Jobs - Get

Serviço:: Machine Learning

Versão da API:: 2025-04-01

Obtém um trabalho por nome/id.

GET https://management.azure.com/subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.MachineLearningServices/workspaces/{workspaceName}/jobs/{id}?api-version=2025-04-01

Parâmetros do URI

Name	Em	Necessário	Tipo	Description
id	path	True	string	O nome e o identificador do trabalho. Isso diferencia maiúsculas de minúsculas.
resourceGroupName	path	True	string minLength: 1 maxLength: 90	O nome do grupo de recursos. O nome não diferencia maiúsculas de minúsculas.
subscriptionId	path	True	string minLength: 1	A ID da assinatura de destino.
workspaceName	path	True	string pattern: ^[a-zA-Z0-9][a-zA-Z0-9_-]{2,32}$	Nome do espaço de trabalho do Azure Machine Learning.
api-version	query	True	string minLength: 1	A versão da API a utilizar para esta operação.

Respostas

Name	Tipo	Description
200 OK	JobBaseResource	Sucesso
Other Status Codes	ErrorResponse	Erro

Exemplos

Get AutoML Job.

Get Command Job.

Get Pipeline Job.

Get Sweep Job.

Get AutoML Job.

Pedido de amostra

HTTP

GET https://management.azure.com/subscriptions/00000000-1111-2222-3333-444444444444/resourceGroups/test-rg/providers/Microsoft.MachineLearningServices/workspaces/my-aml-workspace/jobs/string?api-version=2025-04-01

Resposta da amostra

Código de estado:: 200

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

Get Command Job.

Pedido de amostra

HTTP

GET https://management.azure.com/subscriptions/00000000-1111-2222-3333-444444444444/resourceGroups/test-rg/providers/Microsoft.MachineLearningServices/workspaces/my-aml-workspace/jobs/string?api-version=2025-04-01

Resposta da amostra

Código de estado:: 200

{
  "id": "string",
  "name": "string",
  "type": "string",
  "properties": {
    "description": "string",
    "tags": {
      "string": "string"
    },
    "properties": {
      "string": "string"
    },
    "displayName": "string",
    "status": "NotStarted",
    "experimentName": "string",
    "services": {
      "string": {
        "jobServiceType": "string",
        "port": 1,
        "endpoint": "string",
        "status": "string",
        "errorMessage": "string",
        "properties": {
          "string": "string"
        }
      }
    },
    "computeId": "string",
    "jobType": "Command",
    "resources": {
      "instanceCount": 1,
      "instanceType": "string",
      "properties": {
        "string": {
          "8385cf05-78c0-41ef-b31d-36796a678e19": null
        }
      }
    },
    "codeId": "string",
    "command": "string",
    "environmentId": "string",
    "inputs": {
      "string": {
        "description": "string",
        "jobInputType": "literal",
        "value": "string"
      }
    },
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "ReadWriteMount",
        "uri": "string"
      }
    },
    "distribution": {
      "distributionType": "TensorFlow",
      "workerCount": 1,
      "parameterServerCount": 1
    },
    "limits": {
      "timeout": "PT5M",
      "jobLimitsType": "Command"
    },
    "environmentVariables": {
      "string": "string"
    },
    "identity": {
      "identityType": "AMLToken"
    },
    "parameters": {
      "string": "string"
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "User"
  }
}

Get Pipeline Job.

Pedido de amostra

HTTP

GET https://management.azure.com/subscriptions/00000000-1111-2222-3333-444444444444/resourceGroups/test-rg/providers/Microsoft.MachineLearningServices/workspaces/my-aml-workspace/jobs/string?api-version=2025-04-01

Resposta da amostra

Código de estado:: 200

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

Get Sweep Job.

Pedido de amostra

HTTP

GET https://management.azure.com/subscriptions/00000000-1111-2222-3333-444444444444/resourceGroups/test-rg/providers/Microsoft.MachineLearningServices/workspaces/my-aml-workspace/jobs/string?api-version=2025-04-01

Resposta da amostra

Código de estado:: 200

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

Definições

Name	Description
AllNodes	Todos os nós significa que o serviço será executado em todos os nós do trabalho
AmlToken	Configuração de identidade de token AML.
AutoForecastHorizon	Horizonte de previsão determinado automaticamente pelo sistema.
AutoMLJob	AutoMLJob classe. Use esta classe para executar tarefas AutoML como Classificação/Regressão, etc. Consulte TaskType enum para todas as tarefas suportadas.
AutoNCrossValidations	Validações N-Cross determinadas automaticamente.
AutoSeasonality
AutoTargetLags
AutoTargetRollingWindowSize	Janela de rolagem de atrasos de destino determinada automaticamente.
AzureDevOpsWebhook	Detalhes do Webhook específicos para o Azure DevOps
BanditPolicy	Define uma política de rescisão antecipada com base em critérios de folga e um intervalo de frequência e atraso para avaliação
BayesianSamplingAlgorithm	Define um algoritmo de amostragem que gera valores com base em valores anteriores
BlockedTransformers	Enum para todos os modelos de classificação suportados pelo AutoML.
Classification	Tarefa de classificação na vertical Tabela AutoML.
ClassificationModels	Enum para todos os modelos de classificação suportados pelo AutoML.
ClassificationMultilabelPrimaryMetrics	Métricas primárias para tarefas multilabel de classificação.
ClassificationPrimaryMetrics	Métricas primárias para tarefas de classificação.
ClassificationTrainingSettings	Classificação Configuração relacionada ao treinamento.
CommandJob	Definição do trabalho de comando.
CommandJobLimits	Classe de limite de trabalho de comando.
createdByType	O tipo de identidade que criou o recurso.
CustomForecastHorizon	O horizonte máximo de previsão desejado em unidades de frequência de séries cronológicas.
CustomModelJobInput
CustomModelJobOutput
CustomNCrossValidations	As validações N-Cross são especificadas pelo usuário.
CustomSeasonality
CustomTargetLags
CustomTargetRollingWindowSize
DistributionType	Enum para determinar o tipo de distribuição de trabalho.
EarlyTerminationPolicyType
EmailNotificationEnableType	Enum para determinar o tipo de notificação por e-mail.
ErrorAdditionalInfo	O erro de gerenciamento de recursos informações adicionais.
ErrorDetail	O detalhe do erro.
ErrorResponse	Resposta de erro
FeatureLags	Sinalizador para gerar atrasos para os recursos numéricos.
FeaturizationMode	Modo de featurização - determina o modo de featurização de dados.
ForecastHorizonMode	Enum para determinar o modo de seleção do horizonte de previsão.
Forecasting	Tarefa de previsão na vertical AutoML Table.
ForecastingModels	Enum para todos os modelos de previsão suportados pelo AutoML.
ForecastingPrimaryMetrics	Métricas primárias para a tarefa de previsão.
ForecastingSettings	Previsão de parâmetros específicos.
ForecastingTrainingSettings	Configuração relacionada ao treinamento de previsão.
Goal	Define metas métricas suportadas para ajuste de hiperparâmetros
GridSamplingAlgorithm	Define um algoritmo de amostragem que gera exaustivamente cada combinação de valores no espaço
IdentityConfigurationType	Enum para determinar a estrutura de identidade.
ImageClassification	Classificação de Imagem. A classificação de imagens multiclasses é utilizada quando uma imagem é classificada com apenas um rótulo de um conjunto de classes - por exemplo, cada imagem é classificada como uma imagem de um «gato», de um «cão» ou de um «pato».
ImageClassificationMultilabel	Classificação de Imagem Multilabel. A classificação de imagens multirótulos é utilizada quando uma imagem pode ter uma ou mais etiquetas de um conjunto de etiquetas - por exemplo, uma imagem pode ser rotulada com «gato» e «cão».
ImageInstanceSegmentation	Segmentação de instâncias de imagem. A segmentação de instância é usada para identificar objetos em uma imagem no nível de pixel, desenhando um polígono em torno de cada objeto na imagem.
ImageLimitSettings	Limite as configurações para o trabalho AutoML.
ImageModelDistributionSettingsClassification	Expressões de distribuição para varrer os valores das configurações do modelo. Alguns exemplos são: ModelName = "choice('seresnext', 'resnest50')"; LearningRate = "uniform(0.001, 0.01)"; LayersToFreeze = "choice(0, 2)"; ```</example> For more details on how to compose distribution expressions please check the documentation: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters For more information on the available settings please visit the official documentation: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
ImageModelDistributionSettingsObjectDetection	Expressões de distribuição para varrer os valores das configurações do modelo. Alguns exemplos são: ModelName = "choice('seresnext', 'resnest50')"; LearningRate = "uniform(0.001, 0.01)"; LayersToFreeze = "choice(0, 2)"; ```</example> For more details on how to compose distribution expressions please check the documentation: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters For more information on the available settings please visit the official documentation: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
ImageModelSettingsClassification	Configurações usadas para treinar o modelo. Para obter mais informações sobre as configurações disponíveis, visite a documentação oficial: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
ImageModelSettingsObjectDetection	Configurações usadas para treinar o modelo. Para obter mais informações sobre as configurações disponíveis, visite a documentação oficial: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
ImageObjectDetection	Deteção de objeto de imagem. A deteção de objetos é usada para identificar objetos em uma imagem e localizar cada objeto com uma caixa delimitadora, por exemplo, localizar todos os cães e gatos em uma imagem e desenhar uma caixa delimitadora em torno de cada um.
ImageSweepSettings	Configurações relacionadas à varredura de modelos e à varredura de hiperparâmetros.
InputDeliveryMode	Enum para determinar o modo de entrega de dados de entrada.
InstanceSegmentationPrimaryMetrics	Métricas primárias para tarefas InstanceSegmentation.
JobBaseResource	Envelope de recursos do Azure Resource Manager.
JobInputType	Enum para determinar o tipo de entrada de trabalho.
JobLimitsType
JobOutputType	Enum para determinar o tipo de saída do trabalho.
JobResourceConfiguration
JobService	Definição de ponto final de trabalho
JobStatus	O estatuto de um emprego.
JobTier	Enum para determinar a camada de trabalho.
JobType	Enum para determinar o tipo de trabalho.
LearningRateScheduler	Taxa de aprendizagem agendador enum.
LiteralJobInput	Tipo de entrada literal.
LogVerbosity	Enum para definir a verbosidade do log.
ManagedIdentity	Configuração de identidade gerenciada.
MedianStoppingPolicy	Define uma política de encerramento antecipado com base em médias de execução da métrica primária de todas as execuções
MLFlowModelJobInput
MLFlowModelJobOutput
MLTableJobInput
MLTableJobOutput
ModelSize	Tamanho do modelo de imagem.
Mpi	Configuração de distribuição MPI.
NCrossValidationsMode	Determina como o valor de validações N-Cross é determinado.
NlpVerticalFeaturizationSettings
NlpVerticalLimitSettings	Restrições de execução de trabalho.
NodesValueType	Os tipos enumerados para o valor dos nós
NotificationSetting	Configuração para notificação.
ObjectDetectionPrimaryMetrics	Métricas primárias para a tarefa Image ObjectDetection.
Objective	Objetivo de otimização.
OutputDeliveryMode	Enums do modo de entrega de dados de saída.
PipelineJob	Definição de trabalho de pipeline: define atributos genéricos para MFE.
PyTorch	Configuração de distribuição PyTorch.
QueueSettings
RandomSamplingAlgorithm	Define um algoritmo de amostragem que gera valores aleatoriamente
RandomSamplingAlgorithmRule	O tipo específico de algoritmo aleatório
Regression	Tarefa de regressão na tabela AutoML vertical.
RegressionModels	Enum para todos os modelos de regressão suportados pelo AutoML.
RegressionPrimaryMetrics	Métricas primárias para a tarefa Regressão.
RegressionTrainingSettings	Configuração relacionada ao Treinamento de Regressão.
SamplingAlgorithmType
SeasonalityMode	Modo de previsão de sazonalidade.
ShortSeriesHandlingConfiguration	O parâmetro que define como se AutoML deve lidar com séries temporais curtas.
SparkJob	Definição de trabalho de faísca.
SparkJobEntryType
SparkJobPythonEntry
SparkJobScalaEntry
SparkResourceConfiguration
StackEnsembleSettings	Adianta a configuração para personalizar a execução do StackEnsemble.
StackMetaLearnerType	O meta-aprendiz é um modelo treinado na saída dos modelos heterogêneos individuais. Os meta-alunos padrão são LogisticRegression para tarefas de classificação (ou LogisticRegressionCV se a validação cruzada estiver habilitada) e ElasticNet para tarefas de regressão/previsão (ou ElasticNetCV se a validação cruzada estiver habilitada). Esse parâmetro pode ser uma das seguintes strings: LogisticRegression, LogisticRegressionCV, LightGBMClassifier, ElasticNet, ElasticNetCV, LightGBMRegressor ou LinearRegression
StochasticOptimizer	Otimizador estocástico para modelos de imagem.
SweepJob	Definição de tarefa de varredura.
SweepJobLimits	Classe de limite de trabalho de varredura.
systemData	Metadados referentes à criação e última modificação do recurso.
TableVerticalFeaturizationSettings	Configuração de Featurização.
TableVerticalLimitSettings	Restrições de execução de trabalho.
TargetAggregationFunction	Função de agregação de destino.
TargetLagsMode	Modos de seleção de atraso de destino.
TargetRollingWindowSizeMode	Modo de tamanho das janelas rolantes de destino.
TaskType	Tipo de tarefa AutoMLJob.
TensorFlow	Configuração de distribuição do TensorFlow.
TextClassification	Tarefa de Classificação de Texto na vertical de PNL AutoML. PNL - Processamento de Linguagem Natural.
TextClassificationMultilabel	Tarefa Multilabel de Classificação de Texto na vertical de NLP do AutoML. PNL - Processamento de Linguagem Natural.
TextNer	Text-NER tarefa no AutoML NLP vertical. NER - Reconhecimento de Entidade Nomeada. PNL - Processamento de Linguagem Natural.
TrialComponent	Definição do componente experimental.
TritonModelJobInput
TritonModelJobOutput
TruncationSelectionPolicy	Define uma política de encerramento antecipado que cancela uma determinada percentagem de execuções em cada intervalo de avaliação.
UriFileJobInput
UriFileJobOutput
UriFolderJobInput
UriFolderJobOutput
UserIdentity	Configuração de identidade do usuário.
UseStl	Configure a decomposição STL da coluna de destino da série temporal.
ValidationMetricType	Método de computação métrica a ser usado para validação de métricas em tarefas de imagem.
WebhookType	Enum para determinar o tipo de serviço de retorno de chamada webhook.

AllNodes

Object

Todos os nós significa que o serviço será executado em todos os nós do trabalho

Name	Tipo	Description
nodesValueType	string: All	[Obrigatório] Tipo do valor de Nós

AmlToken

Object

Configuração de identidade de token AML.

Name	Tipo	Description
identityType	string: AMLToken	[Obrigatório] Especifica o tipo de estrutura de identidade.

AutoForecastHorizon

Object

Horizonte de previsão determinado automaticamente pelo sistema.

Name	Tipo	Description
mode	string: Auto	[Obrigatório] Defina o modo de seleção de valores do horizonte de previsão.

AutoMLJob

Object

AutoMLJob classe. Use esta classe para executar tarefas AutoML como Classificação/Regressão, etc. Consulte TaskType enum para todas as tarefas suportadas.

Name	Tipo	Default value	Description
componentId	string		ID do recurso ARM do recurso componente.
computeId	string		ID do recurso ARM do recurso de computação.
description	string		O texto da descrição do ativo.
displayName	string		Exibir nome do trabalho.
environmentId	string		O ID do recurso ARM da especificação Ambiente para o trabalho. Este é um valor opcional para fornecer, se não for fornecido, o AutoML assumirá como padrão a versão do ambiente com curadoria do AutoML de Produção ao executar o trabalho.
environmentVariables	object		Variáveis de ambiente incluídas no trabalho.
experimentName	string	Default	O nome do experimento ao qual o trabalho pertence. Se não estiver definido, o trabalho será colocado no experimento "Padrão".
identity	IdentityConfiguration: AmlToken ManagedIdentity UserIdentity		Configuração de identidade. Se definido, este deve ser um dos AmlToken, ManagedIdentity, UserIdentity ou null. O padrão é AmlToken se null.
isArchived	boolean	False	O ativo está arquivado?
jobType	string: AutoML		[Obrigatório] Especifica o tipo de trabalho.
notificationSetting	NotificationSetting		Configuração de notificação para o trabalho
outputs	object		Mapeamento das ligações de dados de saída usadas no trabalho.
properties	object		O dicionário de propriedades de ativos.
queueSettings	QueueSettings		Configurações de fila para o trabalho
resources	JobResourceConfiguration	{}	Configuração de recursos de computação para o trabalho.
services	<string, JobService>		Lista de JobEndpoints. Para trabalhos locais, um ponto de extremidade de trabalho terá um valor de ponto de extremidade de FileStreamObject.
status	JobStatus		Situação do trabalho.
tags	object		Dicionário de tags. As tags podem ser adicionadas, removidas e atualizadas.
taskDetails	AutoMLVertical: Classification Forecasting ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection Regression TextClassification TextClassificationMultilabel TextNer		[Obrigatório] Isso representa um cenário que pode ser um dos Tabelas/NLP/Imagem

AutoNCrossValidations

Object

Validações N-Cross determinadas automaticamente.

Name	Tipo	Description
mode	string: Auto	[Obrigatório] Modo para determinar validações N-Cross.

AutoSeasonality

Object

Name	Tipo	Description
mode	string: Auto	[Obrigatório] Modo de sazonalidade.

AutoTargetLags

Object

Name	Tipo	Description
mode	string: Auto	[Obrigatório] Definir o modo de atraso de destino - Auto/Custom

AutoTargetRollingWindowSize

Object

Janela de rolagem de atrasos de destino determinada automaticamente.

Name	Tipo	Description
mode	string: Auto	[Obrigatório] Modo de deteção TargetRollingWindowSiz.

AzureDevOpsWebhook

Object

Detalhes do Webhook específicos para o Azure DevOps

Name	Tipo	Description
eventType	string	Enviar retorno de chamada em um evento de notificação especificado
webhookType	string: AzureDevOps	[Obrigatório] Especifica o tipo de serviço para enviar um retorno de chamada

BanditPolicy

Object

Define uma política de rescisão antecipada com base em critérios de folga e um intervalo de frequência e atraso para avaliação

Name	Tipo	Default value	Description
delayEvaluation	integer (int32)	0	Número de intervalos para adiar a primeira avaliação.
evaluationInterval	integer (int32)	0	Intervalo (número de execuções) entre avaliações de políticas.
policyType	string: Bandit		[Obrigatório] Nome da configuração da política
slackAmount	number (float)	0	Distância absoluta permitida da corrida com melhor desempenho.
slackFactor	number (float)	0	Relação entre a distância permitida e a corrida com melhor desempenho.

BayesianSamplingAlgorithm

Object

Define um algoritmo de amostragem que gera valores com base em valores anteriores

Name	Tipo	Description
samplingAlgorithmType	string: Bayesian	[Obrigatório] O algoritmo usado para gerar valores de hiperparâmetros, juntamente com as propriedades de configuração

BlockedTransformers

Enumeração

Enum para todos os modelos de classificação suportados pelo AutoML.

Valor	Description
CatTargetEncoder	Codificação de destino para dados categóricos.
CountVectorizer	O Count Vectorizer converte uma coleção de documentos de texto em uma matriz de contagens de tokens.
HashOneHotEncoder	Hashing One Hot Encoder pode transformar variáveis categóricas em um número limitado de novos recursos. Isto é frequentemente usado para características categóricas de alta cardinalidade.
LabelEncoder	O codificador de rótulos converte rótulos/variáveis categóricas em uma forma numérica.
NaiveBayes	Naive Bayes é um classificado que é usado para classificação de características discretas que são categoricamente distribuídas.
OneHotEncoder	Ohe hot encoding cria uma transformação de recurso binário.
TextTargetEncoder	Codificação de destino para dados de texto.
TfIdf	Tf-Idf significa, termo-frequência vezes inverso-documento-frequência. Trata-se de um esquema de ponderação de termos comuns para identificar informações de documentos.
WoETargetEncoder	A codificação de peso de evidência é uma técnica usada para codificar variáveis categóricas. Ele usa o log natural do P(1)/P(0) para criar pesos.
WordEmbedding	A incorporação de palavras ajuda a representar palavras ou frases como um vetor ou uma série de números.

Classification

Object

Tarefa de classificação na vertical Tabela AutoML.

Name	Tipo	Default value	Description
cvSplitColumnNames	string[]		Colunas a serem usadas para dados CVSplit.
featurizationSettings	TableVerticalFeaturizationSettings		Insumos de featurização necessários para o trabalho AutoML.
limitSettings	TableVerticalLimitSettings		Restrições de execução para AutoMLJob.
logVerbosity	LogVerbosity	Info	Registre a verbosidade para o trabalho.
nCrossValidations	NCrossValidations: AutoNCrossValidations CustomNCrossValidations		Número de dobras de validação cruzada a serem aplicadas no conjunto de dados de treinamento quando o conjunto de dados de validação não é fornecido.
positiveLabel	string		Rótulo positivo para cálculo de métricas binárias.
primaryMetric	ClassificationPrimaryMetrics	AUCWeighted	Métrica primária para a tarefa.
targetColumnName	string		Nome da coluna de destino: Esta é a coluna de valores de previsão. Também conhecido como nome da coluna de rótulo no contexto de tarefas de classificação.
taskType	string: Classification		[Obrigatório] Tipo de tarefa para AutoMLJob.
testData	MLTableJobInput		Entrada de dados de teste.
testDataSize	number (double)		A fração do conjunto de dados de teste que precisa ser reservada para fins de validação. Valores entre (0,0 , 1,0) Aplicado quando o conjunto de dados de validação não é fornecido.
trainingData	MLTableJobInput		[Obrigatório] Introdução de dados de formação.
trainingSettings	ClassificationTrainingSettings		Entradas para a fase de treinamento para um trabalho AutoML.
validationData	MLTableJobInput		Entradas de dados de validação.
validationDataSize	number (double)		A fração do conjunto de dados de treinamento que precisa ser reservada para fins de validação. Valores entre (0,0 , 1,0) Aplicado quando o conjunto de dados de validação não é fornecido.
weightColumnName	string		O nome da coluna de peso da amostra. O ML automatizado suporta uma coluna ponderada como entrada, fazendo com que as linhas nos dados sejam ponderadas para cima ou para baixo.

ClassificationModels

Enumeração

Enum para todos os modelos de classificação suportados pelo AutoML.

Valor	Description
BernoulliNaiveBayes	Classificador Bayes ingênuo para modelos Bernoulli multivariados.
DecisionTree	As Árvores de Decisão são um método de aprendizagem supervisionada não paramétrico usado para tarefas de classificação e regressão. O objetivo é criar um modelo que preveja o valor de uma variável de destino aprendendo regras de decisão simples inferidas a partir dos recursos de dados.
ExtremeRandomTrees	Extreme Trees é um algoritmo de aprendizado de máquina que combina as previsões de muitas árvores de decisão. Está relacionado com o algoritmo de floresta aleatória amplamente utilizado.
GradientBoosting	A técnica de transitar os alunos da semana para um aluno forte é chamada de Boosting. O processo do algoritmo de aumento de gradiente trabalha nesta teoria de execução.
KNN	O algoritmo K-nearest neighbors (KNN) usa 'similaridade de recursos' para prever os valores de novos pontos de dados, o que significa ainda que o novo ponto de dados receberá um valor com base em quão perto ele corresponde aos pontos no conjunto de treinamento.
LightGBM	LightGBM é uma estrutura de aumento de gradiente que usa algoritmos de aprendizagem baseados em árvore.
LinearSVM	Uma máquina de vetor de suporte (SVM) é um modelo de aprendizado de máquina supervisionado que usa algoritmos de classificação para problemas de classificação de dois grupos. Depois de fornecer a um modelo SVM conjuntos de dados de treinamento rotulados para cada categoria, eles podem categorizar o novo texto. O SVM linear tem melhor desempenho quando os dados de entrada são lineares, ou seja, os dados podem ser facilmente classificados desenhando a linha reta entre os valores classificados em um gráfico plotado.
LogisticRegression	A regressão logística é uma técnica fundamental de classificação. Pertence ao grupo dos classificadores lineares e é um pouco semelhante à regressão polinomial e linear. A regressão logística é rápida e relativamente descomplicada, e é conveniente para você interpretar os resultados. Embora seja essencialmente um método para classificação binária, também pode ser aplicado a problemas de várias classes.
MultinomialNaiveBayes	O classificador Naive Bayes multinomial é adequado para classificação com características discretas (por exemplo, contagem de palavras para classificação de texto). A distribuição multinomial normalmente requer contagens de recursos inteiros. No entanto, na prática, contagens fracionárias como tf-idf também podem funcionar.
RandomForest	A floresta aleatória é um algoritmo de aprendizagem supervisionada. A "floresta" que constrói, é um conjunto de árvores de decisão, geralmente treinadas com o método do "ensacamento". A ideia geral do método de ensacamento é que uma combinação de modelos de aprendizagem aumenta o resultado geral.
SGD	SGD: A descida de gradiente estocástico é um algoritmo de otimização frequentemente usado em aplicações de aprendizado de máquina para encontrar os parâmetros do modelo que correspondem ao melhor ajuste entre as saídas previstas e reais.
SVM	Uma máquina de vetor de suporte (SVM) é um modelo de aprendizado de máquina supervisionado que usa algoritmos de classificação para problemas de classificação de dois grupos. Depois de fornecer a um modelo SVM conjuntos de dados de treinamento rotulados para cada categoria, eles podem categorizar o novo texto.
XGBoostClassifier	XGBoost: Algoritmo de aumento de gradiente extremo. Este algoritmo é usado para dados estruturados onde os valores da coluna de destino podem ser divididos em valores de classe distintos.

ClassificationMultilabelPrimaryMetrics

Enumeração

Métricas primárias para tarefas multilabel de classificação.

Valor	Description
AUCWeighted	AUC é a Área sob a curva. Esta métrica representa a média aritmética da pontuação de cada classe, ponderada pelo número de ocorrências verdadeiras em cada classe.
Accuracy	Precisão é a proporção de previsões que correspondem exatamente aos rótulos de classe verdadeiros.
AveragePrecisionScoreWeighted	A média aritmética da pontuação média de precisão para cada classe, ponderada pelo número de ocorrências verdadeiras em cada classe.
IOU	Intersecção sobre União. Intersecção de previsões dividida pela união de previsões.
NormMacroRecall	A recordação macro normalizada é a macromédia e normalizada da recordação, de modo que o desempenho aleatório tem uma pontuação de 0 e o desempenho perfeito tem uma pontuação de 1.
PrecisionScoreWeighted	A média aritmética de precisão para cada classe, ponderada pelo número de ocorrências verdadeiras em cada classe.

ClassificationPrimaryMetrics

Enumeração

Métricas primárias para tarefas de classificação.

Valor	Description
AUCWeighted	AUC é a Área sob a curva. Esta métrica representa a média aritmética da pontuação de cada classe, ponderada pelo número de ocorrências verdadeiras em cada classe.
Accuracy	Precisão é a proporção de previsões que correspondem exatamente aos rótulos de classe verdadeiros.
AveragePrecisionScoreWeighted	A média aritmética da pontuação média de precisão para cada classe, ponderada pelo número de ocorrências verdadeiras em cada classe.
NormMacroRecall	A recordação macro normalizada é a macromédia e normalizada da recordação, de modo que o desempenho aleatório tem uma pontuação de 0 e o desempenho perfeito tem uma pontuação de 1.
PrecisionScoreWeighted	A média aritmética de precisão para cada classe, ponderada pelo número de ocorrências verdadeiras em cada classe.

ClassificationTrainingSettings

Object

Classificação Configuração relacionada ao treinamento.

Name	Tipo	Default value	Description
allowedTrainingAlgorithms	ClassificationModels[]		Modelos permitidos para a tarefa de classificação.
blockedTrainingAlgorithms	ClassificationModels[]		Modelos bloqueados para tarefa de classificação.
enableDnnTraining	boolean	False	Habilite a recomendação de modelos DNN.
enableModelExplainability	boolean	True	Sinalize para ativar a explicabilidade no melhor modelo.
enableOnnxCompatibleModels	boolean	False	Sinalizador para ativar modelos compatíveis com onnx.
enableStackEnsemble	boolean	True	Habilite a execução do conjunto de pilha.
enableVoteEnsemble	boolean	True	Habilite a execução do conjunto de votação.
ensembleModelDownloadTimeout	string (duration)	PT5M	Durante a geração de modelos VotingEnsemble e StackEnsemble, vários modelos ajustados das execuções infantis anteriores são baixados. Configure este parâmetro com um valor superior a 300 segundos, se for necessário mais tempo.
stackEnsembleSettings	StackEnsembleSettings		Configurações de conjunto de pilha para execução de conjunto de pilha.

CommandJob

Object

Definição do trabalho de comando.

Name	Tipo	Default value	Description
codeId	string		ID do recurso ARM do ativo de código.
command	string minLength: 1 pattern: [a-zA-Z0-9_]		[Obrigatório] O comando a ser executado na inicialização do trabalho. por exemplo. "Python train.py"
componentId	string		ID do recurso ARM do recurso componente.
computeId	string		ID do recurso ARM do recurso de computação.
description	string		O texto da descrição do ativo.
displayName	string		Exibir nome do trabalho.
distribution	DistributionConfiguration: Mpi PyTorch TensorFlow		Configuração de distribuição do trabalho. Se definido, este deve ser um de Mpi, Tensorflow, PyTorch, ou null.
environmentId	string minLength: 1 pattern: [a-zA-Z0-9_]		[Obrigatório] O ID do recurso ARM da especificação Ambiente para o trabalho.
environmentVariables	object		Variáveis de ambiente incluídas no trabalho.
experimentName	string	Default	O nome do experimento ao qual o trabalho pertence. Se não estiver definido, o trabalho será colocado no experimento "Padrão".
identity	IdentityConfiguration: AmlToken ManagedIdentity UserIdentity		Configuração de identidade. Se definido, este deve ser um dos AmlToken, ManagedIdentity, UserIdentity ou null. O padrão é AmlToken se null.
inputs	object		Mapeamento de ligações de dados de entrada usadas no trabalho.
isArchived	boolean	False	O ativo está arquivado?
jobType	string: Command		[Obrigatório] Especifica o tipo de trabalho.
limits	CommandJobLimits		Limite de trabalho de comando.
notificationSetting	NotificationSetting		Configuração de notificação para o trabalho
outputs	object		Mapeamento das ligações de dados de saída usadas no trabalho.
parameters	object		Parâmetros de entrada.
properties	object		O dicionário de propriedades de ativos.
queueSettings	QueueSettings		Configurações de fila para o trabalho
resources	JobResourceConfiguration	{}	Configuração de recursos de computação para o trabalho.
services	<string, JobService>		Lista de JobEndpoints. Para trabalhos locais, um ponto de extremidade de trabalho terá um valor de ponto de extremidade de FileStreamObject.
status	JobStatus		Situação do trabalho.
tags	object		Dicionário de tags. As tags podem ser adicionadas, removidas e atualizadas.

CommandJobLimits

Object

Classe de limite de trabalho de comando.

Name	Tipo	Description
jobLimitsType	string: Command	[Obrigatório] Tipo JobLimit.
timeout	string (duration)	A duração máxima de execução no formato ISO 8601, após a qual o trabalho será cancelado. Suporta apenas a duração com uma precisão tão baixa como segundos.

createdByType

Enumeração

O tipo de identidade que criou o recurso.

Valor	Description
Application
Key
ManagedIdentity
User

CustomForecastHorizon

Object

O horizonte máximo de previsão desejado em unidades de frequência de séries cronológicas.

Name	Tipo	Description
mode	string: Custom	[Obrigatório] Defina o modo de seleção de valores do horizonte de previsão.
value	integer (int32)	[Obrigatório] Valor do horizonte de previsão.

CustomModelJobInput

Object

Name	Tipo	Default value	Description
description	string		Descrição da entrada.
jobInputType	string: custom_model		[Obrigatório] Especifica o tipo de trabalho.
mode	InputDeliveryMode	ReadOnlyMount	Modo de entrega de ativos de entrada.
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[Obrigatório] URI do ativo de entrada.

CustomModelJobOutput

Object

Name	Tipo	Default value	Description
description	string		Descrição da saída.
jobOutputType	string: custom_model		[Obrigatório] Especifica o tipo de trabalho.
mode	OutputDeliveryMode	ReadWriteMount	Modo de Entrega de Ativos de Saída.
uri	string		URI do ativo de saída.

CustomNCrossValidations

Object

As validações N-Cross são especificadas pelo usuário.

Name	Tipo	Description
mode	string: Custom	[Obrigatório] Modo para determinar validações N-Cross.
value	integer (int32)	[Obrigatório] Valor de validações N-Cross.

CustomSeasonality

Object

Name	Tipo	Description
mode	string: Custom	[Obrigatório] Modo de sazonalidade.
value	integer (int32)	[Obrigatório] Valor da sazonalidade.

CustomTargetLags

Object

Name	Tipo	Description
mode	string: Custom	[Obrigatório] Definir o modo de atraso de destino - Auto/Custom
values	integer[] (int32)	[Obrigatório] Defina valores de atraso de destino.

CustomTargetRollingWindowSize

Object

Name	Tipo	Description
mode	string: Custom	[Obrigatório] Modo de deteção TargetRollingWindowSiz.
value	integer (int32)	[Obrigatório] Valor TargetRollingWindowSize.

DistributionType

Enumeração

Enum para determinar o tipo de distribuição de trabalho.

Valor	Description
Mpi
PyTorch
TensorFlow

EarlyTerminationPolicyType

Enumeração

Valor	Description
Bandit
MedianStopping
TruncationSelection

EmailNotificationEnableType

Enumeração

Enum para determinar o tipo de notificação por e-mail.

Valor	Description
JobCancelled
JobCompleted
JobFailed

ErrorAdditionalInfo

Object

O erro de gerenciamento de recursos informações adicionais.

Name	Tipo	Description
info	object	As informações adicionais.
type	string	O tipo de informação adicional.

ErrorDetail

Object

O detalhe do erro.

Name	Tipo	Description
additionalInfo	ErrorAdditionalInfo[]	O erro informações adicionais.
code	string	O código de erro.
details	ErrorDetail[]	Os detalhes do erro.
message	string	A mensagem de erro.
target	string	O destino do erro.

ErrorResponse

Object

Resposta de erro

Name	Tipo	Description
error	ErrorDetail	O objeto de erro.

FeatureLags

Enumeração

Sinalizador para gerar atrasos para os recursos numéricos.

Valor	Description
Auto	O sistema gera automaticamente atrasos de recursos.
None	Nenhum recurso lags gerado.

FeaturizationMode

Enumeração

Modo de featurização - determina o modo de featurização de dados.

Valor	Description
Auto	Modo automático, o sistema executa featurização sem quaisquer entradas de featurização personalizadas.
Custom	Featurização personalizada.
Off	Featurização desligada. A tarefa 'Previsão' não pode usar esse valor.

ForecastHorizonMode

Enumeração

Enum para determinar o modo de seleção do horizonte de previsão.

Valor	Description
Auto	Horizonte de previsão a determinar automaticamente.
Custom	Use o horizonte de previsão personalizado.

Forecasting

Object

Tarefa de previsão na vertical AutoML Table.

Name	Tipo	Default value	Description
cvSplitColumnNames	string[]		Colunas a serem usadas para dados CVSplit.
featurizationSettings	TableVerticalFeaturizationSettings		Insumos de featurização necessários para o trabalho AutoML.
forecastingSettings	ForecastingSettings		Previsão de entradas específicas da tarefa.
limitSettings	TableVerticalLimitSettings		Restrições de execução para AutoMLJob.
logVerbosity	LogVerbosity	Info	Registre a verbosidade para o trabalho.
nCrossValidations	NCrossValidations: AutoNCrossValidations CustomNCrossValidations		Número de dobras de validação cruzada a serem aplicadas no conjunto de dados de treinamento quando o conjunto de dados de validação não é fornecido.
primaryMetric	ForecastingPrimaryMetrics	NormalizedRootMeanSquaredError	Métrica primária para a tarefa de previsão.
targetColumnName	string		Nome da coluna de destino: Esta é a coluna de valores de previsão. Também conhecido como nome da coluna de rótulo no contexto de tarefas de classificação.
taskType	string: Forecasting		[Obrigatório] Tipo de tarefa para AutoMLJob.
testData	MLTableJobInput		Entrada de dados de teste.
testDataSize	number (double)		A fração do conjunto de dados de teste que precisa ser reservada para fins de validação. Valores entre (0,0 , 1,0) Aplicado quando o conjunto de dados de validação não é fornecido.
trainingData	MLTableJobInput		[Obrigatório] Introdução de dados de formação.
trainingSettings	ForecastingTrainingSettings		Entradas para a fase de treinamento para um trabalho AutoML.
validationData	MLTableJobInput		Entradas de dados de validação.
validationDataSize	number (double)		A fração do conjunto de dados de treinamento que precisa ser reservada para fins de validação. Valores entre (0,0 , 1,0) Aplicado quando o conjunto de dados de validação não é fornecido.
weightColumnName	string		O nome da coluna de peso da amostra. O ML automatizado suporta uma coluna ponderada como entrada, fazendo com que as linhas nos dados sejam ponderadas para cima ou para baixo.

ForecastingModels

Enumeração

Enum para todos os modelos de previsão suportados pelo AutoML.

Valor	Description
Arimax	Um modelo de Média Móvel Integrada Autoregressiva com Variável Explicativa (ARIMAX) pode ser visto como um modelo de regressão múltipla com um ou mais termos autorregressivos (RA) e/ou um ou mais termos de média móvel (MA). Este método é adequado para prever quando os dados são estacionários/não estacionários e multivariados com qualquer tipo de padrão de dados, ou seja, nível/tendência/sazonalidade/ciclicidade.
AutoArima	O modelo ARIMA (Auto-regressive Integrated Moving Average) usa dados de séries temporais e análise estatística para interpretar os dados e fazer previsões futuras. Este modelo tem como objetivo explicar os dados usando dados de séries temporais sobre seus valores passados e usa regressão linear para fazer previsões.
Average	O modelo de previsão média faz previsões transportando para a frente a média dos valores-alvo para cada série temporal nos dados de treinamento.
DecisionTree	As Árvores de Decisão são um método de aprendizagem supervisionada não paramétrico usado para tarefas de classificação e regressão. O objetivo é criar um modelo que preveja o valor de uma variável de destino aprendendo regras de decisão simples inferidas a partir dos recursos de dados.
ElasticNet	Rede elástica é um tipo popular de regressão linear regularizada que combina duas penalidades populares, especificamente as funções de penalidade L1 e L2.
ExponentialSmoothing	A suavização exponencial é um método de previsão de séries temporais para dados univariados que pode ser estendido para suportar dados com uma tendência sistemática ou componente sazonal.
ExtremeRandomTrees	Extreme Trees é um algoritmo de aprendizado de máquina que combina as previsões de muitas árvores de decisão. Está relacionado com o algoritmo de floresta aleatória amplamente utilizado.
GradientBoosting	A técnica de transitar os alunos da semana para um aluno forte é chamada de Boosting. O processo do algoritmo de aumento de gradiente trabalha nesta teoria de execução.
KNN	O algoritmo K-nearest neighbors (KNN) usa 'similaridade de recursos' para prever os valores de novos pontos de dados, o que significa ainda que o novo ponto de dados receberá um valor com base em quão perto ele corresponde aos pontos no conjunto de treinamento.
LassoLars	O modelo de Laço se encaixa com Regressão de Menor Ângulo, também conhecido como Lars. É um Modelo Linear treinado com um L1 prévio como regularizador.
LightGBM	LightGBM é uma estrutura de aumento de gradiente que usa algoritmos de aprendizagem baseados em árvore.
Naive	O modelo de previsão Naive faz previsões transportando o valor alvo mais recente para cada série temporal nos dados de treinamento.
Prophet	Prophet é um procedimento para prever dados de séries temporais com base em um modelo aditivo onde as tendências não lineares são ajustadas com a sazonalidade anual, semanal e diária, além de efeitos de férias. Funciona melhor com séries temporais que têm fortes efeitos sazonais e várias estações de dados históricos. O Prophet é robusto para dados ausentes e mudanças na tendência, e normalmente lida bem com outliers.
RandomForest	A floresta aleatória é um algoritmo de aprendizagem supervisionada. A "floresta" que constrói, é um conjunto de árvores de decisão, geralmente treinadas com o método do "ensacamento". A ideia geral do método de ensacamento é que uma combinação de modelos de aprendizagem aumenta o resultado geral.
SGD	SGD: A descida de gradiente estocástico é um algoritmo de otimização frequentemente usado em aplicações de aprendizado de máquina para encontrar os parâmetros do modelo que correspondem ao melhor ajuste entre as saídas previstas e reais. É uma técnica inexata, mas poderosa.
SeasonalAverage	O modelo de previsão da média sazonal faz previsões transportando o valor médio da última temporada de dados para cada série temporal nos dados de treinamento.
SeasonalNaive	O modelo de previsão Seasonal Naive faz previsões transportando a última temporada de valores-alvo para cada série temporal nos dados de treinamento.
TCNForecaster	TCNForecaster: Meteorologista de Redes Convolucionais Temporais. TODO: Peça uma breve introdução à equipe de previsão.
XGBoostRegressor	XGBoostRegressor: Extreme Gradient Boosting Regressor é um modelo de aprendizado de máquina supervisionado usando um conjunto de alunos básicos.

ForecastingPrimaryMetrics

Enumeração

Métricas primárias para a tarefa de previsão.

Valor	Description
NormalizedMeanAbsoluteError	O Erro Absoluto Médio Normalizado (NMAE) é uma métrica de validação para comparar o Erro Absoluto Médio (MAE) de séries (temporais) com diferentes escalas.
NormalizedRootMeanSquaredError	O Normalized Root Mean Squared Error (NRMSE) facilita a comparação entre modelos com diferentes escalas.
R2Score	A pontuação R2 é uma das medidas de avaliação de desempenho para modelos de aprendizado de máquina baseados em previsão.
SpearmanCorrelation	O coeficiente de correlação de Spearman é uma medida não paramétrica de correlação de classificação.

ForecastingSettings

Object

Previsão de parâmetros específicos.

Name	Tipo	Default value	Description
countryOrRegionForHolidays	string		País ou região para feriados para tarefas de previsão. Estes devem ser códigos de país/região ISO 3166 de duas letras, por exemplo "EUA" ou "GB".
cvStepSize	integer (int32)		Número de períodos entre a hora de origem de uma dobra CV e a dobra seguinte. Por exemplo, se `CVStepSize` = 3 para dados diários, o tempo de origem para cada dobra será de três dias de intervalo.
featureLags	FeatureLags	None	Sinalizador para gerar atrasos para os recursos numéricos com 'auto' ou null.
forecastHorizon	ForecastHorizon: AutoForecastHorizon CustomForecastHorizon	{"Mode": "Custom", "Value": 1}	O horizonte máximo de previsão desejado em unidades de frequência de séries cronológicas.
frequency	string		Ao fazer a previsão, este parâmetro representa o período com o qual a previsão é desejada, por exemplo, diariamente, semanalmente, anualmente, etc. A frequência de previsão é a frequência do conjunto de dados por padrão.
seasonality	Seasonality: AutoSeasonality CustomSeasonality	{"Mode": "Auto"}	Defina a sazonalidade das séries temporais como um múltiplo inteiro da frequência da série. Se a sazonalidade for definida como 'auto', ela será inferida.
shortSeriesHandlingConfig	ShortSeriesHandlingConfiguration	Auto	O parâmetro que define como se AutoML deve lidar com séries temporais curtas.
targetAggregateFunction	TargetAggregationFunction	None	A função a ser usada para agregar a coluna de destino da série temporal para estar em conformidade com uma frequência especificada pelo usuário. Se o TargetAggregateFunction estiver definido, ou seja, não 'Nenhum', mas o parâmetro freq não estiver definido, o erro será gerado. As possíveis funções de agregação de destino são: "soma", "máx", "min" e "média".
targetLags	TargetLags: AutoTargetLags CustomTargetLags		O número de períodos anteriores com atraso em relação à coluna de destino.
targetRollingWindowSize	TargetRollingWindowSize: AutoTargetRollingWindowSize CustomTargetRollingWindowSize		O número de períodos passados usados para criar uma média de janela móvel da coluna de destino.
timeColumnName	string		O nome da coluna de tempo. Este parâmetro é necessário durante a previsão para especificar a coluna datetime nos dados de entrada usados para construir a série temporal e inferir sua frequência.
timeSeriesIdColumnNames	string[]		Os nomes das colunas usadas para agrupar uma série temporal. Ele pode ser usado para criar várias séries. Se o grão não estiver definido, o conjunto de dados é assumido como uma série temporal. Este parâmetro é usado com a previsão de tipo de tarefa.
useStl	UseStl	None	Configure a decomposição STL da coluna de destino da série temporal.

ForecastingTrainingSettings

Object

Configuração relacionada ao treinamento de previsão.

Name	Tipo	Default value	Description
allowedTrainingAlgorithms	ForecastingModels[]		Modelos permitidos para tarefa de previsão.
blockedTrainingAlgorithms	ForecastingModels[]		Modelos bloqueados para tarefa de previsão.
enableDnnTraining	boolean	False	Habilite a recomendação de modelos DNN.
enableModelExplainability	boolean	True	Sinalize para ativar a explicabilidade no melhor modelo.
enableOnnxCompatibleModels	boolean	False	Sinalizador para ativar modelos compatíveis com onnx.
enableStackEnsemble	boolean	True	Habilite a execução do conjunto de pilha.
enableVoteEnsemble	boolean	True	Habilite a execução do conjunto de votação.
ensembleModelDownloadTimeout	string (duration)	PT5M	Durante a geração de modelos VotingEnsemble e StackEnsemble, vários modelos ajustados das execuções infantis anteriores são baixados. Configure este parâmetro com um valor superior a 300 segundos, se for necessário mais tempo.
stackEnsembleSettings	StackEnsembleSettings		Configurações de conjunto de pilha para execução de conjunto de pilha.

Goal

Enumeração

Define metas métricas suportadas para ajuste de hiperparâmetros

Valor	Description
Maximize
Minimize

GridSamplingAlgorithm

Object

Define um algoritmo de amostragem que gera exaustivamente cada combinação de valores no espaço

Name	Tipo	Description
samplingAlgorithmType	string: Grid	[Obrigatório] O algoritmo usado para gerar valores de hiperparâmetros, juntamente com as propriedades de configuração

IdentityConfigurationType

Enumeração

Enum para determinar a estrutura de identidade.

Valor	Description
AMLToken
Managed
UserIdentity

ImageClassification

Object

Classificação de Imagem. A classificação de imagens multiclasses é utilizada quando uma imagem é classificada com apenas um rótulo de um conjunto de classes - por exemplo, cada imagem é classificada como uma imagem de um «gato», de um «cão» ou de um «pato».

Name	Tipo	Default value	Description
limitSettings	ImageLimitSettings		[Obrigatório] Limite as configurações para o trabalho AutoML.
logVerbosity	LogVerbosity	Info	Registre a verbosidade para o trabalho.
modelSettings	ImageModelSettingsClassification		Configurações usadas para treinar o modelo.
primaryMetric	ClassificationPrimaryMetrics	Accuracy	Métrica primária para otimizar esta tarefa.
searchSpace	ImageModelDistributionSettingsClassification[]		Espaço de pesquisa para amostragem de diferentes combinações de modelos e seus hiperparâmetros.
sweepSettings	ImageSweepSettings		Configurações relacionadas à varredura de modelos e à varredura de hiperparâmetros.
targetColumnName	string		Nome da coluna de destino: Esta é a coluna de valores de previsão. Também conhecido como nome da coluna de rótulo no contexto de tarefas de classificação.
taskType	string: ImageClassification		[Obrigatório] Tipo de tarefa para AutoMLJob.
trainingData	MLTableJobInput		[Obrigatório] Introdução de dados de formação.
validationData	MLTableJobInput		Entradas de dados de validação.
validationDataSize	number (double)		A fração do conjunto de dados de treinamento que precisa ser reservada para fins de validação. Valores entre (0,0 , 1,0) Aplicado quando o conjunto de dados de validação não é fornecido.

ImageClassificationMultilabel

Object

Classificação de Imagem Multilabel. A classificação de imagens multirótulos é utilizada quando uma imagem pode ter uma ou mais etiquetas de um conjunto de etiquetas - por exemplo, uma imagem pode ser rotulada com «gato» e «cão».

Name	Tipo	Default value	Description
limitSettings	ImageLimitSettings		[Obrigatório] Limite as configurações para o trabalho AutoML.
logVerbosity	LogVerbosity	Info	Registre a verbosidade para o trabalho.
modelSettings	ImageModelSettingsClassification		Configurações usadas para treinar o modelo.
primaryMetric	ClassificationMultilabelPrimaryMetrics	IOU	Métrica primária para otimizar esta tarefa.
searchSpace	ImageModelDistributionSettingsClassification[]		Espaço de pesquisa para amostragem de diferentes combinações de modelos e seus hiperparâmetros.
sweepSettings	ImageSweepSettings		Configurações relacionadas à varredura de modelos e à varredura de hiperparâmetros.
targetColumnName	string		Nome da coluna de destino: Esta é a coluna de valores de previsão. Também conhecido como nome da coluna de rótulo no contexto de tarefas de classificação.
taskType	string: ImageClassificationMultilabel		[Obrigatório] Tipo de tarefa para AutoMLJob.
trainingData	MLTableJobInput		[Obrigatório] Introdução de dados de formação.
validationData	MLTableJobInput		Entradas de dados de validação.
validationDataSize	number (double)		A fração do conjunto de dados de treinamento que precisa ser reservada para fins de validação. Valores entre (0,0 , 1,0) Aplicado quando o conjunto de dados de validação não é fornecido.

ImageInstanceSegmentation

Object

Segmentação de instâncias de imagem. A segmentação de instância é usada para identificar objetos em uma imagem no nível de pixel, desenhando um polígono em torno de cada objeto na imagem.

Name	Tipo	Default value	Description
limitSettings	ImageLimitSettings		[Obrigatório] Limite as configurações para o trabalho AutoML.
logVerbosity	LogVerbosity	Info	Registre a verbosidade para o trabalho.
modelSettings	ImageModelSettingsObjectDetection		Configurações usadas para treinar o modelo.
primaryMetric	InstanceSegmentationPrimaryMetrics	MeanAveragePrecision	Métrica primária para otimizar esta tarefa.
searchSpace	ImageModelDistributionSettingsObjectDetection[]		Espaço de pesquisa para amostragem de diferentes combinações de modelos e seus hiperparâmetros.
sweepSettings	ImageSweepSettings		Configurações relacionadas à varredura de modelos e à varredura de hiperparâmetros.
targetColumnName	string		Nome da coluna de destino: Esta é a coluna de valores de previsão. Também conhecido como nome da coluna de rótulo no contexto de tarefas de classificação.
taskType	string: ImageInstanceSegmentation		[Obrigatório] Tipo de tarefa para AutoMLJob.
trainingData	MLTableJobInput		[Obrigatório] Introdução de dados de formação.
validationData	MLTableJobInput		Entradas de dados de validação.
validationDataSize	number (double)		A fração do conjunto de dados de treinamento que precisa ser reservada para fins de validação. Valores entre (0,0 , 1,0) Aplicado quando o conjunto de dados de validação não é fornecido.

ImageLimitSettings

Object

Limite as configurações para o trabalho AutoML.

Name	Tipo	Default value	Description
maxConcurrentTrials	integer (int32)	1	Número máximo de iterações simultâneas do AutoML.
maxTrials	integer (int32)	1	Número máximo de iterações AutoML.
timeout	string (duration)	P7D	Tempo limite do trabalho AutoML.

ImageModelDistributionSettingsClassification

Object

Expressões de distribuição para varrer os valores das configurações do modelo. Alguns exemplos são:

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

Name	Tipo	Description
amsGradient	string	Habilite o AMSGrad quando o otimizador for 'adam' ou 'adamw'.
augmentations	string	Configurações para usar Aumentos.
beta1	string	Valor de 'beta1' quando o otimizador é 'adam' ou 'adamw'. Deve ser um flutuador na faixa [0, 1].
beta2	string	Valor de 'beta2' quando o otimizador é 'adam' ou 'adamw'. Deve ser um flutuador na faixa [0, 1].
distributed	string	Se deve ou não usar o treinamento de distribuidor.
earlyStopping	string	Habilite a lógica de parada precoce durante o treinamento.
earlyStoppingDelay	string	Número mínimo de épocas ou avaliações de validação a aguardar antes que a melhoria da métrica primária seja rastreada para parada antecipada. Deve ser um número inteiro positivo.
earlyStoppingPatience	string	Número mínimo de épocas ou avaliações de validação sem melhoria da métrica primária antes de a execução ser interrompida. Deve ser um número inteiro positivo.
enableOnnxNormalization	string	Habilite a normalização ao exportar o modelo ONNX.
evaluationFrequency	string	Frequência para avaliar o conjunto de dados de validação para obter pontuações métricas. Deve ser um número inteiro positivo.
gradientAccumulationStep	string	Acumulação de gradiente significa executar um número configurado de etapas "GradAccumulationStep" sem atualizar os pesos do modelo enquanto acumula os gradientes dessas etapas e, em seguida, usando os gradientes acumulados para calcular as atualizações de peso. Deve ser um número inteiro positivo.
layersToFreeze	string	Número de camadas a congelar para o modelo. Deve ser um número inteiro positivo. Por exemplo, passar 2 como valor para 'seresnext' significa congelar camadas0 e camadas1. Para obter uma lista completa dos modelos suportados e detalhes sobre o congelamento de camadas, consulte: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
learningRate	string	Taxa de aprendizagem inicial. Deve ser um flutuador na faixa [0, 1].
learningRateScheduler	string	Tipo de agendador de taxa de aprendizagem. Deve ser 'warmup_cosine' ou 'step'.
modelName	string	Nome do modelo a utilizar na formação. Para mais informações sobre os modelos disponíveis, visite a documentação oficial: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
momentum	string	Valor do momento quando o otimizador é 'sgd'. Deve ser um flutuador na faixa [0, 1].
nesterov	string	Ative o nesterov quando o otimizador for 'sgd'.
numberOfEpochs	string	Número de épocas de formação. Deve ser um número inteiro positivo.
numberOfWorkers	string	Número de trabalhadores do carregador de dados. Deve ser um número inteiro não negativo.
optimizer	string	Tipo de otimizador. Deve ser 'sgd', 'adam' ou 'adamw'.
randomSeed	string	Sementes aleatórias a serem usadas quando se utiliza treinamento determinístico.
stepLRGamma	string	Valor da gama quando o agendador de taxa de aprendizagem é 'passo'. Deve ser um flutuador na faixa [0, 1].
stepLRStepSize	string	Valor do tamanho da etapa quando o agendador de taxa de aprendizagem é 'etapa'. Deve ser um número inteiro positivo.
trainingBatchSize	string	Tamanho do lote de treinamento. Deve ser um número inteiro positivo.
trainingCropSize	string	Tamanho de corte de imagem que é entrada na rede neural para o conjunto de dados de treinamento. Deve ser um número inteiro positivo.
validationBatchSize	string	Tamanho do lote de validação. Deve ser um número inteiro positivo.
validationCropSize	string	Tamanho de corte de imagem que é entrada na rede neural para o conjunto de dados de validação. Deve ser um número inteiro positivo.
validationResizeSize	string	Tamanho da imagem para o qual redimensionar antes de cortar para o conjunto de dados de validação. Deve ser um número inteiro positivo.
warmupCosineLRCycles	string	Valor do ciclo cosseno quando o agendador de taxa de aprendizagem é 'warmup_cosine'. Deve ser um flutuador na faixa [0, 1].
warmupCosineLRWarmupEpochs	string	Valor das épocas de aquecimento quando o agendador de taxa de aprendizagem é 'warmup_cosine'. Deve ser um número inteiro positivo.
weightDecay	string	Valor de decaimento de peso quando o otimizador é 'sgd', 'adam' ou 'adamw'. Deve ser um flutuador na faixa[0, 1].
weightedLoss	string	Perda ponderada. Os valores aceites são 0 para nenhuma perda ponderada. 1 para perda de peso com sqrt. (class_weights). 2 para perda de peso com class_weights. Deve ser 0 ou 1 ou 2.

ImageModelDistributionSettingsObjectDetection

Object

Expressões de distribuição para varrer os valores das configurações do modelo. Alguns exemplos são:

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

Name	Tipo	Description
amsGradient	string	Habilite o AMSGrad quando o otimizador for 'adam' ou 'adamw'.
augmentations	string	Configurações para usar Aumentos.
beta1	string	Valor de 'beta1' quando o otimizador é 'adam' ou 'adamw'. Deve ser um flutuador na faixa [0, 1].
beta2	string	Valor de 'beta2' quando o otimizador é 'adam' ou 'adamw'. Deve ser um flutuador na faixa [0, 1].
boxDetectionsPerImage	string	Número máximo de deteções por imagem, para todas as classes. Deve ser um número inteiro positivo. Nota: Esta configuração não é suportada para o algoritmo 'yolov5'.
boxScoreThreshold	string	Durante a inferência, apenas retornam propostas com uma pontuação de classificação maior que BoxScoreThreshold. Deve ser um flutuador na faixa[0, 1].
distributed	string	Se deve ou não usar o treinamento de distribuidor.
earlyStopping	string	Habilite a lógica de parada precoce durante o treinamento.
earlyStoppingDelay	string	Número mínimo de épocas ou avaliações de validação a aguardar antes que a melhoria da métrica primária seja rastreada para parada antecipada. Deve ser um número inteiro positivo.
earlyStoppingPatience	string	Número mínimo de épocas ou avaliações de validação sem melhoria da métrica primária antes de a execução ser interrompida. Deve ser um número inteiro positivo.
enableOnnxNormalization	string	Habilite a normalização ao exportar o modelo ONNX.
evaluationFrequency	string	Frequência para avaliar o conjunto de dados de validação para obter pontuações métricas. Deve ser um número inteiro positivo.
gradientAccumulationStep	string	Acumulação de gradiente significa executar um número configurado de etapas "GradAccumulationStep" sem atualizar os pesos do modelo enquanto acumula os gradientes dessas etapas e, em seguida, usando os gradientes acumulados para calcular as atualizações de peso. Deve ser um número inteiro positivo.
imageSize	string	Tamanho da imagem para trem e validação. Deve ser um número inteiro positivo. Nota: A corrida de treinamento pode entrar em CUDA OOM se o tamanho for muito grande. Nota: Esta configuração só é suportada para o algoritmo 'yolov5'.
layersToFreeze	string	Número de camadas a congelar para o modelo. Deve ser um número inteiro positivo. Por exemplo, passar 2 como valor para 'seresnext' significa congelar camadas0 e camadas1. Para obter uma lista completa dos modelos suportados e detalhes sobre o congelamento de camadas, consulte: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
learningRate	string	Taxa de aprendizagem inicial. Deve ser um flutuador na faixa [0, 1].
learningRateScheduler	string	Tipo de agendador de taxa de aprendizagem. Deve ser 'warmup_cosine' ou 'step'.
maxSize	string	Tamanho máximo da imagem a ser redimensionada antes de alimentá-la para o backbone. Deve ser um número inteiro positivo. Nota: a corrida de treinamento pode entrar no CUDA OOM se o tamanho for muito grande. Nota: Esta configuração não é suportada para o algoritmo 'yolov5'.
minSize	string	Tamanho mínimo da imagem a ser redimensionada antes de alimentá-la para o backbone. Deve ser um número inteiro positivo. Nota: a corrida de treinamento pode entrar no CUDA OOM se o tamanho for muito grande. Nota: Esta configuração não é suportada para o algoritmo 'yolov5'.
modelName	string	Nome do modelo a utilizar na formação. Para mais informações sobre os modelos disponíveis, visite a documentação oficial: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
modelSize	string	Tamanho do modelo. Deve ser 'pequeno', 'médio', 'grande' ou 'xlarge'. Nota: a corrida de treinamento pode entrar no CUDA OOM se o tamanho do modelo for muito grande. Nota: Esta configuração só é suportada para o algoritmo 'yolov5'.
momentum	string	Valor do momento quando o otimizador é 'sgd'. Deve ser um flutuador na faixa [0, 1].
multiScale	string	Habilite a imagem em várias escalas variando o tamanho da imagem em +/- 50%. Nota: a execução de treinamento pode entrar no CUDA OOM se não houver memória GPU suficiente. Nota: Esta configuração só é suportada para o algoritmo 'yolov5'.
nesterov	string	Ative o nesterov quando o otimizador for 'sgd'.
nmsIouThreshold	string	Limiar de UO utilizado durante a inferência no pós-processamento de SMN. Deve ser flutuante no intervalo [0, 1].
numberOfEpochs	string	Número de épocas de formação. Deve ser um número inteiro positivo.
numberOfWorkers	string	Número de trabalhadores do carregador de dados. Deve ser um número inteiro não negativo.
optimizer	string	Tipo de otimizador. Deve ser 'sgd', 'adam' ou 'adamw'.
randomSeed	string	Sementes aleatórias a serem usadas quando se utiliza treinamento determinístico.
stepLRGamma	string	Valor da gama quando o agendador de taxa de aprendizagem é 'passo'. Deve ser um flutuador na faixa [0, 1].
stepLRStepSize	string	Valor do tamanho da etapa quando o agendador de taxa de aprendizagem é 'etapa'. Deve ser um número inteiro positivo.
tileGridSize	string	O tamanho da grade a ser usado para colocar lado a lado cada imagem. Nota: TileGridSize não deve ser Nenhum para habilitar a lógica de deteção de objetos pequenos. Uma cadeia de caracteres que contém dois inteiros no formato mxn. Nota: Esta configuração não é suportada para o algoritmo 'yolov5'.
tileOverlapRatio	string	Razão de sobreposição entre blocos adjacentes em cada dimensão. Deve ser flutuante no intervalo [0, 1]. Nota: Esta configuração não é suportada para o algoritmo 'yolov5'.
tilePredictionsNmsThreshold	string	O limite de UO a ser usado para executar o NMS ao mesclar previsões de blocos e imagem. Utilizado na validação/inferência. Deve ser flutuante no intervalo [0, 1]. Nota: Esta configuração não é suportada para o algoritmo 'yolov5'. SMN: Supressão não máxima
trainingBatchSize	string	Tamanho do lote de treinamento. Deve ser um número inteiro positivo.
validationBatchSize	string	Tamanho do lote de validação. Deve ser um número inteiro positivo.
validationIouThreshold	string	Limite de UO a ser usado ao calcular a métrica de validação. Deve ser flutuante no intervalo [0, 1].
validationMetricType	string	Método de cálculo métrico a utilizar para métricas de validação. Deve ser 'nenhum', 'coco', 'voc' ou 'coco_voc'.
warmupCosineLRCycles	string	Valor do ciclo cosseno quando o agendador de taxa de aprendizagem é 'warmup_cosine'. Deve ser um flutuador na faixa [0, 1].
warmupCosineLRWarmupEpochs	string	Valor das épocas de aquecimento quando o agendador de taxa de aprendizagem é 'warmup_cosine'. Deve ser um número inteiro positivo.
weightDecay	string	Valor de decaimento de peso quando o otimizador é 'sgd', 'adam' ou 'adamw'. Deve ser um flutuador na faixa[0, 1].

ImageModelSettingsClassification

Object

Configurações usadas para treinar o modelo. Para obter mais informações sobre as configurações disponíveis, visite a documentação oficial: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

Name	Tipo	Default value	Description
advancedSettings	string		Configurações para cenários avançados.
amsGradient	boolean		Habilite o AMSGrad quando o otimizador for 'adam' ou 'adamw'.
augmentations	string		Configurações para usar Aumentos.
beta1	number (float)		Valor de 'beta1' quando o otimizador é 'adam' ou 'adamw'. Deve ser um flutuador na faixa [0, 1].
beta2	number (float)		Valor de 'beta2' quando o otimizador é 'adam' ou 'adamw'. Deve ser um flutuador na faixa [0, 1].
checkpointFrequency	integer (int32)		Frequência para armazenar pontos de verificação do modelo. Deve ser um número inteiro positivo.
checkpointModel	MLFlowModelJobInput		O modelo de ponto de verificação pré-treinado para treinamento incremental.
checkpointRunId	string		A id de uma execução anterior que tem um ponto de verificação pré-treinado para treinamento incremental.
distributed	boolean		Se deve ou não usar o treinamento distribuído.
earlyStopping	boolean		Habilite a lógica de parada precoce durante o treinamento.
earlyStoppingDelay	integer (int32)		Número mínimo de épocas ou avaliações de validação a aguardar antes que a melhoria da métrica primária seja rastreada para parada antecipada. Deve ser um número inteiro positivo.
earlyStoppingPatience	integer (int32)		Número mínimo de épocas ou avaliações de validação sem melhoria da métrica primária antes de a execução ser interrompida. Deve ser um número inteiro positivo.
enableOnnxNormalization	boolean		Habilite a normalização ao exportar o modelo ONNX.
evaluationFrequency	integer (int32)		Frequência para avaliar o conjunto de dados de validação para obter pontuações métricas. Deve ser um número inteiro positivo.
gradientAccumulationStep	integer (int32)		Acumulação de gradiente significa executar um número configurado de etapas "GradAccumulationStep" sem atualizar os pesos do modelo enquanto acumula os gradientes dessas etapas e, em seguida, usando os gradientes acumulados para calcular as atualizações de peso. Deve ser um número inteiro positivo.
layersToFreeze	integer (int32)		Número de camadas a congelar para o modelo. Deve ser um número inteiro positivo. Por exemplo, passar 2 como valor para 'seresnext' significa congelar camadas0 e camadas1. Para obter uma lista completa dos modelos suportados e detalhes sobre o congelamento de camadas, consulte: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
learningRate	number (float)		Taxa de aprendizagem inicial. Deve ser um flutuador na faixa [0, 1].
learningRateScheduler	LearningRateScheduler	None	Tipo de agendador de taxa de aprendizagem. Deve ser 'warmup_cosine' ou 'step'.
modelName	string		Nome do modelo a utilizar na formação. Para mais informações sobre os modelos disponíveis, visite a documentação oficial: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
momentum	number (float)		Valor do momento quando o otimizador é 'sgd'. Deve ser um flutuador na faixa [0, 1].
nesterov	boolean		Ative o nesterov quando o otimizador for 'sgd'.
numberOfEpochs	integer (int32)		Número de épocas de formação. Deve ser um número inteiro positivo.
numberOfWorkers	integer (int32)		Número de trabalhadores do carregador de dados. Deve ser um número inteiro não negativo.
optimizer	StochasticOptimizer	None	Tipo de otimizador.
randomSeed	integer (int32)		Sementes aleatórias a serem usadas quando se utiliza treinamento determinístico.
stepLRGamma	number (float)		Valor da gama quando o agendador de taxa de aprendizagem é 'passo'. Deve ser um flutuador na faixa [0, 1].
stepLRStepSize	integer (int32)		Valor do tamanho da etapa quando o agendador de taxa de aprendizagem é 'etapa'. Deve ser um número inteiro positivo.
trainingBatchSize	integer (int32)		Tamanho do lote de treinamento. Deve ser um número inteiro positivo.
trainingCropSize	integer (int32)		Tamanho de corte de imagem que é entrada na rede neural para o conjunto de dados de treinamento. Deve ser um número inteiro positivo.
validationBatchSize	integer (int32)		Tamanho do lote de validação. Deve ser um número inteiro positivo.
validationCropSize	integer (int32)		Tamanho de corte de imagem que é entrada na rede neural para o conjunto de dados de validação. Deve ser um número inteiro positivo.
validationResizeSize	integer (int32)		Tamanho da imagem para o qual redimensionar antes de cortar para o conjunto de dados de validação. Deve ser um número inteiro positivo.
warmupCosineLRCycles	number (float)		Valor do ciclo cosseno quando o agendador de taxa de aprendizagem é 'warmup_cosine'. Deve ser um flutuador na faixa [0, 1].
warmupCosineLRWarmupEpochs	integer (int32)		Valor das épocas de aquecimento quando o agendador de taxa de aprendizagem é 'warmup_cosine'. Deve ser um número inteiro positivo.
weightDecay	number (float)		Valor de decaimento de peso quando o otimizador é 'sgd', 'adam' ou 'adamw'. Deve ser um flutuador na faixa[0, 1].
weightedLoss	integer (int32)		Perda ponderada. Os valores aceites são 0 para nenhuma perda ponderada. 1 para perda de peso com sqrt. (class_weights). 2 para perda de peso com class_weights. Deve ser 0 ou 1 ou 2.

ImageModelSettingsObjectDetection

Object

Name	Tipo	Default value	Description
advancedSettings	string		Configurações para cenários avançados.
amsGradient	boolean		Habilite o AMSGrad quando o otimizador for 'adam' ou 'adamw'.
augmentations	string		Configurações para usar Aumentos.
beta1	number (float)		Valor de 'beta1' quando o otimizador é 'adam' ou 'adamw'. Deve ser um flutuador na faixa [0, 1].
beta2	number (float)		Valor de 'beta2' quando o otimizador é 'adam' ou 'adamw'. Deve ser um flutuador na faixa [0, 1].
boxDetectionsPerImage	integer (int32)		Número máximo de deteções por imagem, para todas as classes. Deve ser um número inteiro positivo. Nota: Esta configuração não é suportada para o algoritmo 'yolov5'.
boxScoreThreshold	number (float)		Durante a inferência, apenas retornam propostas com uma pontuação de classificação maior que BoxScoreThreshold. Deve ser um flutuador na faixa[0, 1].
checkpointFrequency	integer (int32)		Frequência para armazenar pontos de verificação do modelo. Deve ser um número inteiro positivo.
checkpointModel	MLFlowModelJobInput		O modelo de ponto de verificação pré-treinado para treinamento incremental.
checkpointRunId	string		A id de uma execução anterior que tem um ponto de verificação pré-treinado para treinamento incremental.
distributed	boolean		Se deve ou não usar o treinamento distribuído.
earlyStopping	boolean		Habilite a lógica de parada precoce durante o treinamento.
earlyStoppingDelay	integer (int32)		Número mínimo de épocas ou avaliações de validação a aguardar antes que a melhoria da métrica primária seja rastreada para parada antecipada. Deve ser um número inteiro positivo.
earlyStoppingPatience	integer (int32)		Número mínimo de épocas ou avaliações de validação sem melhoria da métrica primária antes de a execução ser interrompida. Deve ser um número inteiro positivo.
enableOnnxNormalization	boolean		Habilite a normalização ao exportar o modelo ONNX.
evaluationFrequency	integer (int32)		Frequência para avaliar o conjunto de dados de validação para obter pontuações métricas. Deve ser um número inteiro positivo.
gradientAccumulationStep	integer (int32)		Acumulação de gradiente significa executar um número configurado de etapas "GradAccumulationStep" sem atualizar os pesos do modelo enquanto acumula os gradientes dessas etapas e, em seguida, usando os gradientes acumulados para calcular as atualizações de peso. Deve ser um número inteiro positivo.
imageSize	integer (int32)		Tamanho da imagem para trem e validação. Deve ser um número inteiro positivo. Nota: A corrida de treinamento pode entrar em CUDA OOM se o tamanho for muito grande. Nota: Esta configuração só é suportada para o algoritmo 'yolov5'.
layersToFreeze	integer (int32)		Número de camadas a congelar para o modelo. Deve ser um número inteiro positivo. Por exemplo, passar 2 como valor para 'seresnext' significa congelar camadas0 e camadas1. Para obter uma lista completa dos modelos suportados e detalhes sobre o congelamento de camadas, consulte: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
learningRate	number (float)		Taxa de aprendizagem inicial. Deve ser um flutuador na faixa [0, 1].
learningRateScheduler	LearningRateScheduler	None	Tipo de agendador de taxa de aprendizagem. Deve ser 'warmup_cosine' ou 'step'.
maxSize	integer (int32)		Tamanho máximo da imagem a ser redimensionada antes de alimentá-la para o backbone. Deve ser um número inteiro positivo. Nota: a corrida de treinamento pode entrar no CUDA OOM se o tamanho for muito grande. Nota: Esta configuração não é suportada para o algoritmo 'yolov5'.
minSize	integer (int32)		Tamanho mínimo da imagem a ser redimensionada antes de alimentá-la para o backbone. Deve ser um número inteiro positivo. Nota: a corrida de treinamento pode entrar no CUDA OOM se o tamanho for muito grande. Nota: Esta configuração não é suportada para o algoritmo 'yolov5'.
modelName	string		Nome do modelo a utilizar na formação. Para mais informações sobre os modelos disponíveis, visite a documentação oficial: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
modelSize	ModelSize	None	Tamanho do modelo. Deve ser 'pequeno', 'médio', 'grande' ou 'xlarge'. Nota: a corrida de treinamento pode entrar no CUDA OOM se o tamanho do modelo for muito grande. Nota: Esta configuração só é suportada para o algoritmo 'yolov5'.
momentum	number (float)		Valor do momento quando o otimizador é 'sgd'. Deve ser um flutuador na faixa [0, 1].
multiScale	boolean		Habilite a imagem em várias escalas variando o tamanho da imagem em +/- 50%. Nota: a execução de treinamento pode entrar no CUDA OOM se não houver memória GPU suficiente. Nota: Esta configuração só é suportada para o algoritmo 'yolov5'.
nesterov	boolean		Ative o nesterov quando o otimizador for 'sgd'.
nmsIouThreshold	number (float)		Limiar de UO utilizado durante a inferência no pós-processamento de SMN. Deve ser um flutuador na faixa [0, 1].
numberOfEpochs	integer (int32)		Número de épocas de formação. Deve ser um número inteiro positivo.
numberOfWorkers	integer (int32)		Número de trabalhadores do carregador de dados. Deve ser um número inteiro não negativo.
optimizer	StochasticOptimizer	None	Tipo de otimizador.
randomSeed	integer (int32)		Sementes aleatórias a serem usadas quando se utiliza treinamento determinístico.
stepLRGamma	number (float)		Valor da gama quando o agendador de taxa de aprendizagem é 'passo'. Deve ser um flutuador na faixa [0, 1].
stepLRStepSize	integer (int32)		Valor do tamanho da etapa quando o agendador de taxa de aprendizagem é 'etapa'. Deve ser um número inteiro positivo.
tileGridSize	string		O tamanho da grade a ser usado para colocar lado a lado cada imagem. Nota: TileGridSize não deve ser Nenhum para habilitar a lógica de deteção de objetos pequenos. Uma cadeia de caracteres que contém dois inteiros no formato mxn. Nota: Esta configuração não é suportada para o algoritmo 'yolov5'.
tileOverlapRatio	number (float)		Razão de sobreposição entre blocos adjacentes em cada dimensão. Deve ser flutuante no intervalo [0, 1]. Nota: Esta configuração não é suportada para o algoritmo 'yolov5'.
tilePredictionsNmsThreshold	number (float)		O limite de UO a ser usado para executar o NMS ao mesclar previsões de blocos e imagem. Utilizado na validação/inferência. Deve ser flutuante no intervalo [0, 1]. Nota: Esta configuração não é suportada para o algoritmo 'yolov5'.
trainingBatchSize	integer (int32)		Tamanho do lote de treinamento. Deve ser um número inteiro positivo.
validationBatchSize	integer (int32)		Tamanho do lote de validação. Deve ser um número inteiro positivo.
validationIouThreshold	number (float)		Limite de UO a ser usado ao calcular a métrica de validação. Deve ser flutuante no intervalo [0, 1].
validationMetricType	ValidationMetricType	None	Método de cálculo métrico a utilizar para métricas de validação.
warmupCosineLRCycles	number (float)		Valor do ciclo cosseno quando o agendador de taxa de aprendizagem é 'warmup_cosine'. Deve ser um flutuador na faixa [0, 1].
warmupCosineLRWarmupEpochs	integer (int32)		Valor das épocas de aquecimento quando o agendador de taxa de aprendizagem é 'warmup_cosine'. Deve ser um número inteiro positivo.
weightDecay	number (float)		Valor de decaimento de peso quando o otimizador é 'sgd', 'adam' ou 'adamw'. Deve ser um flutuador na faixa[0, 1].

ImageObjectDetection

Object

Deteção de objeto de imagem. A deteção de objetos é usada para identificar objetos em uma imagem e localizar cada objeto com uma caixa delimitadora, por exemplo, localizar todos os cães e gatos em uma imagem e desenhar uma caixa delimitadora em torno de cada um.

Name	Tipo	Default value	Description
limitSettings	ImageLimitSettings		[Obrigatório] Limite as configurações para o trabalho AutoML.
logVerbosity	LogVerbosity	Info	Registre a verbosidade para o trabalho.
modelSettings	ImageModelSettingsObjectDetection		Configurações usadas para treinar o modelo.
primaryMetric	ObjectDetectionPrimaryMetrics	MeanAveragePrecision	Métrica primária para otimizar esta tarefa.
searchSpace	ImageModelDistributionSettingsObjectDetection[]		Espaço de pesquisa para amostragem de diferentes combinações de modelos e seus hiperparâmetros.
sweepSettings	ImageSweepSettings		Configurações relacionadas à varredura de modelos e à varredura de hiperparâmetros.
targetColumnName	string		Nome da coluna de destino: Esta é a coluna de valores de previsão. Também conhecido como nome da coluna de rótulo no contexto de tarefas de classificação.
taskType	string: ImageObjectDetection		[Obrigatório] Tipo de tarefa para AutoMLJob.
trainingData	MLTableJobInput		[Obrigatório] Introdução de dados de formação.
validationData	MLTableJobInput		Entradas de dados de validação.
validationDataSize	number (double)		A fração do conjunto de dados de treinamento que precisa ser reservada para fins de validação. Valores entre (0,0 , 1,0) Aplicado quando o conjunto de dados de validação não é fornecido.

ImageSweepSettings

Object

Configurações relacionadas à varredura de modelos e à varredura de hiperparâmetros.

Name	Tipo	Description
earlyTermination	EarlyTerminationPolicy: BanditPolicy MedianStoppingPolicy TruncationSelectionPolicy	Tipo de política de rescisão antecipada.
samplingAlgorithm	SamplingAlgorithmType	[Obrigatório] Tipo de algoritmos de amostragem de hiperparâmetros.

InputDeliveryMode

Enumeração

Enum para determinar o modo de entrega de dados de entrada.

Valor	Description
Direct
Download
EvalDownload
EvalMount
ReadOnlyMount
ReadWriteMount

InstanceSegmentationPrimaryMetrics

Enumeração

Métricas primárias para tarefas InstanceSegmentation.

Valor	Description
MeanAveragePrecision	A Precisão Média (PAM) é a média da AP (Precisão Média). O AP é calculado para cada classe e calculado em média para obter o MAP.

JobBaseResource

Object

Envelope de recursos do Azure Resource Manager.

Name	Tipo	Description
id	string	ID de recurso totalmente qualificado para o recurso. Ex - /subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/{resourceProviderNamespace}/{resourceType}/{resourceName}
name	string	O nome do recurso
properties	JobBase: AutoMLJob CommandJob PipelineJob SparkJob SweepJob	[Obrigatório] Atributos adicionais da entidade.
systemData	systemData	Metadados do Azure Resource Manager contendo informações createdBy e modifiedBy.
type	string	O tipo do recurso. Por exemplo, "Microsoft.Compute/virtualMachines" ou "Microsoft.Storage/storageAccounts"

JobInputType

Enumeração

Enum para determinar o tipo de entrada de trabalho.

Valor	Description
custom_model
literal
mlflow_model
mltable
triton_model
uri_file
uri_folder

JobLimitsType

Enumeração

Valor	Description
Command
Sweep

JobOutputType

Enumeração

Enum para determinar o tipo de saída do trabalho.

Valor	Description
custom_model
mlflow_model
mltable
triton_model
uri_file
uri_folder

JobResourceConfiguration

Object

Name	Tipo	Default value	Description
dockerArgs	string		Argumentos extras para passar para o comando de execução do Docker. Isso substituiria quaisquer parâmetros que já tenham sido definidos pelo sistema ou nesta seção. Este parâmetro só tem suporte para tipos de computação do Azure ML.
instanceCount	integer (int32)	1	Número opcional de instâncias ou nós usados pelo destino de computação.
instanceType	string		Tipo opcional de VM usado conforme suportado pelo destino de computação.
properties	object		Saco de propriedades adicionais.
shmSize	string pattern: \d+[bBkKmMgG]	2g	Tamanho do bloco de memória compartilhada do contêiner docker. Este deve ser no formato de (número)(unidade), onde o número é maior que 0 e a unidade pode ser um de b(bytes), k(kilobytes), m(megabytes) ou g(gigabytes).

JobService

Object

Definição de ponto final de trabalho

Name	Tipo	Description
endpoint	string	Url para o ponto de extremidade.
errorMessage	string	Qualquer erro no serviço.
jobServiceType	string	Tipo de ponto final.
nodes	Nodes: AllNodes	Nós nos quais o usuário gostaria de iniciar o serviço. Se Nós não estiver definido ou definido como nulo, o serviço só será iniciado no nó líder.
port	integer (int32)	Porta para endpoint.
properties	object	Propriedades adicionais a serem definidas no ponto de extremidade.
status	string	Estado do parâmetro de avaliação.

JobStatus

Enumeração

O estatuto de um emprego.

Valor	Description
CancelRequested	Foi solicitado o cancelamento do trabalho.
Canceled	Após o pedido de cancelamento, o trabalho foi cancelado com sucesso.
Completed	Trabalho concluído com êxito. Isso reflete que tanto o trabalho em si quanto os estados de coleta de saída foram concluídos com êxito
Failed	O trabalho falhou.
Finalizing	O trabalho é concluído no destino. Ele está em estado de coleta de saída agora.
NotResponding	Quando a pulsação está ativada, se a execução não estiver atualizando nenhuma informação para RunHistory, a execução irá para o estado NotRespondendo. NotResponding é o único estado que está isento de ordens de transição rigorosas. Uma execução pode ir de NotResponding para qualquer um dos estados anteriores.
NotStarted	A execução ainda não começou.
Paused	O trabalho é pausado pelos usuários. Alguns ajustes nos trabalhos de rotulagem podem ser feitos apenas em estado pausado.
Preparing	O ambiente de corrida está sendo preparado.
Provisioning	(Não utilizado atualmente) Ele será usado se ES estiver criando o destino de computação.
Queued	O trabalho é enfileirado no destino de computação. Por exemplo, no BatchAI, o trabalho está em estado de fila, enquanto aguarda que todos os nós necessários estejam prontos.
Running	O trabalho começou a ser executado no destino de computação.
Starting	A execução foi iniciada. O usuário tem um ID de execução.
Unknown	Status padrão do trabalho se não for mapeado para todos os outros status

JobTier

Enumeração

Enum para determinar a camada de trabalho.

Valor	Description
Basic
Null
Premium
Spot
Standard

JobType

Enumeração

Enum para determinar o tipo de trabalho.

Valor	Description
AutoML
Command
Pipeline
Spark
Sweep

LearningRateScheduler

Enumeração

Taxa de aprendizagem agendador enum.

Valor	Description
None	Nenhum agendador de taxa de aprendizagem selecionado.
Step	Programador de taxa de aprendizagem de passos.
WarmupCosine	Recozimento de cosseno com aquecimento.

LiteralJobInput

Object

Tipo de entrada literal.

Name	Tipo	Description
description	string	Descrição da entrada.
jobInputType	string: literal	[Obrigatório] Especifica o tipo de trabalho.
value	string minLength: 1 pattern: [a-zA-Z0-9_]	[Obrigatório] Valor literal para a entrada.

LogVerbosity

Enumeração

Enum para definir a verbosidade do log.

Valor	Description
Critical	Apenas declarações críticas registradas.
Debug	Depurar e acima instruções de log registradas.
Error	Erro e instruções de log acima registradas.
Info	Informações e instruções de log acima registradas.
NotSet	Nenhum registro emitido.
Warning	Aviso e instruções de log acima registradas.

ManagedIdentity

Object

Configuração de identidade gerenciada.

Name	Tipo	Description
clientId	string (uuid)	Especifica uma identidade atribuída pelo usuário por ID do cliente. Para sistema atribuído, não defina este campo.
identityType	string: Managed	[Obrigatório] Especifica o tipo de estrutura de identidade.
objectId	string (uuid)	Especifica uma identidade atribuída pelo usuário por ID de objeto. Para sistema atribuído, não defina este campo.
resourceId	string	Especifica uma identidade atribuída pelo usuário por ID de recurso ARM. Para sistema atribuído, não defina este campo.

MedianStoppingPolicy

Object

Define uma política de encerramento antecipado com base em médias de execução da métrica primária de todas as execuções

Name	Tipo	Default value	Description
delayEvaluation	integer (int32)	0	Número de intervalos para adiar a primeira avaliação.
evaluationInterval	integer (int32)	0	Intervalo (número de execuções) entre avaliações de políticas.
policyType	string: MedianStopping		[Obrigatório] Nome da configuração da política

MLFlowModelJobInput

Object

Name	Tipo	Default value	Description
description	string		Descrição da entrada.
jobInputType	string: mlflow_model		[Obrigatório] Especifica o tipo de trabalho.
mode	InputDeliveryMode	ReadOnlyMount	Modo de entrega de ativos de entrada.
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[Obrigatório] URI do ativo de entrada.

MLFlowModelJobOutput

Object

Name	Tipo	Default value	Description
description	string		Descrição da saída.
jobOutputType	string: mlflow_model		[Obrigatório] Especifica o tipo de trabalho.
mode	OutputDeliveryMode	ReadWriteMount	Modo de Entrega de Ativos de Saída.
uri	string		URI do ativo de saída.

MLTableJobInput

Object

Name	Tipo	Default value	Description
description	string		Descrição da entrada.
jobInputType	string: mltable		[Obrigatório] Especifica o tipo de trabalho.
mode	InputDeliveryMode	ReadOnlyMount	Modo de entrega de ativos de entrada.
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[Obrigatório] URI do ativo de entrada.

MLTableJobOutput

Object

Name	Tipo	Default value	Description
description	string		Descrição da saída.
jobOutputType	string: mltable		[Obrigatório] Especifica o tipo de trabalho.
mode	OutputDeliveryMode	ReadWriteMount	Modo de Entrega de Ativos de Saída.
uri	string		URI do ativo de saída.

ModelSize

Enumeração

Tamanho do modelo de imagem.

Valor	Description
ExtraLarge	Tamanho extra grande.
Large	Tamanho grande.
Medium	Tamanho médio.
None	Nenhum valor selecionado.
Small	Tamanho pequeno.

Mpi

Object

Configuração de distribuição MPI.

Name	Tipo	Description
distributionType	string: Mpi	[Obrigatório] Especifica o tipo de estrutura de distribuição.
processCountPerInstance	integer (int32)	Número de processos por nó MPI.

NCrossValidationsMode

Enumeração

Determina como o valor de validações N-Cross é determinado.

Valor	Description
Auto	Determine automaticamente o valor das validações N-Cross. Suportado apenas para a tarefa AutoML de 'Previsão'.
Custom	Use o valor personalizado de validações N-Cross.

NlpVerticalFeaturizationSettings

Object

Name	Tipo	Description
datasetLanguage	string	Linguagem do conjunto de dados, útil para os dados de texto.

NlpVerticalLimitSettings

Object

Restrições de execução de trabalho.

Name	Tipo	Default value	Description
maxConcurrentTrials	integer (int32)	1	Máximo de iterações simultâneas do AutoML.
maxTrials	integer (int32)	1	Número de iterações AutoML.
timeout	string (duration)	P7D	Tempo limite do trabalho AutoML.

NodesValueType

Enumeração

Os tipos enumerados para o valor dos nós

Valor	Description
All

NotificationSetting

Object

Configuração para notificação.

Name	Tipo	Description
emailOn	EmailNotificationEnableType[]	Enviar notificação por e-mail para o usuário no tipo de notificação especificado
emails	string[]	Esta é a lista de destinatários de e-mail que tem uma limitação de 499 caracteres no total concat com separador de vírgula
webhooks	object	Enviar retorno de chamada webhook para um serviço. Key é um nome fornecido pelo usuário para o webhook.

ObjectDetectionPrimaryMetrics

Enumeração

Métricas primárias para a tarefa Image ObjectDetection.

Valor	Description
MeanAveragePrecision	A Precisão Média (PAM) é a média da AP (Precisão Média). O AP é calculado para cada classe e calculado em média para obter o MAP.

Objective

Object

Objetivo de otimização.

Name	Tipo	Description
goal	Goal	[Obrigatório] Define metas métricas suportadas para ajuste de hiperparâmetros
primaryMetric	string minLength: 1 pattern: [a-zA-Z0-9_]	[Obrigatório] Nome da métrica a ser otimizada.

OutputDeliveryMode

Enumeração

Enums do modo de entrega de dados de saída.

Valor	Description
Direct
ReadWriteMount
Upload

PipelineJob

Object

Definição de trabalho de pipeline: define atributos genéricos para MFE.

Name	Tipo	Default value	Description
componentId	string		ID do recurso ARM do recurso componente.
computeId	string		ID do recurso ARM do recurso de computação.
description	string		O texto da descrição do ativo.
displayName	string		Exibir nome do trabalho.
experimentName	string	Default	O nome do experimento ao qual o trabalho pertence. Se não estiver definido, o trabalho será colocado no experimento "Padrão".
identity	IdentityConfiguration: AmlToken ManagedIdentity UserIdentity		Configuração de identidade. Se definido, este deve ser um dos AmlToken, ManagedIdentity, UserIdentity ou null. O padrão é AmlToken se null.
inputs	object		Insumos para o trabalho de pipeline.
isArchived	boolean	False	O ativo está arquivado?
jobType	string: Pipeline		[Obrigatório] Especifica o tipo de trabalho.
jobs	object		Os trabalhos constroem o trabalho de pipeline.
notificationSetting	NotificationSetting		Configuração de notificação para o trabalho
outputs	object		Saídas para o trabalho de pipeline
properties	object		O dicionário de propriedades de ativos.
services	<string, JobService>		Lista de JobEndpoints. Para trabalhos locais, um ponto de extremidade de trabalho terá um valor de ponto de extremidade de FileStreamObject.
settings	object		Configurações de pipeline, para coisas como ContinueRunOnStepFailure etc.
sourceJobId	string		ID do recurso ARM do trabalho de origem.
status	JobStatus		Situação do trabalho.
tags	object		Dicionário de tags. As tags podem ser adicionadas, removidas e atualizadas.

PyTorch

Object

Configuração de distribuição PyTorch.

Name	Tipo	Description
distributionType	string: PyTorch	[Obrigatório] Especifica o tipo de estrutura de distribuição.
processCountPerInstance	integer (int32)	Número de processos por nó.

QueueSettings

Object

Name	Tipo	Default value	Description
jobTier	JobTier	Null	Controla a camada de trabalho de computação

RandomSamplingAlgorithm

Object

Define um algoritmo de amostragem que gera valores aleatoriamente

Name	Tipo	Default value	Description
rule	RandomSamplingAlgorithmRule	Random	O tipo específico de algoritmo aleatório
samplingAlgorithmType	string: Random		[Obrigatório] O algoritmo usado para gerar valores de hiperparâmetros, juntamente com as propriedades de configuração
seed	integer (int32)		Um inteiro opcional para usar como semente para geração de números aleatórios

RandomSamplingAlgorithmRule

Enumeração

O tipo específico de algoritmo aleatório

Valor	Description
Random
Sobol

Regression

Object

Tarefa de regressão na tabela AutoML vertical.

Name	Tipo	Default value	Description
cvSplitColumnNames	string[]		Colunas a serem usadas para dados CVSplit.
featurizationSettings	TableVerticalFeaturizationSettings		Insumos de featurização necessários para o trabalho AutoML.
limitSettings	TableVerticalLimitSettings		Restrições de execução para AutoMLJob.
logVerbosity	LogVerbosity	Info	Registre a verbosidade para o trabalho.
nCrossValidations	NCrossValidations: AutoNCrossValidations CustomNCrossValidations		Número de dobras de validação cruzada a serem aplicadas no conjunto de dados de treinamento quando o conjunto de dados de validação não é fornecido.
primaryMetric	RegressionPrimaryMetrics	NormalizedRootMeanSquaredError	Métrica primária para tarefa de regressão.
targetColumnName	string		Nome da coluna de destino: Esta é a coluna de valores de previsão. Também conhecido como nome da coluna de rótulo no contexto de tarefas de classificação.
taskType	string: Regression		[Obrigatório] Tipo de tarefa para AutoMLJob.
testData	MLTableJobInput		Entrada de dados de teste.
testDataSize	number (double)		A fração do conjunto de dados de teste que precisa ser reservada para fins de validação. Valores entre (0,0 , 1,0) Aplicado quando o conjunto de dados de validação não é fornecido.
trainingData	MLTableJobInput		[Obrigatório] Introdução de dados de formação.
trainingSettings	RegressionTrainingSettings		Entradas para a fase de treinamento para um trabalho AutoML.
validationData	MLTableJobInput		Entradas de dados de validação.
validationDataSize	number (double)		A fração do conjunto de dados de treinamento que precisa ser reservada para fins de validação. Valores entre (0,0 , 1,0) Aplicado quando o conjunto de dados de validação não é fornecido.
weightColumnName	string		O nome da coluna de peso da amostra. O ML automatizado suporta uma coluna ponderada como entrada, fazendo com que as linhas nos dados sejam ponderadas para cima ou para baixo.

RegressionModels

Enumeração

Enum para todos os modelos de regressão suportados pelo AutoML.

Valor	Description
DecisionTree	As Árvores de Decisão são um método de aprendizagem supervisionada não paramétrico usado para tarefas de classificação e regressão. O objetivo é criar um modelo que preveja o valor de uma variável de destino aprendendo regras de decisão simples inferidas a partir dos recursos de dados.
ElasticNet	Rede elástica é um tipo popular de regressão linear regularizada que combina duas penalidades populares, especificamente as funções de penalidade L1 e L2.
ExtremeRandomTrees	Extreme Trees é um algoritmo de aprendizado de máquina que combina as previsões de muitas árvores de decisão. Está relacionado com o algoritmo de floresta aleatória amplamente utilizado.
GradientBoosting	A técnica de transitar os alunos da semana para um aluno forte é chamada de Boosting. O processo do algoritmo de aumento de gradiente trabalha nesta teoria de execução.
KNN	O algoritmo K-nearest neighbors (KNN) usa 'similaridade de recursos' para prever os valores de novos pontos de dados, o que significa ainda que o novo ponto de dados receberá um valor com base em quão perto ele corresponde aos pontos no conjunto de treinamento.
LassoLars	O modelo de Laço se encaixa com Regressão de Menor Ângulo, também conhecido como Lars. É um Modelo Linear treinado com um L1 prévio como regularizador.
LightGBM	LightGBM é uma estrutura de aumento de gradiente que usa algoritmos de aprendizagem baseados em árvore.
RandomForest	A floresta aleatória é um algoritmo de aprendizagem supervisionada. A "floresta" que constrói, é um conjunto de árvores de decisão, geralmente treinadas com o método do "ensacamento". A ideia geral do método de ensacamento é que uma combinação de modelos de aprendizagem aumenta o resultado geral.
SGD	SGD: A descida de gradiente estocástico é um algoritmo de otimização frequentemente usado em aplicações de aprendizado de máquina para encontrar os parâmetros do modelo que correspondem ao melhor ajuste entre as saídas previstas e reais. É uma técnica inexata, mas poderosa.
XGBoostRegressor	XGBoostRegressor: Extreme Gradient Boosting Regressor é um modelo de aprendizado de máquina supervisionado usando um conjunto de alunos básicos.

RegressionPrimaryMetrics

Enumeração

Métricas primárias para a tarefa Regressão.

Valor	Description
NormalizedMeanAbsoluteError	O Erro Absoluto Médio Normalizado (NMAE) é uma métrica de validação para comparar o Erro Absoluto Médio (MAE) de séries (temporais) com diferentes escalas.
NormalizedRootMeanSquaredError	O Normalized Root Mean Squared Error (NRMSE) facilita a comparação entre modelos com diferentes escalas.
R2Score	A pontuação R2 é uma das medidas de avaliação de desempenho para modelos de aprendizado de máquina baseados em previsão.
SpearmanCorrelation	O coeficiente de correlação de Spearman é uma medida não paramétrica de correlação de classificação.

RegressionTrainingSettings

Object

Configuração relacionada ao Treinamento de Regressão.

Name	Tipo	Default value	Description
allowedTrainingAlgorithms	RegressionModels[]		Modelos permitidos para tarefa de regressão.
blockedTrainingAlgorithms	RegressionModels[]		Modelos bloqueados para tarefa de regressão.
enableDnnTraining	boolean	False	Habilite a recomendação de modelos DNN.
enableModelExplainability	boolean	True	Sinalize para ativar a explicabilidade no melhor modelo.
enableOnnxCompatibleModels	boolean	False	Sinalizador para ativar modelos compatíveis com onnx.
enableStackEnsemble	boolean	True	Habilite a execução do conjunto de pilha.
enableVoteEnsemble	boolean	True	Habilite a execução do conjunto de votação.
ensembleModelDownloadTimeout	string (duration)	PT5M	Durante a geração de modelos VotingEnsemble e StackEnsemble, vários modelos ajustados das execuções infantis anteriores são baixados. Configure este parâmetro com um valor superior a 300 segundos, se for necessário mais tempo.
stackEnsembleSettings	StackEnsembleSettings		Configurações de conjunto de pilha para execução de conjunto de pilha.

SamplingAlgorithmType

Enumeração

Valor	Description
Bayesian
Grid
Random

SeasonalityMode

Enumeração

Modo de previsão de sazonalidade.

Valor	Description
Auto	Sazonalidade a determinar automaticamente.
Custom	Use o valor de sazonalidade personalizado.

ShortSeriesHandlingConfiguration

Enumeração

O parâmetro que define como se AutoML deve lidar com séries temporais curtas.

Valor	Description
Auto	As séries curtas serão acolchoadas se não houver séries longas, caso contrário, as séries curtas serão descartadas.
Drop	Todas as séries curtas serão abandonadas.
None	Representa o valor no/null.
Pad	Todas as séries curtas serão acolchoadas.

SparkJob

Object

Definição de trabalho de faísca.

Name	Tipo	Default value	Description
archives	string[]		Arquivar arquivos usados no trabalho.
args	string		Argumentos a favor do trabalho.
codeId	string (arm-id) minLength: 1 pattern: [a-zA-Z0-9_]		[Obrigatório] arm-id do ativo de código.
componentId	string		ID do recurso ARM do recurso componente.
computeId	string		ID do recurso ARM do recurso de computação.
conf	object		Propriedades configuradas do Spark.
description	string		O texto da descrição do ativo.
displayName	string		Exibir nome do trabalho.
entry	SparkJobEntry: SparkJobPythonEntry SparkJobScalaEntry		[Obrigatório] A entrada para executar na inicialização do trabalho.
environmentId	string (arm-id)		O ID do recurso ARM da especificação Ambiente para o trabalho.
environmentVariables	object		Variáveis de ambiente incluídas no trabalho.
experimentName	string	Default	O nome do experimento ao qual o trabalho pertence. Se não estiver definido, o trabalho será colocado no experimento "Padrão".
files	string[]		Arquivos usados no trabalho.
identity	IdentityConfiguration: AmlToken ManagedIdentity UserIdentity		Configuração de identidade. Se definido, este deve ser um dos AmlToken, ManagedIdentity, UserIdentity ou null. O padrão é AmlToken se null.
inputs	object		Mapeamento de ligações de dados de entrada usadas no trabalho.
isArchived	boolean	False	O ativo está arquivado?
jars	string[]		Jar arquivos usados no trabalho.
jobType	string: Spark		[Obrigatório] Especifica o tipo de trabalho.
notificationSetting	NotificationSetting		Configuração de notificação para o trabalho
outputs	object		Mapeamento das ligações de dados de saída usadas no trabalho.
properties	object		O dicionário de propriedades de ativos.
pyFiles	string[]		Arquivos Python usados no trabalho.
queueSettings	QueueSettings		Configurações de fila para o trabalho
resources	SparkResourceConfiguration		Configuração de recursos de computação para o trabalho.
services	<string, JobService>		Lista de JobEndpoints. Para trabalhos locais, um ponto de extremidade de trabalho terá um valor de ponto de extremidade de FileStreamObject.
status	JobStatus		Situação do trabalho.
tags	object		Dicionário de tags. As tags podem ser adicionadas, removidas e atualizadas.

SparkJobEntryType

Enumeração

Valor	Description
SparkJobPythonEntry
SparkJobScalaEntry

SparkJobPythonEntry

Object

Name	Tipo	Description
file	string minLength: 1 pattern: [a-zA-Z0-9_]	[Obrigatório] Caminho relativo do arquivo python para o ponto de entrada do trabalho.
sparkJobEntryType	string: SparkJobPythonEntry	[Obrigatório] Tipo de ponto de entrada do trabalho.

SparkJobScalaEntry

Object

Name	Tipo	Description
className	string minLength: 1 pattern: [a-zA-Z0-9_]	[Obrigatório] Nome da classe Scala usado como ponto de entrada.
sparkJobEntryType	string: SparkJobScalaEntry	[Obrigatório] Tipo de ponto de entrada do trabalho.

SparkResourceConfiguration

Object

Name	Tipo	Default value	Description
instanceType	string		Tipo opcional de VM usado conforme suportado pelo destino de computação.
runtimeVersion	string	3.1	Versão do tempo de execução do spark usado para o trabalho.

StackEnsembleSettings

Object

Adianta a configuração para personalizar a execução do StackEnsemble.

Name	Tipo	Default value	Description
stackMetaLearnerKWargs	object		Parâmetros opcionais para passar para o inicializador do meta-aluno.
stackMetaLearnerTrainPercentage	number (double)	0.2	Especifica a proporção do conjunto de treinamento (ao escolher o tipo de treinamento de treinamento e validação) a ser reservada para o treinamento do meta-aluno. O valor padrão é 0,2.
stackMetaLearnerType	StackMetaLearnerType	None	O meta-aprendiz é um modelo treinado na saída dos modelos heterogêneos individuais.

StackMetaLearnerType

Enumeração

O meta-aprendiz é um modelo treinado na saída dos modelos heterogêneos individuais. Os meta-alunos padrão são LogisticRegression para tarefas de classificação (ou LogisticRegressionCV se a validação cruzada estiver habilitada) e ElasticNet para tarefas de regressão/previsão (ou ElasticNetCV se a validação cruzada estiver habilitada). Esse parâmetro pode ser uma das seguintes strings: LogisticRegression, LogisticRegressionCV, LightGBMClassifier, ElasticNet, ElasticNetCV, LightGBMRegressor ou LinearRegression

Valor	Description
ElasticNet	Os meta-alunos padrão são LogisticRegression para tarefa de regressão.
ElasticNetCV	Os meta-alunos padrão são LogisticRegression para a tarefa de regressão quando o CV está ativado.
LightGBMClassifier
LightGBMRegressor
LinearRegression
LogisticRegression	Os meta-alunos padrão são LogisticRegression para tarefas de classificação.
LogisticRegressionCV	Os meta-alunos padrão são LogisticRegression para a tarefa de classificação quando o CV está ativado.
None

StochasticOptimizer

Enumeração

Otimizador estocástico para modelos de imagem.

Valor	Description
Adam	Adam é o algoritmo que otimiza funções objetivas estocásticas com base em estimativas adaptativas de momentos
Adamw	AdamW é uma variante do otimizador Adam que tem uma implementação melhorada de decaimento de peso.
None	Nenhum otimizador selecionado.
Sgd	Otimizador de descida de gradiente estocástico.

SweepJob

Object

Definição de tarefa de varredura.

Name	Tipo	Default value	Description
componentId	string		ID do recurso ARM do recurso componente.
computeId	string		ID do recurso ARM do recurso de computação.
description	string		O texto da descrição do ativo.
displayName	string		Exibir nome do trabalho.
earlyTermination	EarlyTerminationPolicy: BanditPolicy MedianStoppingPolicy TruncationSelectionPolicy		As políticas de rescisão antecipada permitem cancelar execuções com baixo desempenho antes que elas sejam concluídas
experimentName	string	Default	O nome do experimento ao qual o trabalho pertence. Se não estiver definido, o trabalho será colocado no experimento "Padrão".
identity	IdentityConfiguration: AmlToken ManagedIdentity UserIdentity		Configuração de identidade. Se definido, este deve ser um dos AmlToken, ManagedIdentity, UserIdentity ou null. O padrão é AmlToken se null.
inputs	object		Mapeamento de ligações de dados de entrada usadas no trabalho.
isArchived	boolean	False	O ativo está arquivado?
jobType	string: Sweep		[Obrigatório] Especifica o tipo de trabalho.
limits	SweepJobLimits	{}	Limite de trabalho de varredura.
notificationSetting	NotificationSetting		Configuração de notificação para o trabalho
objective	Objective		[Obrigatório] Objetivo de otimização.
outputs	object		Mapeamento das ligações de dados de saída usadas no trabalho.
properties	object		O dicionário de propriedades de ativos.
queueSettings	QueueSettings		Configurações de fila para o trabalho
samplingAlgorithm	SamplingAlgorithm: BayesianSamplingAlgorithm GridSamplingAlgorithm RandomSamplingAlgorithm		[Obrigatório] O algoritmo de amostragem de hiperparâmetros
searchSpace	object		[Obrigatório] Um dicionário contendo cada parâmetro e sua distribuição. A chave do dicionário é o nome do parâmetro
services	<string, JobService>		Lista de JobEndpoints. Para trabalhos locais, um ponto de extremidade de trabalho terá um valor de ponto de extremidade de FileStreamObject.
status	JobStatus		Situação do trabalho.
tags	object		Dicionário de tags. As tags podem ser adicionadas, removidas e atualizadas.
trial	TrialComponent		[Obrigatório] Definição do componente experimental.

SweepJobLimits

Object

Classe de limite de trabalho de varredura.

Name	Tipo	Description
jobLimitsType	string: Sweep	[Obrigatório] Tipo JobLimit.
maxConcurrentTrials	integer (int32)	Varrer o Job max testes simultâneos.
maxTotalTrials	integer (int32)	Varrer o total de testes do Sweep Job.
timeout	string (duration)	A duração máxima de execução no formato ISO 8601, após a qual o trabalho será cancelado. Suporta apenas a duração com uma precisão tão baixa como segundos.
trialTimeout	string (duration)	Valor do tempo limite da Avaliação do Trabalho de Varredura.

systemData

Object

Metadados referentes à criação e última modificação do recurso.

Name	Tipo	Description
createdAt	string (date-time)	O carimbo de data/hora da criação de recursos (UTC).
createdBy	string	A identidade que criou o recurso.
createdByType	createdByType	O tipo de identidade que criou o recurso.
lastModifiedAt	string (date-time)	O carimbo de data/hora da última modificação do recurso (UTC)
lastModifiedBy	string	A identidade que modificou o recurso pela última vez.
lastModifiedByType	createdByType	O tipo de identidade que modificou o recurso pela última vez.

TableVerticalFeaturizationSettings

Object

Configuração de Featurização.

Name	Tipo	Default value	Description
blockedTransformers	BlockedTransformers[]		Estes transformadores não devem ser utilizados na featurização.
columnNameAndTypes	object		Dicionário do nome da coluna e seu tipo (int, float, string, datetime etc).
datasetLanguage	string		Linguagem do conjunto de dados, útil para os dados de texto.
enableDnnFeaturization	boolean	False	Determina se os featurizers baseados em Dnn devem ser usados para a featurização de dados.
mode	FeaturizationMode	Auto	Modo de featurização - O usuário pode manter o modo 'Auto' padrão e o AutoML cuidará da transformação necessária dos dados na fase de featurização. Se 'Off' for selecionado, nenhuma featurização será feita. Se 'Personalizado' estiver selecionado, o usuário pode especificar entradas adicionais para personalizar como a featurização é feita.
transformerParams	object		O usuário pode especificar transformadores adicionais a serem usados juntamente com as colunas às quais seria aplicado e parâmetros para o construtor do transformador.

TableVerticalLimitSettings

Object

Restrições de execução de trabalho.

Name	Tipo	Default value	Description
enableEarlyTermination	boolean	True	Habilite o encerramento antecipado, determine se o AutoMLJob será encerrado antecipadamente se não houver melhoria de pontuação nas últimas 20 iterações.
exitScore	number (double)		Pontuação de saída para o trabalho AutoML.
maxConcurrentTrials	integer (int32)	1	Máximo de iterações simultâneas.
maxCoresPerTrial	integer (int32)	-1	Máximo de núcleos por iteração.
maxTrials	integer (int32)	1000	Número de iterações.
timeout	string (duration)	PT6H	Tempo limite do trabalho AutoML.
trialTimeout	string (duration)	PT30M	Tempo limite de iteração.

TargetAggregationFunction

Enumeração

Função de agregação de destino.

Valor	Description
Max
Mean
Min
None	Não representam nenhum conjunto de valores.
Sum

TargetLagsMode

Enumeração

Modos de seleção de atraso de destino.

Valor	Description
Auto	Atrasos de destino a serem determinados automaticamente.
Custom	Use os atrasos de destino personalizados.

TargetRollingWindowSizeMode

Enumeração

Modo de tamanho das janelas rolantes de destino.

Valor	Description
Auto	Determine automaticamente o tamanho das janelas rolantes.
Custom	Use o tamanho de janela rolante especificado.

TaskType

Enumeração

Tipo de tarefa AutoMLJob.

Valor	Description
Classification	A classificação em aprendizagem automática e estatística é uma abordagem de aprendizagem supervisionada em que o programa de computador aprende com os dados que lhe são fornecidos e faz novas observações ou classificações.
Forecasting	A previsão é um tipo especial de tarefa de regressão que lida com dados de séries temporais e cria um modelo de previsão que pode ser usado para prever os valores do futuro próximo com base nas entradas.
ImageClassification	Classificação de Imagem. A classificação de imagens multiclasses é utilizada quando uma imagem é classificada com apenas um rótulo de um conjunto de classes - por exemplo, cada imagem é classificada como uma imagem de um «gato», de um «cão» ou de um «pato».
ImageClassificationMultilabel	Classificação de Imagem Multilabel. A classificação de imagens multirótulos é utilizada quando uma imagem pode ter uma ou mais etiquetas de um conjunto de etiquetas - por exemplo, uma imagem pode ser rotulada com «gato» e «cão».
ImageInstanceSegmentation	Segmentação de instâncias de imagem. A segmentação de instância é usada para identificar objetos em uma imagem no nível de pixel, desenhando um polígono em torno de cada objeto na imagem.
ImageObjectDetection	Deteção de objeto de imagem. A deteção de objetos é usada para identificar objetos em uma imagem e localizar cada objeto com uma caixa delimitadora, por exemplo, localizar todos os cães e gatos em uma imagem e desenhar uma caixa delimitadora em torno de cada um.
Regression	Regressão significa prever o valor usando os dados de entrada. Modelos de regressão são usados para prever um valor contínuo.
TextClassification	A classificação de texto (também conhecida como marcação de texto ou categorização de texto) é o processo de classificação de textos em categorias. As categorias excluem-se mutuamente.
TextClassificationMultilabel	A tarefa de classificação multilabel atribui cada amostra a um grupo (zero ou mais) de rótulos de destino.
TextNER	Reconhecimento de entidade nomeada de texto também conhecido como TextNER. O Reconhecimento de Entidade Nomeada (NER) é a capacidade de usar texto de forma livre e identificar as ocorrências de entidades como pessoas, locais, organizações e muito mais.

TensorFlow

Object

Configuração de distribuição do TensorFlow.

Name	Tipo	Default value	Description
distributionType	string: TensorFlow		[Obrigatório] Especifica o tipo de estrutura de distribuição.
parameterServerCount	integer (int32)	0	Número de tarefas do servidor de parâmetros.
workerCount	integer (int32)		Número de trabalhadores. Se não for especificado, o padrão será a contagem de instâncias.

TextClassification

Object

Tarefa de Classificação de Texto na vertical de PNL AutoML. PNL - Processamento de Linguagem Natural.

Name	Tipo	Default value	Description
featurizationSettings	NlpVerticalFeaturizationSettings		Insumos de featurização necessários para o trabalho AutoML.
limitSettings	NlpVerticalLimitSettings		Restrições de execução para AutoMLJob.
logVerbosity	LogVerbosity	Info	Registre a verbosidade para o trabalho.
primaryMetric	ClassificationPrimaryMetrics	Accuracy	Métrica primária para Text-Classification tarefa.
targetColumnName	string		Nome da coluna de destino: Esta é a coluna de valores de previsão. Também conhecido como nome da coluna de rótulo no contexto de tarefas de classificação.
taskType	string: TextClassification		[Obrigatório] Tipo de tarefa para AutoMLJob.
trainingData	MLTableJobInput		[Obrigatório] Introdução de dados de formação.
validationData	MLTableJobInput		Entradas de dados de validação.

TextClassificationMultilabel

Object

Tarefa Multilabel de Classificação de Texto na vertical de NLP do AutoML. PNL - Processamento de Linguagem Natural.

Name	Tipo	Default value	Description
featurizationSettings	NlpVerticalFeaturizationSettings		Insumos de featurização necessários para o trabalho AutoML.
limitSettings	NlpVerticalLimitSettings		Restrições de execução para AutoMLJob.
logVerbosity	LogVerbosity	Info	Registre a verbosidade para o trabalho.
primaryMetric	ClassificationMultilabelPrimaryMetrics		Métrica primária para a tarefaClassification-Multilabel texto. Atualmente, apenas a Precisão é suportada como métrica principal, portanto, o usuário não precisa defini-la explicitamente.
targetColumnName	string		Nome da coluna de destino: Esta é a coluna de valores de previsão. Também conhecido como nome da coluna de rótulo no contexto de tarefas de classificação.
taskType	string: TextClassificationMultilabel		[Obrigatório] Tipo de tarefa para AutoMLJob.
trainingData	MLTableJobInput		[Obrigatório] Introdução de dados de formação.
validationData	MLTableJobInput		Entradas de dados de validação.

TextNer

Object

Text-NER tarefa no AutoML NLP vertical. NER - Reconhecimento de Entidade Nomeada. PNL - Processamento de Linguagem Natural.

Name	Tipo	Default value	Description
featurizationSettings	NlpVerticalFeaturizationSettings		Insumos de featurização necessários para o trabalho AutoML.
limitSettings	NlpVerticalLimitSettings		Restrições de execução para AutoMLJob.
logVerbosity	LogVerbosity	Info	Registre a verbosidade para o trabalho.
primaryMetric	ClassificationPrimaryMetrics		Métrica primária para Text-NER tarefa. Apenas 'Precisão' é suportado para Text-NER, então o usuário não precisa definir isso explicitamente.
targetColumnName	string		Nome da coluna de destino: Esta é a coluna de valores de previsão. Também conhecido como nome da coluna de rótulo no contexto de tarefas de classificação.
taskType	string: TextNER		[Obrigatório] Tipo de tarefa para AutoMLJob.
trainingData	MLTableJobInput		[Obrigatório] Introdução de dados de formação.
validationData	MLTableJobInput		Entradas de dados de validação.

TrialComponent

Object

Definição do componente experimental.

Name	Tipo	Default value	Description
codeId	string		ID do recurso ARM do ativo de código.
command	string minLength: 1 pattern: [a-zA-Z0-9_]		[Obrigatório] O comando a ser executado na inicialização do trabalho. por exemplo. "Python train.py"
distribution	DistributionConfiguration: Mpi PyTorch TensorFlow		Configuração de distribuição do trabalho. Se definido, este deve ser um de Mpi, Tensorflow, PyTorch, ou null.
environmentId	string minLength: 1 pattern: [a-zA-Z0-9_]		[Obrigatório] O ID do recurso ARM da especificação Ambiente para o trabalho.
environmentVariables	object		Variáveis de ambiente incluídas no trabalho.
resources	JobResourceConfiguration	{}	Configuração de recursos de computação para o trabalho.

TritonModelJobInput

Object

Name	Tipo	Default value	Description
description	string		Descrição da entrada.
jobInputType	string: triton_model		[Obrigatório] Especifica o tipo de trabalho.
mode	InputDeliveryMode	ReadOnlyMount	Modo de entrega de ativos de entrada.
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[Obrigatório] URI do ativo de entrada.

TritonModelJobOutput

Object

Name	Tipo	Default value	Description
description	string		Descrição da saída.
jobOutputType	string: triton_model		[Obrigatório] Especifica o tipo de trabalho.
mode	OutputDeliveryMode	ReadWriteMount	Modo de Entrega de Ativos de Saída.
uri	string		URI do ativo de saída.

TruncationSelectionPolicy

Object

Define uma política de encerramento antecipado que cancela uma determinada percentagem de execuções em cada intervalo de avaliação.

Name	Tipo	Default value	Description
delayEvaluation	integer (int32)	0	Número de intervalos para adiar a primeira avaliação.
evaluationInterval	integer (int32)	0	Intervalo (número de execuções) entre avaliações de políticas.
policyType	string: TruncationSelection		[Obrigatório] Nome da configuração da política
truncationPercentage	integer (int32)	0	A percentagem de corridas a cancelar em cada intervalo de avaliação.

UriFileJobInput

Object

Name	Tipo	Default value	Description
description	string		Descrição da entrada.
jobInputType	string: uri_file		[Obrigatório] Especifica o tipo de trabalho.
mode	InputDeliveryMode	ReadOnlyMount	Modo de entrega de ativos de entrada.
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[Obrigatório] URI do ativo de entrada.

UriFileJobOutput

Object

Name	Tipo	Default value	Description
description	string		Descrição da saída.
jobOutputType	string: uri_file		[Obrigatório] Especifica o tipo de trabalho.
mode	OutputDeliveryMode	ReadWriteMount	Modo de Entrega de Ativos de Saída.
uri	string		URI do ativo de saída.

UriFolderJobInput

Object

Name	Tipo	Default value	Description
description	string		Descrição da entrada.
jobInputType	string: uri_folder		[Obrigatório] Especifica o tipo de trabalho.
mode	InputDeliveryMode	ReadOnlyMount	Modo de entrega de ativos de entrada.
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[Obrigatório] URI do ativo de entrada.

UriFolderJobOutput

Object

Name	Tipo	Default value	Description
description	string		Descrição da saída.
jobOutputType	string: uri_folder		[Obrigatório] Especifica o tipo de trabalho.
mode	OutputDeliveryMode	ReadWriteMount	Modo de Entrega de Ativos de Saída.
uri	string		URI do ativo de saída.

UserIdentity

Object

Configuração de identidade do usuário.

Name	Tipo	Description
identityType	string: UserIdentity	[Obrigatório] Especifica o tipo de estrutura de identidade.

UseStl

Enumeração

Configure a decomposição STL da coluna de destino da série temporal.

Valor	Description
None	Sem decomposição de stl.
Season
SeasonTrend

ValidationMetricType

Enumeração

Método de computação métrica a ser usado para validação de métricas em tarefas de imagem.

Valor	Description
Coco	Métrica do coco.
CocoVoc	Métrica CocoVoc.
None	Nenhuma métrica.
Voc	Métrica de Voc.

WebhookType

Enumeração

Enum para determinar o tipo de serviço de retorno de chamada webhook.

Valor	Description
AzureDevOps

Partilhar via

Jobs - Get

Parâmetros do URI

Respostas

Exemplos

Get AutoML Job.

Pedido de amostra

Resposta da amostra

Get Command Job.

Pedido de amostra

Resposta da amostra

Get Pipeline Job.

Pedido de amostra

Resposta da amostra

Get Sweep Job.

Pedido de amostra

Resposta da amostra

Definições

AllNodes

AmlToken

AutoForecastHorizon

AutoMLJob

AutoNCrossValidations

AutoSeasonality

AutoTargetLags

AutoTargetRollingWindowSize

AzureDevOpsWebhook

BanditPolicy

BayesianSamplingAlgorithm

BlockedTransformers

Classification

ClassificationModels

ClassificationMultilabelPrimaryMetrics

ClassificationPrimaryMetrics

ClassificationTrainingSettings

CommandJob

CommandJobLimits

createdByType

CustomForecastHorizon

CustomModelJobInput

CustomModelJobOutput

CustomNCrossValidations

CustomSeasonality

CustomTargetLags

CustomTargetRollingWindowSize

DistributionType

EarlyTerminationPolicyType

EmailNotificationEnableType

ErrorAdditionalInfo

ErrorDetail

ErrorResponse

FeatureLags

FeaturizationMode

ForecastHorizonMode

Forecasting

ForecastingModels

ForecastingPrimaryMetrics

ForecastingSettings

ForecastingTrainingSettings

Goal

GridSamplingAlgorithm

IdentityConfigurationType

ImageClassification

ImageClassificationMultilabel

ImageInstanceSegmentation

ImageLimitSettings

ImageModelDistributionSettingsClassification

ImageModelDistributionSettingsObjectDetection

ImageModelSettingsClassification

ImageModelSettingsObjectDetection

ImageObjectDetection

ImageSweepSettings

InputDeliveryMode

InstanceSegmentationPrimaryMetrics

JobBaseResource

JobInputType

JobLimitsType

JobOutputType

JobResourceConfiguration

JobService