
  - Revisitou o tratamento de exceções no código ADB e fez alterações de acordo com o novo tratamento de erros
  - Adicionada autenticação MSI automática para VMs de Notebook.
  - Corrige bugs em que modelos corrompidos ou vazios podiam ser carregados devido a tentativas falhadas.
  - Corrigido o bug em que DataReference o nome muda quando o DataReference modo muda (por exemplo, ao chamar as_upload, as_download, ou as_mount).
  - Marca mount_point e target_path opcional para FileDataset.mount e FileDataset.download.
  - A exceção de que a coluna de carimbo de data/hora não pode ser encontrada é descartada se a API relacionada a seriados de data e hora for chamada sem coluna de carimbo de data/hora fina atribuída ou se as colunas de carimbo de data/hora atribuídas forem descartadas.
  - As colunas de séries de tempo devem ser atribuídas com coluna cujo tipo é Data, caso contrário, a exceção é esperada
  - As colunas de séries de tempo que atribuem API 'with_timestamp_columns' podem ter o nome da coluna de carimbo de data/hora fino/grosseiro de nenhum valor, que limpa colunas de carimbo de data/hora atribuídas anteriormente.
  - A exceção será descartada quando a coluna de carimbo de data/hora de grão grosso ou grão fino for descartada com indicação para o usuário de que a queda pode ser feita depois de excluir a coluna de carimbo de data/hora na lista suspensa ou chamar with_time_stamp com valor Nenhum para liberar colunas de carimbo de data/hora
  - A exceção será descartada quando a coluna de carimbo de data/hora de grão grosso ou de grão fino não for incluída na lista de colunas de manutenção com indicação para o usuário de que a manutenção pode ser feita depois de incluir a coluna de carimbo de data/hora na lista de colunas de manutenção ou chamar with_time_stamp com o valor Nenhum para liberar colunas de carimbo de data/hora.
  - Adicionado registro em log para o tamanho de um modelo registrado.
- azureml-explicar-modelo
  - Aviso corrigido impresso no console quando o pacote Python de "empacotamento" não está instalado: "Usando a versão mais antiga do que a suportada do lightgbm, atualize para a versão maior que 2.2.1"
  - Explicação do modelo de download corrigido com fragmentação para explicações globais com muitos recursos
  - Corrigido imitador explicador faltando exemplos de inicialização na explicação de saída
  - Corrigido erro imutável nas propriedades definidas ao carregar com o cliente de explicação usando dois tipos diferentes de modelos
  - Adicionada uma get_raw param à pontuação explainer.explain() para que um explicador de pontuação possa retornar valores projetados e brutos.
- azureml-train-automl
  - Introduziu APIs públicas do AutoML para explicações de suporte do automl SDK explicativo - Maneira mais recente de suportar explicações do AutoML desacoplando a featurização do AutoML e explicar o SDK - Suporte integrado de explicação bruta do azureml explicar o SDK para modelos AutoML.
  - Remoção de azureml-defaults de ambientes de treinamento remoto.
  - Local de armazenamento de cache padrão alterado de FileCacheStore baseado em um para AzureFileCacheStore um para AutoML no caminho de código do Azure Databricks.
  - Corrigida a validação correta dos dados de entrada se eles forem especificados em um formato de fluxo de dados
- azureml-train-core
  - Revertida source_directory_data_store preterição.
  - Adicionada a capacidade de substituir as versões do pacote instalado azureml.
  - Adicionado suporte a dockerfile em environment_definition parâmetros em estimadores.
  - Parâmetros de treinamento distribuídos simplificados em estimadores.
```
from azureml.train.dnn import TensorFlow, Mpi, ParameterServer
```

2019-09-09

Nova experiência Web (pré-visualização) para espaços de trabalho do Azure Machine Learning

A nova experiência na Web permite que cientistas de dados e engenheiros de dados completem seu ciclo de vida completo de aprendizado de máquina, desde a preparação e visualização de dados até o treinamento e a implantação de modelos em um único local.

Interface do usuário do espaço de trabalho do Azure Machine Learning (visualização)

Principais características:

Usando essa nova interface do Azure Machine Learning, agora você pode:

Gerencie seus blocos de anotações ou vincule-se ao Jupyter
Executar experimentos automatizados de ML
Crie conjuntos de dados a partir de arquivos locais, datastores, arquivos da Web &
Explore e prepare conjuntos de dados para a criação de modelos
Monitore o desvio de dados para seus modelos
Ver recursos recentes a partir de um dashboard

No momento, desta versão, os seguintes navegadores são suportados: Chrome, Firefox, Safari e Microsoft Edge Preview.

Problemas conhecidos:

Atualize o seu navegador se vir "Algo correu mal! Erro ao carregar arquivos de bloco" quando a implantação está em andamento.
Não é possível excluir ou renomear arquivo em Blocos de Anotações e Arquivos. Durante a Visualização Pública, você pode usar a interface do usuário do Jupyter ou o Terminal na VM do Bloco de Anotações para executar operações de atualização de arquivos. Como é um sistema de arquivos de rede montado, todas as alterações feitas na VM do Bloco de Anotações são imediatamente refletidas no Espaço de Trabalho do Bloco de Anotações.
Para SSH na VM do Bloco de Anotações:
1. Encontre as chaves SSH que foram criadas durante a configuração da VM. Ou, localize as chaves no espaço de trabalho > do Azure Machine Learning, abra a guia > Computação, localize a VM do Bloco de Anotações na lista > , abra suas propriedades: copie as chaves da caixa de diálogo.
2. Importe essas chaves SSH públicas e privadas para sua máquina local.
3. Use-os para SSH na VM do Bloco de Anotações.

2019-09-03

SDK do Azure Machine Learning para Python v1.0.60

Novas funcionalidades
- Introduzido FileDataset, que faz referência a um ou vários arquivos em seus armazenamentos de dados ou urls públicas. Os arquivos podem ser de qualquer formato. FileDataset fornece a capacidade de baixar ou montar os arquivos para sua computação.
- Adicionado suporte de pipeline Yaml para PythonScript Step, Adla Step, Databricks Step, DataTransferStep e AzureBatch Step
Correções de bugs e melhorias
- azureml-automl-core
  - AutoArima agora é um pipeline sugestionável apenas para visualização.
  - Melhoria na comunicação de erros para previsão.
  - Melhorou o registro usando exceções personalizadas em vez de genéricas nas tarefas de previsão.
  - Removida a verificação no max_concurrent_iterations ser menor do que o número total de iterações.
  - Os modelos AutoML agora retornam AutoMLExceptions
  - Esta versão melhora o desempenho de execução de execuções locais automatizadas de aprendizado de máquina.
- azureml-core
  - Introduza Dataset.get_all(espaço de trabalho), que retorna um dicionário e FileDataset objetos chaveados por seu nome de TabularDataset registro.
```
workspace = Workspace.from_config()
all_datasets = Dataset.get_all(workspace)
mydata = all_datasets['my-data']
```
  - Introduza parition_format como argumento para Dataset.Tabular.from_delimited_files e Dataset.Tabular.from_parquet.files. As informações de partição de cada caminho de dados são extraídas em colunas com base no formato especificado. '{column_name}' cria coluna de cadeia de caracteres, e '{column_name:aaaa/MM/dd/HH/mm/ss}' cria coluna datetime, onde 'aaaa', 'MM', 'dd', 'HH', 'mm' e 'ss' são usados para extrair ano, mês, dia, hora, minuto e segundo para o tipo datetime. O partition_format deve começar a partir da posição da primeira chave de partição até o final do caminho do arquivo. Por exemplo, dado o caminho '.. /USA/2019/01/01/data.csv' onde a partição é por país/região e hora, partition_format='/{Country}/{PartitionDate:yyyy/MM/dd}/data.csv' cria a coluna string 'Country' com o valor 'USA' e a coluna datetime 'PartitionDate' com o valor '2019-01-01'.
```
workspace = Workspace.from_config()
all_datasets = Dataset.get_all(workspace)
mydata = all_datasets['my-data']
```
  - Introduza partition_format como argumento para Dataset.Tabular.from_delimited_files e Dataset.Tabular.from_parquet.files. As informações de partição de cada caminho de dados são extraídas em colunas com base no formato especificado. '{column_name}' cria coluna de cadeia de caracteres, e '{column_name:aaaa/MM/dd/HH/mm/ss}' cria coluna datetime, onde 'aaaa', 'MM', 'dd', 'HH', 'mm' e 'ss' são usados para extrair ano, mês, dia, hora, minuto e segundo para o tipo datetime. O partition_format deve começar a partir da posição da primeira chave de partição até o final do caminho do arquivo. Por exemplo, dado o caminho '.. /USA/2019/01/01/data.csv' onde a partição é por país/região e hora, partition_format='/{Country}/{PartitionDate:yyyy/MM/dd}/data.csv' cria a coluna string 'Country' com o valor 'USA' e a coluna datetime 'PartitionDate' com o valor '2019-01-01'.
  - to_csv_files e to_parquet_files métodos foram adicionados ao TabularDataset. Esses métodos permitem a conversão entre a TabularDataset e a FileDataset , convertendo os dados em arquivos do formato especificado.
  - Faça login automaticamente no registro de imagem base ao salvar um Dockerfile gerado por Model.package().
  - A «gpu_support» deixou de ser necessária; AML agora deteta automaticamente e usa a extensão docker nvidia quando ela está disponível. Ele será removido em uma versão futura.
  - Adicionado suporte para criar, atualizar e usar PipelineDrafts.
  - Esta versão melhora o desempenho de execução de execuções locais automatizadas de aprendizado de máquina.
  - Os usuários podem consultar métricas do histórico de execução pelo nome.
  - Melhorou o registro usando exceções personalizadas em vez de genéricas nas tarefas de previsão.
- azureml-explicar-modelo
  - Adicionado feature_maps parâmetro ao novo MimicWrapper, permitindo que os usuários obtenham explicações brutas sobre recursos.
  - Os carregamentos de conjuntos de dados agora estão desativados por padrão para upload de explicação e podem ser reativados com upload_datasets=True
  - Adicionado parâmetros de filtragem "is_law" para lista de explicação e funções de download.
  - Adiciona método get_raw_explanation(feature_maps) a objetos de explicação globais e locais.
  - Adicionada verificação de versão ao lightgbm com aviso impresso se abaixo da versão suportada
  - Uso de memória otimizado ao enviar explicações em lote
  - Os modelos AutoML agora retornam AutoMLExceptions
- azureml-pipeline-core
  - Adicionado suporte para criar, atualizar e usar PipelineDrafts - pode ser usado para manter definições de pipeline mutáveis e usá-las interativamente para executar
- azureml-train-automl
  - Recurso criado para instalar versões específicas do pytorch compatível com gpu v1.1.0, cuda toolkit 9.0, pytorch-transformers, que é necessário para habilitar o BERT / XLNet no ambiente remoto de tempo de execução do Python.
- azureml-train-core
  - Falha precoce de alguns erros de definição de espaço de hiperparâmetro diretamente no sdk em vez do lado do servidor.

SDK do Azure Machine Learning Data Prep v1.1.14

Correções de bugs e melhorias
- Habilitada a gravação em ADLS/ADLSGen2 usando caminho bruto e credenciais.
- Corrigido um bug que fazia com include_path=True que não funcionasse para read_parqueto .
- Corrigida to_pandas_dataframe() falha causada pela exceção "Valor de propriedade inválido: hostSecret".
- Corrigido um bug em que os arquivos não podiam ser lidos no DBFS no modo Spark.

2019-08-19

SDK do Azure Machine Learning para Python v1.0.57

Novas funcionalidades
- Habilitado TabularDataset para ser consumido pelo AutomatedML. Para saber mais sobre TabularDataseto , visitehttps://aka.ms/azureml/howto/createdatasets.
Correções de bugs e melhorias
- azure-cli-ml
  - Agora você pode atualizar o certificado TLS/SSL para o ponto de extremidade de pontuação implantado no cluster AKS, tanto para o certificado gerado pela Microsoft quanto para o certificado do cliente.
- azureml-automl-core
  - Corrigido um problema no AutoML em que as linhas com etiquetas em falta não eram removidas corretamente.
  - Registo de erros melhorado no AutoML; As mensagens de erro completas agora sempre serão gravadas no arquivo de log.
  - O AutoML atualizou sua fixação de pacote para incluir azureml-defaults, azureml-explain-modele azureml-dataprep. O AutoML não avisa mais sobre incompatibilidades de pacotes (exceto pacotes azureml-train-automl ).
  - Corrigido um problema em timeseries que as divisões cv eram de tamanho desigual, fazendo com que o cálculo do compartimento falhasse.
  - Ao executar a iteração de conjunto para o tipo de treinamento de Validação Cruzada, se acabássemos tendo problemas para baixar os modelos treinados em todo o conjunto de dados, estávamos tendo uma inconsistência entre os pesos do modelo e os modelos que estavam sendo alimentados no conjunto de votação.
  - Corrigido o erro, gerado quando os rótulos de treinamento e/ou validação (y e y_valid) são fornecidos na forma de dataframe pandas, mas não como matriz numpy.
  - Corrigido o problema com as tarefas de previsão quando Nenhum foi encontrado nas colunas booleanas das tabelas de entrada.
  - Permita que os usuários do AutoML abandonem séries de treinamento que não são longas o suficiente durante a previsão. - Permitir que os usuários do AutoML soltem grãos do conjunto de testes que não existem no conjunto de treinamento durante a previsão.
- azureml-core
  - Corrigido o problema com blob_cache_timeout ordenação de parâmetros.
  - Adicionado ajuste externo e transformação de tipos de exceção para erros do sistema.
  - Adicionado suporte para segredos do Key Vault para execuções remotas. Adicione uma azureml.core.keyvault.Keyvault classe para adicionar, obter e listar segredos do cofre de chaves associado ao seu espaço de trabalho. As operações apoiadas são:
    - azureml.core.workspace.Workspace.get_default_keyvault()
    - azureml.core.keyvault.Keyvault.set_secret(nome, valor)
    - azureml.core.keyvault.Keyvault.set_secrets(secrets_dict)
    - azureml.core.keyvault.Keyvault.get_secret(nome)
    - azureml.core.keyvault.Keyvault.get_secrets(secrets_list)
    - azureml.core.keyvault.Keyvault.list_secrets()
    - Mais métodos para obter keyvault padrão e obter segredos durante a execução remota:
    - azureml.core.workspace.Workspace.get_default_keyvault()
    - azureml.core.run.Run.get_secret(nome)
    - azureml.core.run.Run.get_secrets(secrets_list)
  - Adicionados outros parâmetros de substituição ao comando submit-hyperdrive CLI.
  - Melhore a confiabilidade das chamadas de API e expanda as tentativas para exceções comuns da biblioteca de solicitações.
  - Adicione suporte para o envio de execuções a partir de uma execução enviada.
  - Corrigido o problema do token SAS que expirava no FileWatcher, que fazia com que os arquivos parassem de ser carregados depois que o token inicial expirasse.
  - Suportado importação de arquivos HTTP csv/tsv no conjunto de dados Python SDK.
  - Preterido o método Workspace.setup(). A mensagem de aviso mostrada aos usuários sugere o uso de create() ou get()/from_config() em vez disso.
  - Adicionado Environment.add_private_pip_wheel(), que permite carregar pacotes whlPython personalizados privados para o espaço de trabalho e usá-los com segurança para construir/materializar o ambiente.
  - Agora você pode atualizar o certificado TLS/SSL para o ponto de extremidade de pontuação implantado no cluster AKS, tanto para o certificado gerado pela Microsoft quanto para o certificado do cliente.
- azureml-explicar-modelo
  - Adicionado parâmetro para adicionar um ID de modelo às explicações no upload.
  - Adicionada is_raw marcação às explicações na memória e upload.
  - Adicionado suporte pytorch e testes para azureml-explain-model package.
- Azureml-OpenDataSets
  - Suporte a deteção e registro de ambiente de teste automático.
  - Classes adicionadas para obter a população dos EUA por condado e zip.
- azureml-pipeline-core
  - Adicionada propriedade label às definições de porta de entrada e saída.
- telemetria azureml
  - Corrigida uma configuração de telemetria incorreta.
- azureml-train-automl
  - Corrigido o bug onde na falha de instalação, o erro não estava sendo registrado no campo "erros" para a execução da instalação e, portanto, não foi armazenado no pai executar "erros".
  - Corrigido um problema no AutoML em que as linhas com etiquetas em falta não eram removidas corretamente.
  - Permita que os usuários do AutoML descartem séries de treinamento que não são longas o suficiente durante a previsão.
  - Permita que os usuários do AutoML soltem grãos do conjunto de teste que não existem no conjunto de treinamento durante a previsão.
  - Agora, o AutoMLStep passa pela automl configuração para o back-end para evitar problemas em alterações ou adições de novos parâmetros de configuração.
  - O AutoML Data Guardrail está agora em pré-visualização pública. O usuário verá um relatório do Data Guardrail (para tarefas de classificação/regressão) após o treinamento e também poderá acessá-lo por meio da API do SDK.
- azureml-train-core
  - Adicionado suporte a tocha 1.2 no PyTorch Estimator.
- azureml-widgets
  - Gráficos de matriz de confusão melhorados para treinamento de classificação.

SDK do Azure Machine Learning Data Prep v1.1.12

Novas funcionalidades
- Listas de cadeias de caracteres agora podem ser passadas como entrada para read_* métodos.
Correções de bugs e melhorias
- O desempenho do read_parquet foi melhorado ao correr no Spark.
- Corrigido um problema em que column_type_builder falhava em uma única coluna com formatos de data ambíguos.

Portal do Azure

Funcionalidade de pré-visualização
- O streaming de arquivos de log e saída agora está disponível para páginas de detalhes de execução. O fluxo de arquivos é atualizado em tempo real quando a opção de visualização está ativada.
- A capacidade de definir cota em um nível de espaço de trabalho é liberada na visualização. As cotas AmlCompute são alocadas no nível de assinatura, mas agora permitimos que você distribua essa cota entre espaços de trabalho e a aloque para compartilhamento justo e governança. Basta clicar na folha Usos+Cotas na barra de navegação esquerda do seu espaço de trabalho e selecionar a guia Configurar Cotas . Você deve ser um administrador de assinatura para poder definir cotas no nível do espaço de trabalho, pois essa é uma operação entre espaços de trabalho.

2019-08-05

SDK do Azure Machine Learning para Python v1.0.55

Novas funcionalidades
- A autenticação baseada em tokens agora é suportada para as chamadas feitas para o ponto de extremidade de pontuação implantado no AKS. Continuamos a oferecer suporte à autenticação baseada em chave atual e os usuários podem usar um desses mecanismos de autenticação de cada vez.
- Capacidade de registrar um armazenamento de blob que está por trás da rede virtual (VNet) como um armazenamento de dados.
Correções de bugs e melhorias
- azureml-automl-core
  - Corrige um bug em que o tamanho da validação para divisões de CV é pequeno e resulta em gráficos previsíveis vs. verdadeiros para regressão e previsão.
  - O registro de tarefas de previsão nas execuções remotas melhorado, agora o usuário é fornecido com uma mensagem de erro abrangente se a execução foi falhada.
  - Corrigidas falhas de se o sinalizador de Timeseries pré-processo for True.
  - Tornou algumas mensagens de erro de validação de dados de previsão mais acionáveis.
  - Consumo de memória reduzido do AutoML é executado por queda e/ou carregamento lento de conjuntos de dados, especialmente entre spawns de processo
- azureml-contrib-explicar-modelo
  - Adicionado sinalizador model_task aos explicadores para permitir que o usuário substitua a lógica de inferência automática padrão para o tipo de modelo
  - Alterações de widget: Instala automaticamente com contrib, não mais nbextension install/enable - explicação de suporte com importância global de recurso (por exemplo, Permutativo)
  - Alterações no painel: - Gráficos de caixa e gráficos de violino, além beeswarm de plotagem na página de resumo - Rerenderização mais rápida do gráfico na mudança de beeswarm controle deslizante 'Top -k' - Mensagem útil explicando como top-k é calculado - Mensagens personalizáveis úteis no lugar de gráficos quando os dados não são fornecidos
- azureml-core
  - Adicionado o método Model.package() para criar imagens do Docker e arquivos do Docker que encapsulam modelos e suas dependências.
  - Webservices locais atualizados para aceitar InferenceConfigs contendo objetos Environment.
  - Fixed Model.register() produzindo modelos inválidos quando '.' (para o diretório atual) é passado como o parâmetro model_path.
  - Adicione Run.submit_child, a funcionalidade espelha Experiment.submit ao especificar a execução como o pai da execução filho enviada.
  - Suporta opções de configuração de Model.register em Run.register_model.
  - Capacidade de executar trabalhos JAR em clusters existentes.
  - Agora suportando instance_pool_id e cluster_log_dbfs_path parâmetros.
  - Adicionado suporte para usar um objeto Environment ao implantar um Model em um WebService. O objeto Environment agora pode ser fornecido como parte do objeto InferenceConfig.
  - Adicionar mapeamento appinsifht para novas regiões - centralus - westus - northcentralus
  - Adicionada documentação para todos os atributos em todas as classes Datastore.
  - Adicionado blob_cache_timeout parâmetro a Datastore.register_azure_blob_container.
  - Adicionados métodos save_to_directory e load_from_directory a azureml.core.environment.Environment.
  - Adicionados os comandos "az ml environment download" e "az ml environment register" à CLI.
  - Adicionado Environment.add_private_pip_wheel método.
- azureml-explicar-modelo
  - Adicionado acompanhamento do conjunto de dados a Explicações usando o serviço Conjunto de dados (visualização).
  - Diminuição do tamanho do lote padrão ao transmitir explicações globais de 10k para 100.
  - Adicionado sinalizador model_task aos explicadores para permitir que o usuário substitua a lógica de inferência automática padrão para o tipo de modelo.
- Azureml-MLFLOW
  - Corrigido bug em mlflow.azureml.build_image onde os diretórios aninhados são ignorados.
- azureml-pipeline-steps
  - Adicionada capacidade de executar trabalhos JAR no cluster existente do Azure Databricks.
  - Adicionado suporte instance_pool_id e cluster_log_dbfs_path parâmetros para a etapa DatabricksStep.
  - Adicionado suporte para parâmetros de pipeline na etapa DatabricksStep.
- azureml-train-automl
  - Adicionado docstrings para os arquivos relacionados ao Ensemble.
  - Documentos atualizados para o idioma mais apropriado para max_cores_per_iteration e max_concurrent_iterations
  - O registro de tarefas de previsão nas execuções remotas melhorado, agora o usuário é fornecido com uma mensagem de erro abrangente se a execução foi falhada.
  - Removido get_data do bloco de anotações de pipeline automlstep .
  - Iniciou o suporte dataprep em automlstep.

SDK do Azure Machine Learning Data Prep v1.1.10

Novas funcionalidades
- Agora você pode solicitar a execução de inspetores específicos (por exemplo, histograma, gráfico de dispersão, etc.) em colunas específicas.
- Adicionado um argumento de paralelização ao append_columns. Se True, os dados são carregados na memória, mas a execução é executada em paralelo; se False, a execução é streaming, mas single-threaded.

2019-07-23

SDK do Azure Machine Learning para Python v1.0.53

Novas funcionalidades
- O Automated Machine Learning agora suporta o treinamento de modelos ONNX no destino de computação remota
- O Azure Machine Learning agora oferece a capacidade de retomar o treinamento de uma execução, ponto de verificação ou arquivos de modelo anteriores.
  - Saiba como usar estimadores para retomar o treinamento de uma execução anterior
Correções de bugs e melhorias
- azure-cli-ml
  - Os comandos da CLI "model deploy" e "service update" agora aceitam parâmetros, arquivos de configuração ou uma combinação dos dois. Os parâmetros têm precedência sobre os atributos nos arquivos.
  - A descrição do modelo pode agora ser atualizada após o registo
- azureml-automl-core
  - Atualize a dependência do NimbusML para a versão 1.2.0 (mais recente).
  - Adição de suporte para estimadores NimbusML e pipelines a serem usados dentro de estimadores AutoML.
  - Corrigir um bug no processo de seleção do Ensemble que estava crescendo desnecessariamente o conjunto resultante, mesmo que as pontuações permanecessem constantes.
  - Habilite a reutilização de algumas featurizações em CV Splits para tarefas de previsão. Isso acelera o tempo de execução da configuração em aproximadamente um fator de n_cross_validations para funcionalidades caras, como atrasos e janelas rolantes.
  - Resolver um problema se o tempo estiver fora do intervalo de tempo suportado pelos pandas. Agora levantamos um DataException se o tempo for menor que pd. Timestamp.min ou maior que pd. Timestamp.max
  - A previsão permite agora diferentes frequências nos conjuntos de comboios e de ensaio, se puderem ser alinhadas. Por exemplo, "trimestral a partir de janeiro" e "trimestral a partir de outubro" podem ser alinhados.
  - A propriedade "parameters" foi adicionada ao TimeSeriesTransformer.
  - Remova as classes de exceção antigas.
  - Em tarefas de previsão, o target_lags parâmetro agora aceita um único valor inteiro ou uma lista de inteiros. Se o inteiro foi fornecido, apenas um atraso é criado. Se uma lista for fornecida, os valores exclusivos de lags serão tomados. target_lags=[1, 2, 2, 4] cria defasagens de um, dois e quatro períodos.
  - Corrigir o bug sobre a perda de tipos de colunas após a transformação (bug vinculado);
  - Em model.forecast(X, y_query), permita que y_query seja um tipo de objeto contendo Nenhum(es) no início (#459519).
  - Adicionar valores esperados à automl saída
- azureml-contrib-datadrift
  - Melhorias no bloco de anotações de exemplo, incluindo alternar para azureml-opendatasets em vez de azureml-contrib-opendatasets e melhorias de desempenho ao enriquecer dados
- azureml-contrib-explicar-modelo
  - Corrigido o argumento de transformações para o explicador LIME para importância do recurso bruto no pacote azureml-contrib-explain-model
  - Segmentações adicionadas a explicações de imagem no explicador de imagem para o pacote AzureML-contrib-explain-model
  - Adicione suporte escasso para o LimeExplainer
  - Adicionado batch_size ao explicador de imitação quando include_local=False, para transmitir explicações globais em lotes para melhorar o tempo de execução de DecisionTreeExplainableModel
- azureml-contrib-featureengineering
  - Correção para chamar set_featurizer_timeseries_params(): alteração de tipo de valor de dict e verificação nula - Adicionar bloco de anotações para timeseries featurizer
  - Atualize a dependência do NimbusML para a versão 1.2.0 (mais recente).
- azureml-core
  - Adicionada a capacidade de anexar armazenamentos de dados DBFS na CLI do Azure Machine Learning
  - Corrigido o bug com o carregamento do armazenamento de dados onde uma pasta vazia é criada se target_path iniciada com /
  - Corrigido deepcopy o problema em ServicePrincipalAuthentication.
  - Adicionados os comandos "az ml environment show" e "az ml environment list" à CLI.
  - Os ambientes agora suportam a especificação de um base_dockerfile como alternativa a um base_image já construído.
  - A definição RunConfiguration não utilizada auto_prepare_environment foi marcada como obsoleta.
  - A descrição do modelo pode agora ser atualizada após o registo
  - Correção de bugs: A exclusão de modelo e imagem agora fornece mais informações sobre como recuperar objetos upstream que dependem deles se a exclusão falhar devido a uma dependência upstream.
  - Corrigido bug que imprimia duração em branco para implantações que ocorrem ao criar um espaço de trabalho para alguns ambientes.
  - Exceções de falha aprimoradas para a criação de espaço de trabalho. De tal forma que os usuários não vejam "Não é possível criar espaço de trabalho. Não consigo encontrar..." como a mensagem e, em vez disso, ver a falha de criação real.
  - Adicione suporte para autenticação de token em webservices AKS.
  - Adicionar get_token() método a Webservice objetos.
  - Adicionado suporte à CLI para gerenciar conjuntos de dados de aprendizado de máquina.
  - Datastore.register_azure_blob_container Agora, opcionalmente, usa um blob_cache_timeout valor (em segundos) que configura os parâmetros de montagem do Blobfuse para habilitar a expiração do cache para esse armazenamento de dados. O padrão é nenhum tempo limite, como quando um blob é lido, ele permanece no cache local até que o trabalho seja concluído. A maioria dos trabalhos prefere essa configuração, mas alguns trabalhos precisam ler mais dados de um grande conjunto de dados do que caberão em seus nós. Para esses trabalhos, ajustar esse parâmetro os ajuda a ter sucesso. Tenha cuidado ao ajustar este parâmetro: definir o valor muito baixo pode resultar em baixo desempenho, pois os dados usados em uma época podem expirar antes de serem usados novamente. Todas as leituras são feitas a partir do armazenamento/rede de blob em vez do cache local, o que afeta negativamente os tempos de treinamento.
  - A descrição do modelo pode agora ser devidamente atualizada após o registo
  - A exclusão de modelo e imagem agora fornece mais informações sobre objetos upstream que dependem deles, o que faz com que a exclusão falhe
  - Melhore a utilização de recursos de execuções remotas usando azureml.mlflow.
- azureml-explicar-modelo
  - Corrigido o argumento de transformações para o explicador LIME para importância do recurso bruto no pacote azureml-contrib-explain-model
  - adicionar suporte scipy sparse para LimeExplainer
  - adicionado invólucro explicativo linear de forma e outro nível para explicador tabular para explicar modelos lineares
  - para mimic explainer na biblioteca de modelos explicativos, corrigido erro quando include_local=False para entrada de dados esparsos
  - adicionar valores esperados à automl saída
  - importância do recurso de permutação fixa quando o argumento de transformações é fornecido para obter importância bruta do recurso
  - adicionado batch_size ao explicador de imitação quando include_local=False, para transmitir explicações globais em lotes para melhorar o tempo de execução de DecisionTreeExplainableModel
  - Para a Biblioteca de Explicabilidade do Modelo, explicadores de caixa preta fixos onde a entrada do Pandas DataFrame é necessária para previsão
  - Corrigido um bug onde explanation.expected_values às vezes retornava um float em vez de uma lista com um float nele.
- Azureml-MLFLOW
  - Melhorar o desempenho de mlflow.set_experiment(experiment_name)
  - Corrigir bug no uso de InteractiveLoginAuthentication para mlflow tracking_uri
  - Melhore a utilização de recursos de execuções remotas usando azureml.mlflow.
  - Melhorar a documentação do pacote azureml-mlflow
  - Patch bug em que mlflow.log_artifacts("my_dir") salvaria artefatos em my_dir/<artifact-paths> vez de <artifact-paths>
- Azureml-OpenDataSets
  - Pin pyarrow de opendatasets para versões antigas (<0.14.0) devido a um problema de memória recentemente introduzido lá.
  - Mova azureml-contrib-opendatasets para azureml-opendatasets.
  - Permita que classes de conjunto de dados abertas sejam registradas no espaço de trabalho do Azure Machine Learning e use os recursos do conjunto de dados AML perfeitamente.
  - Melhorar o NoaaIsdWeather enriquecer significativamente o desempenho na versão não-SPARK.
- azureml-pipeline-steps
  - DBFS Datastore agora é suportado para entradas e saídas em DatabricksStep.
  - Documentação atualizada para o Azure Batch Step em relação a entradas/saídas.
  - No AzureBatchStep, alterou delete_batch_job_after_finish valor padrão para true.
- telemetria azureml
  - Mova azureml-contrib-opendatasets para azureml-opendatasets.
  - Permita que classes de conjunto de dados abertas sejam registradas no espaço de trabalho do Azure Machine Learning e use os recursos do conjunto de dados AML perfeitamente.
  - Melhorar o NoaaIsdWeather enriquecer significativamente o desempenho na versão não-SPARK.
- azureml-train-automl
  - Documentação atualizada sobre get_output para refletir o tipo de retorno real e fornecer outras notas sobre a recuperação de propriedades de chave.
  - Atualize a dependência do NimbusML para a versão 1.2.0 (mais recente).
  - adicionar valores esperados à automl saída
- azureml-train-core
  - As cadeias de caracteres agora são aceitas como destino de computação para o Ajuste Automatizado de Hiperparâmetros
  - A definição RunConfiguration não utilizada auto_prepare_environment foi marcada como obsoleta.

SDK do Azure Machine Learning Data Prep v1.1.9

Novas funcionalidades
- Adicionado suporte para ler um arquivo diretamente de uma url http ou https.
Correções de bugs e melhorias
- Mensagem de erro melhorada ao tentar ler um conjunto de dados do Parquet a partir de uma fonte remota (que não é suportada atualmente).
- Corrigido um bug ao gravar no formato de arquivo Parquet no ADLS Gen 2 e atualizar o nome do contêiner ADLS Gen 2 no caminho.

2019-07-09

Visual Interface

Funcionalidades de pré-visualização
- Adicionado módulo "Executar script R" na interface visual.

SDK do Azure Machine Learning para Python v1.0.48

Novas funcionalidades
- Azureml-OpenDataSets
  - azureml-contrib-opendatasets agora está disponível como azureml-opendatasets. O pacote antigo ainda pode funcionar, mas recomendamos que você use azureml-opendatasets avançando para recursos e melhorias mais avançados.
  - Este novo pacote permite que você registre conjuntos de dados abertos como Conjunto de Dados no espaço de trabalho do Azure Machine Learning e use quaisquer funcionalidades que o Conjunto de Dados ofereça.
  - Ele também inclui recursos existentes, como o consumo de conjuntos de dados abertos como dataframes Pandas/SPARK, e junções de localização para alguns conjuntos de dados, como meteorologia.
Funcionalidades de pré-visualização
- O HyperDriveConfig agora pode aceitar o objeto de pipeline como um parâmetro para dar suporte ao ajuste de hiperparâmetros usando um pipeline.
Correções de bugs e melhorias
- azureml-train-automl
  - Corrigido o bug sobre a perda de tipos de colunas após a transformação.
  - Corrigido o bug para permitir que y_query fosse um tipo de objeto contendo Nenhum(es) no início.
  - Corrigido o problema no processo de seleção do Ensemble que estava crescendo desnecessariamente o conjunto resultante, mesmo que as pontuações permanecessem constantes.
  - Corrigido o problema com as configurações de permissão list_models e bloqueio de list_models no AutoMLStep.
  - Corrigido o problema que impedia o uso do pré-processamento quando o AutoML teria sido usado no contexto dos Pipelines de Aprendizado de Máquina do Azure.
- Azureml-OpenDataSets
  - Movido azureml-contrib-opendatasets para azureml-opendatasets.
  - Permitiu que classes de conjunto de dados abertas fossem registradas no espaço de trabalho do Azure Machine Learning e usassem os recursos do conjunto de dados AML perfeitamente.
  - O NoaaIsdWeather melhorado enriquece significativamente o desempenho na versão não-SPARK.
- azureml-explicar-modelo
  - Documentação on-line atualizada para objetos de interpretabilidade.
  - Adicionado batch_size para imitar explicador quando include_local=False, para transmitir explicações globais em lotes para melhorar o tempo de execução de DecisionTreeExplainableModel para biblioteca de explicabilidade de modelo.
  - Corrigido o problema em que explanation.expected_values às vezes retornava um float em vez de uma lista com um float nele.
  - Adicionado valores esperados à automl saída para o explicador de mímica na biblioteca de modelos explicativos.
  - Corrigida a importância do recurso de permutação quando o argumento de transformações é fornecido para obter importância bruta do recurso.
- azureml-core
  - Adicionada a capacidade de anexar armazenamentos de dados DBFS na CLI do Azure Machine Learning.
  - Corrigido o problema com o carregamento do armazenamento de dados em que uma pasta vazia é criada se target_path iniciada com /o .
  - Permitiu a comparação de dois conjuntos de dados.
  - A exclusão de modelo e imagem agora fornece mais informações sobre como recuperar objetos upstream que dependem deles se a exclusão falhar devido a uma dependência upstream.
  - Preterida a definição RunConfiguration não utilizada no auto_prepare_environment.
- Azureml-MLFLOW
  - Melhor utilização de recursos de execuções remotas que usam azureml.mlflow.
  - Melhorou a documentação do pacote azureml-mlflow.
  - Corrigido o problema em que mlflow.log_artifacts("my_dir") salvava artefatos em "my_dir/artifact-paths" em vez de "artifact-paths".
- azureml-pipeline-core
  - O parâmetro hash_paths para todas as etapas do pipeline foi preterido e será removido no futuro. Por padrão, o conteúdo do source_directory é colocado em hash (exceto os arquivos listados em .amlignore ou .gitignore)
  - Melhoria contínua do Module e do ModuleStep para suportar módulos específicos de tipo de computação, para preparar a integração de RunConfiguration e outras alterações para desbloquear o uso de módulos específicos de tipo de computação em pipelines.
- azureml-pipeline-steps
  - AzureBatchStep: Documentação melhorada sobre entradas/saídas.
  - AzureBatchStep: Alterado delete_batch_job_after_finish valor padrão para true.
- azureml-train-core
  - As cadeias de caracteres agora são aceitas como destino de computação para o ajuste automatizado de hiperparâmetros.
  - Preterida a definição RunConfiguration não utilizada no auto_prepare_environment.
  - Parâmetros preteridos e pip_requirements_file_path a favor e respectivamente conda_dependencies_filepip_requirements_file.conda_dependencies_file_path
- Azureml-OpenDataSets
  - Melhorar o NoaaIsdWeather enriquecer significativamente o desempenho na versão não-SPARK.

2019-04-26

SDK do Azure Machine Learning para Python v1.0.33 lançado.

Os Modelos Acelerados de Hardware do Azure Machine Learning em FPGAs estão geralmente disponíveis.
- Agora você pode usar o pacote azureml-accel-models para:
  - Treine os pesos de uma rede neural profunda suportada (ResNet 50, ResNet 152, DenseNet-121, VGG-16 e SSD-VGG)
  - Use a aprendizagem de transferência com a DNN suportada
  - Registre o modelo no Model Management Service e coloque o modelo em contêiner
  - Implantar o modelo em uma VM do Azure com um FPGA em um cluster do Serviço Kubernetes do Azure (AKS)
- Implantar o contêiner em um dispositivo de servidor Azure Stack Edge
- Marque seus dados com o ponto de extremidade gRPC com este exemplo

Machine Learning Automatizado

Varredura de recursos para permitir a adição featurizers dinâmica para otimização de desempenho. Novo featurizers: incorporação de trabalho, peso de evidência, codificações de destino, codificação de destino de texto, distância de cluster
CV inteligente para lidar com divisões de trem/válidas dentro de ML automatizado
Poucas alterações de otimização de memória e melhoria de desempenho em tempo de execução
Melhoria do desempenho na explicação do modelo
Conversão de modelo ONNX para execução local
Adicionado suporte de subamostragem
Paragem inteligente quando não são definidos critérios de saída
Conjuntos empilhados
Previsão de Série Temporal
- Nova função de previsão
- Agora você pode usar a validação cruzada de origem rolante em dados de séries cronológicas
- Nova funcionalidade adicionada para configurar atrasos de séries cronológicas
- Nova funcionalidade adicionada para suportar recursos de agregação de janelas contínuas
- Nova deteção de feriados e featurizer quando o código de país/região é definido nas configurações do experimento
Azure Databricks
- Previsão de séries temporais habilitada e capacidade de explicabilidade/interpretabilidade do modelo
- Agora você pode cancelar e retomar (continuar) experimentos automatizados de ML
- Adicionado suporte para processamento multicore

MLOps

Implantação local e depuração para pontuação de contêineres
Agora você pode implantar um modelo de ML localmente e iterar rapidamente em seu arquivo de pontuação e dependências para garantir que eles se comportem conforme o esperado.
Introduzido InferenceConfig & Model.deploy()
A implantação do modelo agora suporta a especificação de uma pasta de origem com um script de entrada, o mesmo que um RunConfig. Além disso, a implantação do modelo foi simplificada para um único comando.
Rastreamento de referência do Git
Os clientes vêm solicitando recursos básicos de integração do Git há algum tempo, pois ele ajuda a manter uma trilha de auditoria completa. Implementámos o acompanhamento entre as principais entidades no Azure Machine Learning para metadados relacionados com o Git (repo, commit, clean state). Essas informações serão coletadas automaticamente pelo SDK e pela CLI.
Criação de perfil de modelo e serviço de validação
Os clientes queixam-se frequentemente da dificuldade em dimensionar adequadamente a computação associada ao seu serviço de inferência. Com o nosso serviço de criação de perfil de modelo, o cliente pode fornecer entradas de amostra e traçamos perfis em 16 configurações diferentes de CPU / memória para determinar o dimensionamento ideal para implantação.
Traga sua própria imagem base para inferência
Outra queixa comum foi a dificuldade em passar da experimentação para a inferência de dependências de compartilhamento de ER. Com nosso novo recurso de compartilhamento de imagens de base, agora você pode reutilizar suas imagens de base de experimentação, dependências e tudo mais, para inferência. Isso deve acelerar as implantações e reduzir a lacuna do loop interno para o externo.
Experiência melhorada de geração de esquemas Swagger
Nosso método anterior de geração de swagger era propenso a erros e impossível de automatizar. Temos uma nova maneira in-line de gerar esquemas swagger a partir de qualquer função Python através de decoradores. Temos esse código de código aberto e nosso protocolo de geração de esquema não está acoplado à plataforma Azure Machine Learning.
A CLI do Azure Machine Learning está disponível em geral (GA)
Os modelos agora podem ser implantados com um único comando da CLI. Recebemos feedback comum dos clientes de que ninguém implanta um modelo de ML a partir de um notebook Jupyter. A documentação de referência da CLI foi atualizada.

2019-04-22

SDK do Azure Machine Learning para Python v1.0.30 lançado.

O PipelineEndpoint foi introduzido para adicionar uma nova versão de um pipeline publicado, mantendo o mesmo ponto de extremidade.

2019-04-15

Portal do Azure

Agora você pode reenviar um script existente executado em um cluster de computação remoto existente.
Agora você pode executar um pipeline publicado com novos parâmetros na guia Pipelines.
Executar detalhes agora suporta um novo visualizador de arquivos Snapshot. Você pode exibir um instantâneo do diretório quando enviou uma execução específica. Você também pode baixar o bloco de anotações que foi enviado para iniciar a execução.
Agora você pode cancelar execuções pai no portal do Azure.

2019-04-08

SDK do Azure Machine Learning para Python v1.0.23

Novas funcionalidades
- O SDK do Azure Machine Learning agora oferece suporte ao Python 3.7.
- Os Estimadores DNN do Azure Machine Learning agora fornecem suporte interno a várias versões. Por exemplo, TensorFlow o estimador agora aceita um framework_version parâmetro e os usuários podem especificar a versão '1.10' ou '1.12'. Para obter uma lista das versões suportadas pela versão atual do SDK, chame get_supported_versions() a classe de estrutura desejada (por exemplo, TensorFlow.get_supported_versions()). Para obter uma lista das versões suportadas pela versão mais recente do SDK, consulte a documentação do DNN Estimator.

2019-03-25

SDK do Azure Machine Learning para Python v1.0.21

Novas funcionalidades
- O método azureml.core.Run.create_children permite a criação de baixa latência de várias execuções filho com uma única chamada.

2019-03-11

SDK do Azure Machine Learning para Python v1.0.18

Alterações
- O pacote azureml-tensorboard substitui azureml-contrib-tensorboard.
- Com esta versão, você pode configurar uma conta de usuário em seu cluster de computação gerenciado (amlcompute), enquanto a cria. Isso pode ser feito passando essas propriedades na configuração de provisionamento. Você pode encontrar mais detalhes na documentação de referência do SDK.

SDK do Azure Machine Learning Data Prep v1.0.17

Novas funcionalidades
- Agora suporta a adição de duas colunas numéricas para gerar uma coluna resultante usando a linguagem de expressão.
Correções de bugs e melhorias
- Melhorou a documentação e a verificação de parâmetros para random_split.

2019-02-27

SDK do Azure Machine Learning Data Prep v1.0.16

Correção de bugs
- Corrigido um problema de autenticação da Entidade de Serviço causado por uma alteração de API.

2019-02-25

SDK do Azure Machine Learning para Python v1.0.17

Novas funcionalidades
- O Azure Machine Learning agora fornece suporte de primeira classe para o popular DNN framework Chainer. Usando Chainer usuários de classe pode facilmente treinar e implantar modelos Chainer.
  - Saiba como executar o ajuste de hiperparâmetros com o Chainer usando o HyperDrive
- Os Pipelines do Azure Machine Learning adicionaram a capacidade de acionar uma execução de Pipeline com base em modificações do armazenamento de dados. O bloco de anotações de agendamento de pipeline é atualizado para mostrar esse recurso.
Correções de bugs e melhorias
- Adicionamos suporte nos pipelines do Azure Machine Learning para definir a propriedade source_directory_data_store para um armazenamento de dados desejado (como um armazenamento de blob) em RunConfigurations que são fornecidos para o PythonScriptStep. Por padrão, as etapas usam o repositório de arquivos do Azure como o armazenamento de dados de backup, que pode ter problemas de limitação quando um grande número de etapas é executado simultaneamente.

Portal do Azure

Novas funcionalidades
- Nova experiência de editor de tabelas de arrastar e soltar para relatórios. Os usuários podem arrastar uma coluna do poço para a área da tabela, onde uma visualização da tabela será exibida. As colunas podem ser reorganizadas.
- Novo visualizador de ficheiros Logs
- Links para execuções de experimentos, computação, modelos, imagens e implantações da guia Atividades

Próximos passos

Leia a descrição geral do Azure Machine Learning.