Jobs - Create Or Update

Служба:

Machine Learning

Версия API:

2026-03-01

Создает и выполняет задание. В случае обновления теги в переданном определении заменят теги в существующем задании.
Создает и выполняет задание. В случае обновления теги в переданном определении заменят теги в существующем задании.

PUT https://management.azure.com/subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.MachineLearningServices/workspaces/{workspaceName}/jobs/{id}?api-version=2026-03-01

Параметры URI

Имя	В	Обязательно	Тип	Описание
id	path	True	string	Имя и идентификатор задания. Это учитывает регистр.
resourceGroupName	path	True	string minLength: 1 maxLength: 90	Имя группы ресурсов. Имя регистронезависимо.
subscriptionId	path	True	string minLength: 1	Идентификатор целевой подписки.
workspaceName	path	True	string pattern: ^[a-zA-Z0-9][a-zA-Z0-9_-]{2,32}$	Имя рабочей области Машинного обучения Azure
api-version	query	True	string minLength: 1	Версия API, используемая для данной операции.

Текст запроса

Имя	Обязательно	Тип	Описание
properties	True	JobBaseProperties: AutoMLJob CommandJob PipelineJob SparkJob SweepJob	[Обязательный] Дополнительные атрибуты сущности.

Ответы

Имя	Тип	Описание
200 OK	JobBase	Операция обновления ресурса 'JobBase' успешно прошла
201 Created	JobBase	Операция создания ресурса 'JobBase' успешно выполнена
Other Status Codes	ErrorResponse	Непредвиденное сообщение об ошибке.

Безопасность

azure_auth

Поток OAuth2 в Azure Active Directory.

Тип: oauth2
Flow: implicit
URL-адрес авторизации: https://login.microsoftonline.com/common/oauth2/authorize

Области

Имя	Описание
user_impersonation	олицетворения учетной записи пользователя

Примеры

CreateOrUpdate AutoML Job.

CreateOrUpdate Command Job.

CreateOrUpdate Pipeline Job.

CreateOrUpdate Sweep Job.

CreateOrUpdate AutoML Job.

Образец запроса

HTTP

PUT https://management.azure.com/subscriptions/00000000-1111-2222-3333-444444444444/resourceGroups/test-rg/providers/Microsoft.MachineLearningServices/workspaces/my-aml-workspace/jobs/string?api-version=2026-03-01

{
  "properties": {
    "description": "string",
    "computeId": "string",
    "displayName": "string",
    "environmentId": "string",
    "environmentVariables": {
      "string": "string"
    },
    "experimentName": "string",
    "identity": {
      "identityType": "AMLToken"
    },
    "isArchived": false,
    "jobType": "AutoML",
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "ReadWriteMount",
        "uri": "string"
      }
    },
    "properties": {
      "string": "string"
    },
    "resources": {
      "instanceCount": 1,
      "instanceType": "string",
      "properties": {
        "string": {
          "9bec0ab0-c62f-4fa9-a97c-7b24bbcc90ad": null
        }
      }
    },
    "services": {
      "string": {
        "endpoint": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        }
      }
    },
    "tags": {
      "string": "string"
    },
    "taskDetails": {
      "limitSettings": {
        "maxTrials": 2
      },
      "modelSettings": {
        "validationCropSize": 2
      },
      "searchSpace": [
        {
          "validationCropSize": "choice(2, 360)"
        }
      ],
      "targetColumnName": "string",
      "taskType": "ImageClassification",
      "trainingData": {
        "jobInputType": "mltable",
        "uri": "string"
      }
    }
  }
}

Пример ответа

Код состояния:

200

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

Код состояния:

201

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

CreateOrUpdate Command Job.

Образец запроса

HTTP

PUT https://management.azure.com/subscriptions/00000000-1111-2222-3333-444444444444/resourceGroups/test-rg/providers/Microsoft.MachineLearningServices/workspaces/my-aml-workspace/jobs/string?api-version=2026-03-01

{
  "properties": {
    "description": "string",
    "codeId": "string",
    "command": "string",
    "computeId": "string",
    "displayName": "string",
    "distribution": {
      "distributionType": "TensorFlow",
      "parameterServerCount": 1,
      "workerCount": 1
    },
    "environmentId": "string",
    "environmentVariables": {
      "string": "string"
    },
    "experimentName": "string",
    "identity": {
      "identityType": "AMLToken"
    },
    "inputs": {
      "string": {
        "description": "string",
        "jobInputType": "literal",
        "value": "string"
      }
    },
    "jobType": "Command",
    "limits": {
      "jobLimitsType": "Command",
      "timeout": "PT5M"
    },
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "ReadWriteMount",
        "uri": "string"
      }
    },
    "properties": {
      "string": "string"
    },
    "resources": {
      "instanceCount": 1,
      "instanceType": "string",
      "properties": {
        "string": {
          "e6b6493e-7d5e-4db3-be1e-306ec641327e": null
        }
      }
    },
    "services": {
      "string": {
        "endpoint": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        }
      }
    },
    "tags": {
      "string": "string"
    }
  }
}

Пример ответа

Код состояния:

200

{
  "name": "string",
  "type": "string",
  "id": "string",
  "properties": {
    "description": "string",
    "codeId": "string",
    "command": "string",
    "computeId": "string",
    "displayName": "string",
    "distribution": {
      "distributionType": "TensorFlow",
      "parameterServerCount": 1,
      "workerCount": 1
    },
    "environmentId": "string",
    "environmentVariables": {
      "string": "string"
    },
    "experimentName": "string",
    "identity": {
      "identityType": "AMLToken"
    },
    "inputs": {
      "string": {
        "description": "string",
        "jobInputType": "literal",
        "value": "string"
      }
    },
    "jobType": "Command",
    "limits": {
      "jobLimitsType": "Command",
      "timeout": "PT5M"
    },
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "ReadWriteMount",
        "uri": "string"
      }
    },
    "parameters": {
      "string": "string"
    },
    "properties": {
      "string": "string"
    },
    "resources": {
      "instanceCount": 1,
      "instanceType": "string",
      "properties": {
        "string": {
          "a0847709-f5aa-4561-8ba5-d915d403fdcf": null
        }
      }
    },
    "services": {
      "string": {
        "endpoint": "string",
        "errorMessage": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        },
        "status": "string"
      }
    },
    "status": "NotStarted",
    "tags": {
      "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"
  }
}

Код состояния:

201

{
  "name": "string",
  "type": "string",
  "id": "string",
  "properties": {
    "description": "string",
    "codeId": "string",
    "command": "string",
    "computeId": "string",
    "displayName": "string",
    "distribution": {
      "distributionType": "TensorFlow",
      "parameterServerCount": 1,
      "workerCount": 1
    },
    "environmentId": "string",
    "environmentVariables": {
      "string": "string"
    },
    "experimentName": "string",
    "identity": {
      "identityType": "AMLToken"
    },
    "inputs": {
      "string": {
        "description": "string",
        "jobInputType": "literal",
        "value": "string"
      }
    },
    "jobType": "Command",
    "limits": {
      "jobLimitsType": "Command",
      "timeout": "PT5M"
    },
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "ReadWriteMount",
        "uri": "string"
      }
    },
    "parameters": {
      "string": "string"
    },
    "properties": {
      "string": "string"
    },
    "resources": {
      "instanceCount": 1,
      "instanceType": "string",
      "properties": {
        "string": {
          "b8163d40-c351-43d6-8a34-d0cd895b8a5a": null
        }
      }
    },
    "services": {
      "string": {
        "endpoint": "string",
        "errorMessage": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        },
        "status": "string"
      }
    },
    "status": "NotStarted",
    "tags": {
      "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"
  }
}

CreateOrUpdate Pipeline Job.

Образец запроса

HTTP

PUT https://management.azure.com/subscriptions/00000000-1111-2222-3333-444444444444/resourceGroups/test-rg/providers/Microsoft.MachineLearningServices/workspaces/my-aml-workspace/jobs/string?api-version=2026-03-01

{
  "properties": {
    "description": "string",
    "computeId": "string",
    "displayName": "string",
    "experimentName": "string",
    "inputs": {
      "string": {
        "description": "string",
        "jobInputType": "literal",
        "value": "string"
      }
    },
    "jobType": "Pipeline",
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "Upload",
        "uri": "string"
      }
    },
    "properties": {
      "string": "string"
    },
    "services": {
      "string": {
        "endpoint": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        }
      }
    },
    "settings": {},
    "tags": {
      "string": "string"
    }
  }
}

Пример ответа

Код состояния:

200

{
  "name": "string",
  "type": "string",
  "id": "string",
  "properties": {
    "description": "string",
    "computeId": "string",
    "displayName": "string",
    "experimentName": "string",
    "inputs": {
      "string": {
        "description": "string",
        "jobInputType": "literal",
        "value": "string"
      }
    },
    "jobType": "Pipeline",
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "Upload",
        "uri": "string"
      }
    },
    "properties": {
      "string": "string"
    },
    "services": {
      "string": {
        "endpoint": "string",
        "errorMessage": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        },
        "status": "string"
      }
    },
    "settings": {},
    "status": "NotStarted",
    "tags": {
      "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"
  }
}

Код состояния:

201

{
  "name": "string",
  "type": "string",
  "id": "string",
  "properties": {
    "description": "string",
    "computeId": "string",
    "displayName": "string",
    "experimentName": "string",
    "inputs": {
      "string": {
        "description": "string",
        "jobInputType": "literal",
        "value": "string"
      }
    },
    "jobType": "Pipeline",
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "Upload",
        "uri": "string"
      }
    },
    "properties": {
      "string": "string"
    },
    "services": {
      "string": {
        "endpoint": "string",
        "errorMessage": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        },
        "status": "string"
      }
    },
    "settings": {},
    "status": "NotStarted",
    "tags": {
      "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"
  }
}

CreateOrUpdate Sweep Job.

Образец запроса

HTTP

PUT https://management.azure.com/subscriptions/00000000-1111-2222-3333-444444444444/resourceGroups/test-rg/providers/Microsoft.MachineLearningServices/workspaces/my-aml-workspace/jobs/string?api-version=2026-03-01

{
  "properties": {
    "description": "string",
    "computeId": "string",
    "displayName": "string",
    "earlyTermination": {
      "delayEvaluation": 1,
      "evaluationInterval": 1,
      "policyType": "MedianStopping"
    },
    "experimentName": "string",
    "jobType": "Sweep",
    "limits": {
      "jobLimitsType": "Sweep",
      "maxConcurrentTrials": 1,
      "maxTotalTrials": 1,
      "trialTimeout": "PT1S"
    },
    "objective": {
      "goal": "Minimize",
      "primaryMetric": "string"
    },
    "properties": {
      "string": "string"
    },
    "samplingAlgorithm": {
      "samplingAlgorithmType": "Grid"
    },
    "searchSpace": {
      "string": {}
    },
    "services": {
      "string": {
        "endpoint": "string",
        "jobServiceType": "string",
        "port": 1,
        "properties": {
          "string": "string"
        }
      }
    },
    "tags": {
      "string": "string"
    },
    "trial": {
      "codeId": "string",
      "command": "string",
      "distribution": {
        "distributionType": "Mpi",
        "processCountPerInstance": 1
      },
      "environmentId": "string",
      "environmentVariables": {
        "string": "string"
      },
      "resources": {
        "instanceCount": 1,
        "instanceType": "string",
        "properties": {
          "string": {
            "e6b6493e-7d5e-4db3-be1e-306ec641327e": null
          }
        }
      }
    }
  }
}

Пример ответа

Код состояния:

200

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

Код состояния:

201

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

Определения

Имя	Описание
AllNodes	Все узлы означают, что служба будет работать на всех узлах задания
AmlToken	Настройка удостоверения токена AML.
AutoForecastHorizon	Горизонт прогноза определяется системой автоматически.
AutoMLJob	AutoMLJob. Используйте этот класс для выполнения задач AutoML, таких как классификация/регрессия и т. д. Смотрите перечисление TaskType для всех поддерживаемых задач.
AutoNCrossValidations	Валидация N-Cross определяется автоматически.
AutoSeasonality
AutoTargetLags
AutoTargetRollingWindowSize	Целевые задержки скользящего окна определяются автоматически.
AzureDevOpsWebhook	Сведения о веб-перехватчике, относящиеся к Azure DevOps
BanditPolicy	Определяет политику досрочного завершения на основе критериев провисания, а также частоту и интервал задержки для оценки
BayesianSamplingAlgorithm	Определяет алгоритм выборки, который генерирует значения на основе предыдущих значений
BlockedTransformers	Перечисление для всех моделей классификации, поддерживаемых AutoML.
Classification	Задача классификации в AutoML Table vertical.
ClassificationModels	Перечисление для всех моделей классификации, поддерживаемых AutoML.
ClassificationMultilabelPrimaryMetrics	Основные метрики для задач классификации с несколькими метками.
ClassificationPrimaryMetrics	Основные метрики для задач классификации.
ClassificationTrainingSettings	Классификация Конфигурация, связанная с обучением.
CommandJob	Определение командного задания.
CommandJobLimits	Команда Класс ограничения заданий.
createdByType	Тип удостоверения, создавшего ресурс.
CustomForecastHorizon	Требуемый максимальный горизонт прогнозирования в единицах частоты временных рядов.
CustomModelJobInput
CustomModelJobOutput
CustomNCrossValidations	Проверки N-Cross задаются пользователем.
CustomSeasonality
CustomTargetLags
CustomTargetRollingWindowSize
DistributionType	Перечисление для определения типа распределения заданий.
EarlyTerminationPolicyType
EmailNotificationEnableType	Enum для определения типа уведомления по электронной почте.
ErrorAdditionalInfo	Дополнительные сведения об ошибке управления ресурсами.
ErrorDetail	Сведения об ошибке.
ErrorResponse	Ответ на ошибку
FeatureLags	Флаг для генерации задержек для числовых признаков.
FeaturizationMode	Режим признаков . Пользователь может сохранить режим авто по умолчанию, и AutoML будет заботиться о необходимом преобразовании данных на этапе признаков. Если выбрано значение "Выкл.", то нет признаков. Если выбран параметр Custom, пользователь может указать дополнительные входные данные, чтобы настроить способ выполнения признаков.
ForecastHorizonMode	Перечисление для определения режима выбора горизонта прогноза.
Forecasting	Задача прогнозирования в AutoML Table vertical.
ForecastingModels	Перечисление для всех моделей прогнозирования, поддерживаемых AutoML.
ForecastingPrimaryMetrics	Основные метрики для задачи Прогнозирование.
ForecastingSettings	Прогнозирование конкретных параметров.
ForecastingTrainingSettings	Прогнозирование Конфигурация, связанная с обучением.
Goal	Определяет поддерживаемые цели метрик для настройки гиперпараметров
GridSamplingAlgorithm	Определяет алгоритм выборки, который исчерпывающе генерирует каждую комбинацию значений в пространстве
IdentityConfigurationType	Enum для определения структуры удостоверений.
ImageClassification	Классификация изображений. Многоклассовая классификация изображений используется, когда изображение классифицируется только с одной меткой из набора классов - например, каждое изображение классифицируется как изображение "кошки", "собаки" или "утки".
ImageClassificationMultilabel	Классификация изображений с несколькими метками. Классификация изображений с несколькими метками используется, когда изображение может иметь одну или несколько меток из набора меток - например, изображение может быть помечено как "кошка", так и "собака".
ImageInstanceSegmentation	Сегментация экземпляров изображений. Сегментация экземпляров используется для идентификации объектов на изображении на уровне пикселей, рисуя многоугольник вокруг каждого объекта на изображении.
ImageLimitSettings	Ограничьте параметры для задания AutoML.
ImageModelDistributionSettingsClassification	Выражения распределения для перебора значений параметров модели. <Пример> : 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	Выражения распределения для перебора значений параметров модели. <Пример> : 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	Параметры, используемые для обучения модели. Для получения дополнительной информации о доступных настройках, пожалуйста, ознакомьтесь с официальной документацией: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
ImageModelSettingsObjectDetection	Параметры, используемые для обучения модели. Для получения дополнительной информации о доступных настройках, пожалуйста, ознакомьтесь с официальной документацией: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
ImageObjectDetection	Обнаружение объектов изображения. Обнаружение объектов используется для идентификации объектов на изображении и определения местоположения каждого объекта с помощью ограничивающего прямоугольника, например, для определения местоположения всех собак и кошек на изображении и создания ограничивающего прямоугольника вокруг каждого из них.
ImageSweepSettings	Очистка модели и гиперпараметры, связанные с параметрами.
InputDeliveryMode	Перечисление для определения режима доставки входных данных.
InstanceSegmentationPrimaryMetrics	Основные метрики для задач InstanceSegmentation.
JobBase	Конверт ресурсов Azure Resource Manager.
JobInputType	Перечисление для определения типа входных данных задания.
JobLimitsType
JobOutputType	Enum для определения типа выходных данных задания.
JobResourceConfiguration
JobService	Определение конечной точки задания
JobStatus	Статус работы.
JobTier	Перечисление для определения уровня задания.
JobType	Перечисление для определения типа задания.
LearningRateScheduler	Перечисление планировщика скорости обучения.
LiteralJobInput	Литеральный тип ввода.
LogVerbosity	Перечисление для установки детализации лога.
ManagedIdentity	Управляемая конфигурация удостоверений.
MedianStoppingPolicy	Определяет политику досрочного завершения на основе средних значений основной метрики всех запусков
MLFlowModelJobInput
MLFlowModelJobOutput
MLTableJobInput
MLTableJobOutput
ModelSize	Размер модели изображения.
Mpi	Конфигурация распределения MPI.
NCrossValidationsMode	Определяет, как определяется значение проверок N-Cross.
NlpVerticalFeaturizationSettings
NlpVerticalLimitSettings	Ограничения выполнения задания.
NodesValueType	Перечисляемые типы для значения узлов
NotificationSetting	Конфигурация для уведомлений.
ObjectDetectionPrimaryMetrics	Основные метрики для задачи Image ObjectDetection.
Objective	Цель оптимизации.
OutputDeliveryMode	Перечисления режима доставки выходных данных.
PipelineJob	Определение задания конвейера: определяет универсальные атрибуты MFE.
PyTorch	Конфигурация дистрибутива PyTorch.
QueueSettings
RandomSamplingAlgorithm	Определяет алгоритм выборки, который генерирует значения случайным образом
RandomSamplingAlgorithmRule	Конкретный тип случайного алгоритма
Regression	Задача регрессии в AutoML Table vertical.
RegressionModels	Перечисление для всех регрессионных моделей, поддерживаемых AutoML.
RegressionPrimaryMetrics	Основные метрики для задачи Регрессия.
RegressionTrainingSettings	Конфигурация, связанная с регрессионным обучением.
SamplingAlgorithmType
SeasonalityMode	Режим прогнозирования сезонности.
ShortSeriesHandlingConfiguration	Параметр, определяющий, как autoML должен обрабатывать короткие временные ряды.
SparkJob	Определение задания Spark.
SparkJobEntryType
SparkJobPythonEntry
SparkJobScalaEntry
SparkResourceConfiguration
StackEnsembleSettings	Расширены настройки для настройки запуска StackEnsemble.
StackMetaLearnerType	Мета-обучающийся — это модель, обучаемая на результатах отдельных гетерогенных моделей.\r\nСтандартными мета-обучающимися являются LogisticRegression для задач классификации (или LogisticRegressionCV, если включена кросс-валидация) и ElasticNet для задач регрессии/прогнозирования (или ElasticNetCV, если включена кросс-валидация).\r\nЭтот параметр может быть одной из следующих строк: LogisticRegression, LogisticRegressionCV, LightGBMClassifier, ElasticNet, ElasticNetCV, LightGBMRegressor или LinearRegression
StochasticOptimizer	Стохастический оптимизатор для моделей изображений.
SweepJob	Определение задания развертки.
SweepJobLimits	Sweep Класс ограничения заданий.
systemData	Метаданные, относящиеся к созданию и последнему изменении ресурса.
TableVerticalFeaturizationSettings	Конфигурация конфигурирования.
TableVerticalLimitSettings	Ограничения выполнения задания.
TargetAggregationFunction	Целевая агрегатная функция.
TargetLagsMode	Целевые задержки выбора режимов.
TargetRollingWindowSizeMode	Целевой режим размера скользящих окон.
TaskType	AutoMLJob Тип задачи.
TensorFlow	Конфигурация распределения TensorFlow.
TextClassification	Задача классификации текста в вертикали AutoML NLP. NLP - обработка естественного языка.
TextClassificationMultilabel	Задача "Классификация текста с несколькими метками" в AutoML NLP vertical . NLP - обработка естественного языка.
TextNer	Text-NER задача в вертикали AutoML NLP. NER - распознавание именованных сущностей. NLP - обработка естественного языка.
TrialComponent	Определение компонента пробной версии.
TritonModelJobInput
TritonModelJobOutput
TruncationSelectionPolicy	Определяет политику досрочного завершения, которая отменяет определенный процент запусков в каждом интервале оценки.
UriFileJobInput
UriFileJobOutput
UriFolderJobInput
UriFolderJobOutput
UserIdentity	Настройка удостоверений пользователей.
UseStl	Настройте декомпозицию STL целевого столбца временных рядов.
ValidationMetricType	Метод вычисления метрик для использования для проверки метрик в задачах обработки изображений.
WebhookType	Enum для определения типа службы обратного вызова вебхука.

AllNodes

Объект

Все узлы означают, что служба будет работать на всех узлах задания

Имя	Тип	Описание
nodesValueType	string: All	[Обязательный] Тип значения Nodes

AmlToken

Объект

Настройка удостоверения токена AML.

Имя	Тип	Описание
identityType	string: AMLToken	[Обязательный] Указывает тип платформы удостоверений.

AutoForecastHorizon

Объект

Горизонт прогноза определяется системой автоматически.

Имя	Тип	Описание
mode	string: Auto	[Обязательный] Задайте режим выбора значения горизонта прогнозирования.

AutoMLJob

Объект

AutoMLJob. Используйте этот класс для выполнения задач AutoML, таких как классификация/регрессия и т. д. Смотрите перечисление TaskType для всех поддерживаемых задач.

Имя	Тип	Default value	Описание
componentId	string		Идентификатор ресурса ARM ресурса компонента.
computeId	string		Идентификатор ресурса ARM вычислительного ресурса.
description	string		Текст описания ресурса.
displayName	string		Отображаемое имя задания.
environmentId	string		Идентификатор ресурса ARM спецификации среды для задания. Это необязательное значение для предоставления, если оно не указано, AutoML по умолчанию используется для рабочей версии курируемой среды AutoML при выполнении задания.
environmentVariables	object		Переменные среды, включенные в задание.
experimentName	string	Default	Имя эксперимента, к которому принадлежит задание. Если задание не задано, задание помещается в эксперимент по умолчанию.
identity	IdentityConfiguration: AmlToken ManagedIdentity UserIdentity		Конфигурация удостоверения. Если задано, это должен быть один из AmlToken, ManagedIdentity, UserIdentity или NULL. По умолчанию AmlToken имеет значение NULL.
isArchived	boolean	False	Архивируется ли ресурс?
jobType	string: AutoML		[Обязательный] Указывает тип задания.
notificationSetting	NotificationSetting		Параметр уведомления для задания
outputs	object		Сопоставление привязок выходных данных, используемых в задании.
properties	object		Словарь свойств ресурса.
queueSettings	QueueSettings		Параметры очереди для задания
resources	JobResourceConfiguration		Конфигурация вычислительных ресурсов для задания.
services	<string,  JobService>		Список заданий. Для локальных заданий конечная точка задания будет иметь значение конечной точки FileStreamObject.
status	JobStatus		Статус задания.
tags	object		Словарь тегов. Теги можно добавлять, удалять и обновлять.
taskDetails	AutoMLVertical: Classification Forecasting ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection Regression TextClassification TextClassificationMultilabel TextNer		[Обязательный] Это сценарий, который может быть одним из таблиц/ NLP/Image

AutoNCrossValidations

Объект

Валидация N-Cross определяется автоматически.

Имя	Тип	Описание
mode	string: Auto	[Обязательный] Режим определения проверок N-Cross.

AutoSeasonality

Объект

Имя	Тип	Описание
mode	string: Auto	[Обязательный] Режим сезонности.

AutoTargetLags

Объект

Имя	Тип	Описание
mode	string: Auto	[Обязательный] Настройка режима задержки целевых объектов — автоматическое или настраиваемое

AutoTargetRollingWindowSize

Объект

Целевые задержки скользящего окна определяются автоматически.

Имя	Тип	Описание
mode	string: Auto	[Обязательный] Режим обнаружения TargetRollingWindowSiz.

AzureDevOpsWebhook

Объект

Сведения о веб-перехватчике, относящиеся к Azure DevOps

Имя	Тип	Описание
eventType	string	Отправка обратного вызова на указанное событие уведомления
webhookType	string: AzureDevOps	[Обязательный] Указывает тип службы для отправки обратного вызова.

BanditPolicy

Объект

Определяет политику досрочного завершения на основе критериев провисания, а также частоту и интервал задержки для оценки

Имя	Тип	Default value	Описание
delayEvaluation	integer (int32)	0	Количество интервалов, с помощью которых необходимо отложить первую оценку.
evaluationInterval	integer (int32)	0	Интервал (количество запусков) между оценками политики.
policyType	string: Bandit		[Обязательный] Имя конфигурации политики
slackAmount	number (float)	0	Абсолютное расстояние, допустимое от оптимального выполнения.
slackFactor	number (float)	0	Соотношение допустимого расстояния от оптимального выполнения.

BayesianSamplingAlgorithm

Объект

Определяет алгоритм выборки, который генерирует значения на основе предыдущих значений

Имя	Тип	Описание
samplingAlgorithmType	string: Bayesian	[Обязательный] Алгоритм, используемый для создания значений гиперпараметров, а также свойств конфигурации

BlockedTransformers

Перечисление

Перечисление для всех моделей классификации, поддерживаемых AutoML.

Значение	Описание
TextTargetEncoder	Целевая кодировка для текстовых данных.
OneHotEncoder	Одно горячее кодирование создает преобразование двоичного признака.
CatTargetEncoder	Целевая кодировка категориальных данных.
TfIdf	Tf-Idf расшифровывается как частота термина, обратная частота документа. Это распространенная схема взвешивания терминов для идентификации информации из документов.
WoETargetEncoder	Кодирование веса доказательств — это метод, используемый для кодирования категориальных переменных. Он использует естественный логарифм P(1)/P(0) для создания весов.
LabelEncoder	Энкодировщик меток преобразует метки/категориальные переменные в числовую форму.
WordEmbedding	Встраивание слов помогает представить слова или фразы в виде вектора или ряда чисел.
NaiveBayes	Наивная байесовская классификация — это классификация, которая используется для классификации дискретных признаков, которые распределены категорически.
CountVectorizer	Векторизатор счетчиков преобразует коллекцию текстовых документов в матрицу счетчиков маркеров.
HashOneHotEncoder	Hashing One Hot Encoder может превратить категориальные переменные в ограниченное количество новых функций. Это часто используется для категориальных признаков с высокой мощностью.

Classification

Объект

Задача классификации в AutoML Table vertical.

Имя	Тип	Default value	Описание
cvSplitColumnNames	string[]		Столбцы, используемые для данных CVSplit.
featurizationSettings	TableVerticalFeaturizationSettings		Входные данные признаков, необходимые для задания AutoML.
limitSettings	TableVerticalLimitSettings		Ограничения выполнения для AutoMLJob.
logVerbosity	LogVerbosity	Info	Перечисление для установки детализации лога.
nCrossValidations	NCrossValidations: AutoNCrossValidations CustomNCrossValidations		Количество сверток перекрестной проверки, которые будут применены к набору данных для обучения, если набор данных для проверки не предоставлен.
positiveLabel	string		Положительная метка для вычисления двоичных метрик.
primaryMetric	ClassificationPrimaryMetrics	AUCWeighted	Основные метрики для задач классификации.
targetColumnName	string		Имя целевого столбца: это столбец прогнозируемых значений. Также называется именем столбца метки в контексте задач классификации.
taskType	string: Classification		[Обязательный] Тип задачи для AutoMLJob.
testData	MLTableJobInput		Проверка входных данных.
testDataSize	number (double)		Доля тестового набора данных, который необходимо отложить для целей проверки. Значения от (0.0 , 1.0) Применяются, когда набор данных для проверки не предоставлен.
trainingData	MLTableJobInput		[Обязательный] Входные данные обучения.
trainingSettings	ClassificationTrainingSettings		Входные данные для этапа обучения для задания AutoML.
validationData	MLTableJobInput		Входные данные проверки.
validationDataSize	number (double)		Доля обучающего набора данных, который необходимо выделить для целей проверки. Значения от (0.0 , 1.0) Применяются, когда набор данных для проверки не предоставлен.
weightColumnName	string		Имя столбца веса образца. Автоматизированное машинное обучение поддерживает взвешанный столбец в качестве входных данных, что приводит к тому, что строки в данных будут взвешированы вверх или вниз.

ClassificationModels

Перечисление

Перечисление для всех моделей классификации, поддерживаемых AutoML.

Значение	Описание
LogisticRegression	Логистическая регрессия является фундаментальным методом классификации. Он относится к группе линейных классификаторов и в чем-то похож на полиномиальную и линейную регрессию. Логистическая регрессия является быстрой и относительно несложной, и вам удобно интерпретировать результаты. Хотя по сути это метод двоичной классификации, его также можно применять к задачам с несколькими классами.
SGD	SGD: Стохастический градиентный спуск — это алгоритм оптимизации, часто используемый в приложениях машинного обучения для поиска параметров модели, которые наилучшим образом соответствуют прогнозируемым и фактическим результатам.
MultinomialNaiveBayes	Мультиномиальный наивный байесовский классификатор подходит для классификации с дискретными признаками (например, подсчет слов для классификации текста). Для мультиномиального распределения обычно требуется целочисленное количество признаков. Однако на практике дробные подсчеты, такие как tf-idf, также могут работать.
BernoulliNaiveBayes	Наивный байесовский классификатор для многомерных моделей Бернулли.
SVM	Метод опорных векторов (SVM) — это модель машинного обучения с учителем, которая использует алгоритмы классификации для задач классификации по двум группам. После предоставления модели SVM наборов размеченных обучающих данных для каждой категории, они могут категоризировать новый текст.
LinearSVM	Метод опорных векторов (SVM) — это модель машинного обучения с учителем, которая использует алгоритмы классификации для задач классификации по двум группам. После предоставления модели SVM наборов размеченных обучающих данных для каждой категории, они могут категоризировать новый текст. Линейная SVM работает лучше всего, когда входные данные являются линейными, т. е. данные можно легко классифицировать, проведя прямую линию между классифицированными значениями на построенном графике.
KNN	Алгоритм K-ближайших соседей (KNN) использует «сходство признаков» для прогнозирования значений новых точек данных, что также означает, что новой точке данных будет присвоено значение на основе того, насколько близко она совпадает с точками в обучающем наборе.
DecisionTree	Деревья принятия решений — это непараметрический метод обучения с учителем, используемый как для классификационных, так и для регрессионных задач. Цель состоит в том, чтобы создать модель, которая прогнозирует значение целевой переменной путем изучения простых правил принятия решений, выведенных из признаков данных.
RandomForest	Случайный лес — это алгоритм обучения с учителем. «Лес», который он строит, представляет собой ансамбль деревьев решений, обычно обученных методом «бэггинга». Общая идея метода бэггинга заключается в том, что комбинация обучающих моделей увеличивает общий результат.
ExtremeRandomTrees	Extreme Trees — это алгоритм ансамбля машинного обучения, который объединяет прогнозы из множества деревьев решений. Он связан с широко используемым алгоритмом случайного леса.
LightGBM	LightGBM — это фреймворк градиентного бустинга, использующий алгоритмы обучения на основе дерева.
GradientBoosting	Техника превращения недельных учеников в сильного ученика называется бустингом. Процесс алгоритма градиентного бустинга работает на основе этой теории выполнения.
XGBoostClassifier	XGBoost: Алгоритм экстремального градиентного бустинга. Этот алгоритм используется для структурированных данных, в которых значения целевых столбцов могут быть разделены на отдельные значения класса.

ClassificationMultilabelPrimaryMetrics

Перечисление

Основные метрики для задач классификации с несколькими метками.

Значение	Описание
AUCWeighted	AUC — это площадь под кривой. Эта метрика представляет собой среднее арифметическое балла для каждого класса, взвешенное по количеству истинных экземпляров в каждом классе.
Accuracy	Точность — это доля прогнозов, которые точно соответствуют истинным меткам класса.
NormMacroRecall	Нормализованная полнота макрозначений — это полнота макрозначений, усредненная и нормализованная таким образом, чтобы случайному выполнению соответствовала оценка 0, а идеальному выполнению — оценка 1.
AveragePrecisionScoreWeighted	Среднее арифметическое среднего балла точности для каждого класса, взвешенное по числу истинных экземпляров в каждом классе.
PrecisionScoreWeighted	Среднее арифметическое точности для каждого класса, взвешенное по числу истинных экземпляров в каждом классе.
IOU	Перекресток над Союзом. Пересечение предсказаний, разделенных на объединение предсказаний.

ClassificationPrimaryMetrics

Перечисление

Основные метрики для задач классификации.

Значение	Описание
AUCWeighted	AUC — это площадь под кривой. Эта метрика представляет собой среднее арифметическое балла для каждого класса, взвешенное по количеству истинных экземпляров в каждом классе.
Accuracy	Точность — это доля прогнозов, которые точно соответствуют истинным меткам класса.
NormMacroRecall	Нормализованная полнота макрозначений — это полнота макрозначений, усредненная и нормализованная таким образом, чтобы случайному выполнению соответствовала оценка 0, а идеальному выполнению — оценка 1.
AveragePrecisionScoreWeighted	Среднее арифметическое среднего балла точности для каждого класса, взвешенное по числу истинных экземпляров в каждом классе.
PrecisionScoreWeighted	Среднее арифметическое точности для каждого класса, взвешенное по числу истинных экземпляров в каждом классе.

ClassificationTrainingSettings

Объект

Классификация Конфигурация, связанная с обучением.

Имя	Тип	Default value	Описание
allowedTrainingAlgorithms	ClassificationModels[]		Разрешенные модели для задачи классификации.
blockedTrainingAlgorithms	ClassificationModels[]		Заблокированные модели для задачи классификации.
enableDnnTraining	boolean	False	Включите рекомендацию моделей DNN.
enableModelExplainability	boolean	True	Пометка для включения объяснимости для оптимальной модели.
enableOnnxCompatibleModels	boolean	False	Флаг включения совместимых моделей onnx.
enableStackEnsemble	boolean	True	Включите запуск ансамбля стека.
enableVoteEnsemble	boolean	True	Включите запуск ансамбля голосования.
ensembleModelDownloadTimeout	string (duration)	PT5M	Во время создания модели VotingEnsemble и StackEnsemble скачиваются несколько встроенных моделей из предыдущих дочерних запусков. Настройте этот параметр с более высоким значением, чем 300 с, если требуется больше времени.
stackEnsembleSettings	StackEnsembleSettings		Параметры ансамбля стека для выполнения ансамбля стека.

CommandJob

Объект

Определение командного задания.

Имя	Тип	Default value	Описание
codeId	string		Идентификатор ресурса ARM ресурса ресурса кода.
command	string minLength: 1 pattern: [a-zA-Z0-9_]		[Обязательный] Команда, выполняемая при запуске задания. eg. "Python train.py"
componentId	string		Идентификатор ресурса ARM ресурса компонента.
computeId	string		Идентификатор ресурса ARM вычислительного ресурса.
description	string		Текст описания ресурса.
displayName	string		Отображаемое имя задания.
distribution	DistributionConfiguration: Mpi PyTorch TensorFlow		Конфигурация распределения задания. Если задано, это должен быть один из Mpi, Tensorflow, PyTorch или NULL.
environmentId	string minLength: 1 pattern: [a-zA-Z0-9_]		[Обязательный] Идентификатор ресурса ARM спецификации среды для задания.
environmentVariables	object		Переменные среды, включенные в задание.
experimentName	string	Default	Имя эксперимента, к которому принадлежит задание. Если задание не задано, задание помещается в эксперимент по умолчанию.
identity	IdentityConfiguration: AmlToken ManagedIdentity UserIdentity		Конфигурация удостоверения. Если задано, это должен быть один из AmlToken, ManagedIdentity, UserIdentity или NULL. По умолчанию AmlToken имеет значение NULL.
inputs	object		Сопоставление входных привязок данных, используемых в задании.
isArchived	boolean	False	Архивируется ли ресурс?
jobType	string: Command		[Обязательный] Указывает тип задания.
limits	CommandJobLimits		Ограничение задания команд.
notificationSetting	NotificationSetting		Параметр уведомления для задания
outputs	object		Сопоставление привязок выходных данных, используемых в задании.
parameters			Входные параметры.
properties	object		Словарь свойств ресурса.
queueSettings	QueueSettings		Параметры очереди для задания
resources	JobResourceConfiguration		Конфигурация вычислительных ресурсов для задания.
services	<string,  JobService>		Список заданий. Для локальных заданий конечная точка задания будет иметь значение конечной точки FileStreamObject.
status	JobStatus		Статус задания.
tags	object		Словарь тегов. Теги можно добавлять, удалять и обновлять.

CommandJobLimits

Объект

Команда Класс ограничения заданий.

Имя	Тип	Описание
jobLimitsType	string: Command	[Обязательный] Тип JobLimit.
timeout	string (duration)	Максимальная длительность выполнения в формате ISO 8601, после которой задание будет отменено. Поддерживается только длительность с точностью до секунд.

createdByType

Перечисление

Тип удостоверения, создавшего ресурс.

Значение	Описание
User
Application
ManagedIdentity
Key

CustomForecastHorizon

Объект

Требуемый максимальный горизонт прогнозирования в единицах частоты временных рядов.

Имя	Тип	Описание
mode	string: Custom	[Обязательный] Задайте режим выбора значения горизонта прогнозирования.
value	integer (int32)	[Обязательный] Прогноз значения горизонта.

CustomModelJobInput

Объект

Имя	Тип	Default value	Описание
description	string		Описание входных данных.
jobInputType	string: custom_model		[Обязательный] Указывает тип задания.
mode	InputDeliveryMode	ReadOnlyMount	Перечисление для определения режима доставки входных данных.
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[Обязательный] URI входных ресурсов.

CustomModelJobOutput

Объект

Имя	Тип	Default value	Описание
assetName	string		Имя выходного ресурса.
description	string		Описание выходных данных.
jobOutputType	string: custom_model		[Обязательный] Указывает тип задания.
mode	OutputDeliveryMode	ReadWriteMount	Перечисления режима доставки выходных данных.
uri	string		URI выходного ресурса.

CustomNCrossValidations

Объект

Проверки N-Cross задаются пользователем.

Имя	Тип	Описание
mode	string: Custom	[Обязательный] Режим определения проверок N-Cross.
value	integer (int32)	[Обязательный] Значение N-Cross validations.

CustomSeasonality

Объект

Имя	Тип	Описание
mode	string: Custom	[Обязательный] Режим сезонности.
value	integer (int32)	[Обязательный] Значение сезонности.

CustomTargetLags

Объект

Имя	Тип	Описание
mode	string: Custom	[Обязательный] Настройка режима задержки целевых объектов — автоматическое или настраиваемое
values	integer[] (int32)	[Обязательный] Задайте значения задержки целевых значений.

CustomTargetRollingWindowSize

Объект

Имя	Тип	Описание
mode	string: Custom	[Обязательный] Режим обнаружения TargetRollingWindowSiz.
value	integer (int32)	[Обязательный] Значение TargetRollingWindowSize.

DistributionType

Перечисление

Перечисление для определения типа распределения заданий.

Значение	Описание
PyTorch
TensorFlow
Mpi

EarlyTerminationPolicyType

Перечисление

Значение	Описание
Bandit
MedianStopping
TruncationSelection

EmailNotificationEnableType

Перечисление

Enum для определения типа уведомления по электронной почте.

Значение	Описание
JobCompleted
JobFailed
JobCancelled

ErrorAdditionalInfo

Объект

Дополнительные сведения об ошибке управления ресурсами.

Имя	Тип	Описание
info	object	Дополнительные сведения.
type	string	Дополнительный тип сведений.

ErrorDetail

Объект

Сведения об ошибке.

Имя	Тип	Описание
additionalInfo	ErrorAdditionalInfo[]	Дополнительные сведения об ошибке.
code	string	Код ошибки.
details	ErrorDetail[]	Сведения об ошибке.
message	string	Сообщение об ошибке.
target	string	Целевой объект ошибки.

ErrorResponse

Объект

Ответ на ошибку

Имя	Тип	Описание
error	ErrorDetail	Объект ошибки.

FeatureLags

Перечисление

Флаг для генерации задержек для числовых признаков.

Значение	Описание
None	Задержки функций не возникают.
Auto	Система автоматически генерирует задержки функций.

FeaturizationMode

Перечисление

Режим признаков . Пользователь может сохранить режим авто по умолчанию, и AutoML будет заботиться о необходимом преобразовании данных на этапе признаков. Если выбрано значение "Выкл.", то нет признаков. Если выбран параметр Custom, пользователь может указать дополнительные входные данные, чтобы настроить способ выполнения признаков.

Значение	Описание
Auto	В автоматическом режиме система выполняет конструирование без каких-либо пользовательских входных параметров.
Custom	Пользовательская конструирование.
Off	Феатуризация отключена. Задача "Прогнозирование" не может использовать это значение.

ForecastHorizonMode

Перечисление

Перечисление для определения режима выбора горизонта прогноза.

Значение	Описание
Auto	Горизонт прогноза определяется автоматически.
Custom	Используйте пользовательский горизонт прогноза.

Forecasting

Объект

Задача прогнозирования в AutoML Table vertical.

Имя	Тип	Default value	Описание
cvSplitColumnNames	string[]		Столбцы, используемые для данных CVSplit.
featurizationSettings	TableVerticalFeaturizationSettings		Входные данные признаков, необходимые для задания AutoML.
forecastingSettings	ForecastingSettings		Прогнозирование определенных входных данных задачи.
limitSettings	TableVerticalLimitSettings		Ограничения выполнения для AutoMLJob.
logVerbosity	LogVerbosity	Info	Перечисление для установки детализации лога.
nCrossValidations	NCrossValidations: AutoNCrossValidations CustomNCrossValidations		Количество сверток перекрестной проверки, которые будут применены к набору данных для обучения, если набор данных для проверки не предоставлен.
primaryMetric	ForecastingPrimaryMetrics	NormalizedRootMeanSquaredError	Основные метрики для задачи Прогнозирование.
targetColumnName	string		Имя целевого столбца: это столбец прогнозируемых значений. Также называется именем столбца метки в контексте задач классификации.
taskType	string: Forecasting		[Обязательный] Тип задачи для AutoMLJob.
testData	MLTableJobInput		Проверка входных данных.
testDataSize	number (double)		Доля тестового набора данных, который необходимо отложить для целей проверки. Значения от (0.0 , 1.0) Применяются, когда набор данных для проверки не предоставлен.
trainingData	MLTableJobInput		[Обязательный] Входные данные обучения.
trainingSettings	ForecastingTrainingSettings		Входные данные для этапа обучения для задания AutoML.
validationData	MLTableJobInput		Входные данные проверки.
validationDataSize	number (double)		Доля обучающего набора данных, который необходимо выделить для целей проверки. Значения от (0.0 , 1.0) Применяются, когда набор данных для проверки не предоставлен.
weightColumnName	string		Имя столбца веса образца. Автоматизированное машинное обучение поддерживает взвешанный столбец в качестве входных данных, что приводит к тому, что строки в данных будут взвешированы вверх или вниз.

ForecastingModels

Перечисление

Перечисление для всех моделей прогнозирования, поддерживаемых AutoML.

Значение	Описание
AutoArima	Модель интегрированного скользящего среднего с авторегрессией (ARIMA) использует данные временных рядов и статистический анализ для интерпретации данных и составления будущих прогнозов. Эта модель предназначена для объяснения данных с помощью данных временных рядов по их прошлым значениям и использует линейную регрессию для составления прогнозов.
Prophet	Prophet — это процедура прогнозирования данных временных рядов на основе аддитивной модели, в которой нелинейные тренды подгоняются под годовую, еженедельную и ежедневную сезонность, а также праздничные эффекты. Лучше всего он работает с временными рядами, которые имеют сильные сезонные эффекты, и с несколькими сезонами исторических данных. Prophet устойчив к пропущенным данным и сдвигам в тренде и, как правило, хорошо справляется с выбросами.
Naive	Наивная модель прогнозирования делает прогнозы путем переноса последнего целевого значения для каждого временного ряда в обучающих данных.
SeasonalNaive	Модель прогнозирования Seasonal Naive делает прогнозы путем переноса последнего сезона целевых значений для каждого временного ряда в обучающих данных.
Average	Модель прогнозирования "Среднее" делает прогнозы путем переноса среднего значения целевых значений для каждого временного ряда в обучающих данных.
SeasonalAverage	Модель прогнозирования «Среднее сезонное значение» выполняет прогнозы путем переноса среднего значения данных последнего сезона для каждого временного ряда в обучающих данных.
ExponentialSmoothing	Экспоненциальное сглаживание — это метод прогнозирования временных рядов для одномерных данных, который может быть расширен для поддержки данных с систематическим трендом или сезонным компонентом.
Arimax	Модель авторегрессионного интегрированного скользящего среднего с независимой переменной (ARIMAX) можно рассматривать как модель множественной регрессии с одним или несколькими членами авторегрессии (AR) и/или одним или несколькими членами скользящего среднего (MA). Этот метод подходит для прогнозирования, когда данные являются стационарными/нестационарными, а также многомерными с любым типом шаблона данных, т.е. уровнем/трендом/сезонностью/цикличностью.
TCNForecaster	TCNForecaster: Прогнозист временных сверточных сетей. TODO: Попросите команду прогнозирования кратко вступить.
ElasticNet	Эластичная сеть — это популярный тип регуляризованной линейной регрессии, который сочетает в себе два популярных штрафных режима, в частности функции штрафов L1 и L2.
GradientBoosting	Техника превращения недельных учеников в сильного ученика называется бустингом. Процесс алгоритма градиентного бустинга работает на основе этой теории выполнения.
DecisionTree	Деревья принятия решений — это непараметрический метод обучения с учителем, используемый как для классификационных, так и для регрессионных задач. Цель состоит в том, чтобы создать модель, которая прогнозирует значение целевой переменной путем изучения простых правил принятия решений, выведенных из признаков данных.
KNN	Алгоритм K-ближайших соседей (KNN) использует «сходство признаков» для прогнозирования значений новых точек данных, что также означает, что новой точке данных будет присвоено значение на основе того, насколько близко она совпадает с точками в обучающем наборе.
LassoLars	Модель лассо согласуется с регрессией наименьшего угла, также известной как Ларс. Это линейная модель, обученная с использованием приорного L1 в качестве регуляризатора.
SGD	SGD: Стохастический градиентный спуск — это алгоритм оптимизации, часто используемый в приложениях машинного обучения для поиска параметров модели, которые наилучшим образом соответствуют прогнозируемым и фактическим результатам. Это неточный, но мощный метод.
RandomForest	Случайный лес — это алгоритм обучения с учителем. «Лес», который он строит, представляет собой ансамбль деревьев решений, обычно обученных методом «бэггинга». Общая идея метода бэггинга заключается в том, что комбинация обучающих моделей увеличивает общий результат.
ExtremeRandomTrees	Extreme Trees — это алгоритм ансамбля машинного обучения, который объединяет прогнозы из множества деревьев решений. Он связан с широко используемым алгоритмом случайного леса.
LightGBM	LightGBM — это фреймворк градиентного бустинга, использующий алгоритмы обучения на основе дерева.
XGBoostRegressor	XGBoostRegressor: Extreme Gradient Boosting Regressor — это контролируемая модель машинного обучения, использующая ансамбль базовых учащихся.

ForecastingPrimaryMetrics

Перечисление

Основные метрики для задачи Прогнозирование.

Значение	Описание
SpearmanCorrelation	Ранговый коэффициент корреляции Спирмена является непараметрической мерой ранговой корреляции.
NormalizedRootMeanSquaredError	Нормализованная среднеквадратичная ошибка (NRMSE) (Normalized Root Mean Squared Error, NRMSE) облегчает сравнение моделей с различными масштабами.
R2Score	Оценка R2 — это один из показателей оценки производительности для моделей машинного обучения на основе прогнозирования.
NormalizedMeanAbsoluteError	Нормализованная средняя абсолютная ошибка (NMAE) — это метрика проверки для сравнения средней абсолютной ошибки (MAE) (временных) рядов с различными шкалами.

ForecastingSettings

Объект

Прогнозирование конкретных параметров.

Имя	Тип	Default value	Описание
countryOrRegionForHolidays	string		Страна или регион для праздников для задач прогнозирования. Это должны быть коды стран и регионов ISO 3166, например "US" или "GB".
cvStepSize	integer (int32)		Число периодов между временем начала одного свертывания CV и следующего свертывания. Например, если CVStepSize = 3 для ежедневных данных, время начала для каждой свертки будет отличаться друг от друга в три дня.
featureLags	FeatureLags	None	Флаг для генерации задержек для числовых признаков.
forecastHorizon	ForecastHorizon: AutoForecastHorizon CustomForecastHorizon		Требуемый максимальный горизонт прогнозирования в единицах частоты временных рядов.
frequency	string		При прогнозировании этот параметр представляет период, с которым нужно, например ежедневно, еженедельно, ежегодно и т. д. Частота прогноза — это частота набора данных по умолчанию.
seasonality	Seasonality: AutoSeasonality CustomSeasonality		Задайте сезонность временных рядов в качестве целого числа, кратного частоты ряда. Если для сезонности задано значение auto, он будет выводиться.
shortSeriesHandlingConfig	ShortSeriesHandlingConfiguration	Auto	Параметр, определяющий, как autoML должен обрабатывать короткие временные ряды.
targetAggregateFunction	TargetAggregationFunction	None	Целевая агрегатная функция.
targetLags	TargetLags: AutoTargetLags CustomTargetLags		Число прошлых периодов задержки от целевого столбца.
targetRollingWindowSize	TargetRollingWindowSize: AutoTargetRollingWindowSize CustomTargetRollingWindowSize		Количество прошлых периодов, используемых для создания скользящего среднего окна целевого столбца.
timeColumnName	string		Имя столбца времени. Этот параметр требуется при прогнозировании для указания столбца datetime в входных данных, используемых для создания временных рядов и вывода его частоты.
timeSeriesIdColumnNames	string[]		Имена столбцов, используемых для группировки таймерий. Его можно использовать для создания нескольких рядов. Если набор данных не определен, предполагается, что набор данных является одним временным рядом. Этот параметр используется с прогнозированием типа задачи.
useStl	UseStl	None	Настройте декомпозицию STL целевого столбца временных рядов.

ForecastingTrainingSettings

Объект

Прогнозирование Конфигурация, связанная с обучением.

Имя	Тип	Default value	Описание
allowedTrainingAlgorithms	ForecastingModels[]		Разрешенные модели для задачи прогнозирования.
blockedTrainingAlgorithms	ForecastingModels[]		Заблокированные модели для задачи прогнозирования.
enableDnnTraining	boolean	False	Включите рекомендацию моделей DNN.
enableModelExplainability	boolean	True	Пометка для включения объяснимости для оптимальной модели.
enableOnnxCompatibleModels	boolean	False	Флаг включения совместимых моделей onnx.
enableStackEnsemble	boolean	True	Включите запуск ансамбля стека.
enableVoteEnsemble	boolean	True	Включите запуск ансамбля голосования.
ensembleModelDownloadTimeout	string (duration)	PT5M	Во время создания модели VotingEnsemble и StackEnsemble скачиваются несколько встроенных моделей из предыдущих дочерних запусков. Настройте этот параметр с более высоким значением, чем 300 с, если требуется больше времени.
stackEnsembleSettings	StackEnsembleSettings		Параметры ансамбля стека для выполнения ансамбля стека.

Goal

Перечисление

Определяет поддерживаемые цели метрик для настройки гиперпараметров

Значение	Описание
Minimize
Maximize

GridSamplingAlgorithm

Объект

Определяет алгоритм выборки, который исчерпывающе генерирует каждую комбинацию значений в пространстве

Имя	Тип	Описание
samplingAlgorithmType	string: Grid	[Обязательный] Алгоритм, используемый для создания значений гиперпараметров, а также свойств конфигурации

IdentityConfigurationType

Перечисление

Enum для определения структуры удостоверений.

Значение	Описание
Managed
AMLToken
UserIdentity

ImageClassification

Объект

Классификация изображений. Многоклассовая классификация изображений используется, когда изображение классифицируется только с одной меткой из набора классов - например, каждое изображение классифицируется как изображение "кошки", "собаки" или "утки".

Имя	Тип	Default value	Описание
limitSettings	ImageLimitSettings		[Обязательный] Ограничение параметров для задания AutoML.
logVerbosity	LogVerbosity	Info	Перечисление для установки детализации лога.
modelSettings	ImageModelSettingsClassification		Параметры, используемые для обучения модели.
primaryMetric	ClassificationPrimaryMetrics	Accuracy	Основные метрики для задач классификации.
searchSpace	ImageModelDistributionSettingsClassification[]		Поиск места для выборки различных сочетаний моделей и их гиперпараметров.
sweepSettings	ImageSweepSettings		Очистка модели и гиперпараметры, связанные с параметрами.
targetColumnName	string		Имя целевого столбца: это столбец прогнозируемых значений. Также называется именем столбца метки в контексте задач классификации.
taskType	string: ImageClassification		[Обязательный] Тип задачи для AutoMLJob.
trainingData	MLTableJobInput		[Обязательный] Входные данные обучения.
validationData	MLTableJobInput		Входные данные проверки.
validationDataSize	number (double)		Доля обучающего набора данных, который необходимо выделить для целей проверки. Значения от (0.0 , 1.0) Применяются, когда набор данных для проверки не предоставлен.

ImageClassificationMultilabel

Объект

Классификация изображений с несколькими метками. Классификация изображений с несколькими метками используется, когда изображение может иметь одну или несколько меток из набора меток - например, изображение может быть помечено как "кошка", так и "собака".

Имя	Тип	Default value	Описание
limitSettings	ImageLimitSettings		[Обязательный] Ограничение параметров для задания AutoML.
logVerbosity	LogVerbosity	Info	Перечисление для установки детализации лога.
modelSettings	ImageModelSettingsClassification		Параметры, используемые для обучения модели.
primaryMetric	ClassificationMultilabelPrimaryMetrics	IOU	Основные метрики для задач классификации с несколькими метками.
searchSpace	ImageModelDistributionSettingsClassification[]		Поиск места для выборки различных сочетаний моделей и их гиперпараметров.
sweepSettings	ImageSweepSettings		Очистка модели и гиперпараметры, связанные с параметрами.
targetColumnName	string		Имя целевого столбца: это столбец прогнозируемых значений. Также называется именем столбца метки в контексте задач классификации.
taskType	string: ImageClassificationMultilabel		[Обязательный] Тип задачи для AutoMLJob.
trainingData	MLTableJobInput		[Обязательный] Входные данные обучения.
validationData	MLTableJobInput		Входные данные проверки.
validationDataSize	number (double)		Доля обучающего набора данных, который необходимо выделить для целей проверки. Значения от (0.0 , 1.0) Применяются, когда набор данных для проверки не предоставлен.

ImageInstanceSegmentation

Объект

Сегментация экземпляров изображений. Сегментация экземпляров используется для идентификации объектов на изображении на уровне пикселей, рисуя многоугольник вокруг каждого объекта на изображении.

Имя	Тип	Default value	Описание
limitSettings	ImageLimitSettings		[Обязательный] Ограничение параметров для задания AutoML.
logVerbosity	LogVerbosity	Info	Перечисление для установки детализации лога.
modelSettings	ImageModelSettingsObjectDetection		Параметры, используемые для обучения модели.
primaryMetric	InstanceSegmentationPrimaryMetrics	MeanAveragePrecision	Основные метрики для задач InstanceSegmentation.
searchSpace	ImageModelDistributionSettingsObjectDetection[]		Поиск места для выборки различных сочетаний моделей и их гиперпараметров.
sweepSettings	ImageSweepSettings		Очистка модели и гиперпараметры, связанные с параметрами.
targetColumnName	string		Имя целевого столбца: это столбец прогнозируемых значений. Также называется именем столбца метки в контексте задач классификации.
taskType	string: ImageInstanceSegmentation		[Обязательный] Тип задачи для AutoMLJob.
trainingData	MLTableJobInput		[Обязательный] Входные данные обучения.
validationData	MLTableJobInput		Входные данные проверки.
validationDataSize	number (double)		Доля обучающего набора данных, который необходимо выделить для целей проверки. Значения от (0.0 , 1.0) Применяются, когда набор данных для проверки не предоставлен.

ImageLimitSettings

Объект

Ограничьте параметры для задания AutoML.

Имя	Тип	Default value	Описание
maxConcurrentTrials	integer (int32)	1	Максимальное число параллельных итераций AutoML.
maxTrials	integer (int32)	1	Максимальное число итераций AutoML.
timeout	string (duration)	P7D	Время ожидания задания AutoML.

ImageModelDistributionSettingsClassification

Объект

Выражения распределения для перебора значений параметров модели. <Пример> :

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.

Имя	Тип	Описание
amsGradient	string	Включите AMSGrad, если оптимизатор является "адам" или "адамв".
augmentations	string	Параметры для использования расширения.
beta1	string	Значение "beta1", если оптимизатор имеет значение "адам" или "адамв". Должен быть плавающей запятой в диапазоне [0, 1].
beta2	string	Значение "beta2", когда оптимизатор является "адам" или "адамв". Должен быть плавающей запятой в диапазоне [0, 1].
distributed	string	Следует ли использовать обучение распространителя.
earlyStopping	string	Включите логику раннего остановки во время обучения.
earlyStoppingDelay	string	Минимальное количество эпох или проверочных оценок для ожидания перед отслеживанием улучшения основной метрики для досрочной остановки. Должно быть положительным целым числом.
earlyStoppingPatience	string	Минимальное количество эпох или проверочных оценок без улучшения основных метрик перед остановкой выполнения. Должно быть положительным целым числом.
enableOnnxNormalization	string	Включите нормализацию при экспорте модели ONNX.
evaluationFrequency	string	Частота для оценки набора данных проверки для получения показателей метрик. Должно быть положительным целым числом.
gradientAccumulationStep	string	Накопление градиента означает выполнение настроенного числа шагов "GradAccumulationStep" без обновления весов модели при накоплении градиентов этих шагов, а затем использование накопленных градиентов для вычисления обновлений весов. Должно быть положительным целым числом.
layersToFreeze	string	Количество слоев, которые необходимо заморозить для модели. Должно быть положительным целым числом. Например, передача 2 в качестве значения для 'seresnext' означает замораживание layer0 и layer1. Полный список поддерживаемых моделей и подробную информацию о замораживании слоев см. в следующих статьях: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
learningRate	string	Начальная скорость обучения. Должен быть плавающей запятой в диапазоне [0, 1].
learningRateScheduler	string	Тип планировщика скорости обучения. Должен быть "warmup_cosine" или "шаг".
modelName	string	Имя модели, используемой для обучения. Для получения дополнительной информации о доступных моделях посетите официальную документацию: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
momentum	string	Значение импульса, когда оптимизатор имеет значение "оптимизатор". Должен быть плавающей запятой в диапазоне [0, 1].
nesterov	string	Включите nesterov, если оптимизатор имеет значение "хем".
numberOfEpochs	string	Число эпох обучения. Должно быть положительным целым числом.
numberOfWorkers	string	Количество рабочих ролей загрузчика данных. Должно быть неотрицательное целое число.
optimizer	string	Тип оптимизатора. Должно быть либо "хем", "адам", либо "адам".
randomSeed	string	Случайное начальное значение, используемое при использовании детерминированного обучения.
stepLRGamma	string	Значение гамма, если планировщик скорости обучения — "шаг". Должен быть плавающей запятой в диапазоне [0, 1].
stepLRStepSize	string	Значение размера шага при планировании скорости обучения — "шаг". Должно быть положительным целым числом.
trainingBatchSize	string	Размер пакета обучения. Должно быть положительным целым числом.
trainingCropSize	string	Размер обрезки изображения, входной в нейронную сеть для обучающего набора данных. Должно быть положительным целым числом.
validationBatchSize	string	Размер пакета проверки. Должно быть положительным целым числом.
validationCropSize	string	Размер обрезки изображения, входной в нейронную сеть для набора данных проверки. Должно быть положительным целым числом.
validationResizeSize	string	Размер изображения, в который необходимо изменить размер перед обрезкой для набора данных проверки. Должно быть положительным целым числом.
warmupCosineLRCycles	string	Значение косинусного цикла при планировании скорости обучения — "warmup_cosine". Должен быть плавающей запятой в диапазоне [0, 1].
warmupCosineLRWarmupEpochs	string	Значение эпохи нагревания при планировании скорости обучения — "warmup_cosine". Должно быть положительным целым числом.
weightDecay	string	Значение распада веса, если оптимизатор имеет значение "оптимизатор", "адам" или "адамв". Должен быть плавающей запятой в диапазоне[0, 1].
weightedLoss	string	Весовая потеря. Допустимые значения — 0 без потери веса. 1 для взвешаемой потери с sqrt. (class_weights). 2 для взвешаемой потери с class_weights. Должно быть 0 или 1 или 2.

ImageModelDistributionSettingsObjectDetection

Объект

Выражения распределения для перебора значений параметров модели. <Пример> :

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.

Имя	Тип	Описание
amsGradient	string	Включите AMSGrad, если оптимизатор является "адам" или "адамв".
augmentations	string	Параметры для использования расширения.
beta1	string	Значение "beta1", если оптимизатор имеет значение "адам" или "адамв". Должен быть плавающей запятой в диапазоне [0, 1].
beta2	string	Значение "beta2", когда оптимизатор является "адам" или "адамв". Должен быть плавающей запятой в диапазоне [0, 1].
boxDetectionsPerImage	string	Максимальное количество обнаружений на изображение для всех классов. Должно быть положительным целым числом. Примечание. Эти параметры не поддерживаются для алгоритма yolov5.
boxScoreThreshold	string	Во время вывода возвращаются только предложения с оценкой классификации, превышающей BoxScoreThreshold. Должен быть плавающей запятой в диапазоне[0, 1].
distributed	string	Следует ли использовать обучение распространителя.
earlyStopping	string	Включите логику раннего остановки во время обучения.
earlyStoppingDelay	string	Минимальное количество эпох или проверочных оценок для ожидания перед отслеживанием улучшения основной метрики для досрочной остановки. Должно быть положительным целым числом.
earlyStoppingPatience	string	Минимальное количество эпох или проверочных оценок без улучшения основных метрик перед остановкой выполнения. Должно быть положительным целым числом.
enableOnnxNormalization	string	Включите нормализацию при экспорте модели ONNX.
evaluationFrequency	string	Частота для оценки набора данных проверки для получения показателей метрик. Должно быть положительным целым числом.
gradientAccumulationStep	string	Накопление градиента означает выполнение настроенного числа шагов "GradAccumulationStep" без обновления весов модели при накоплении градиентов этих шагов, а затем использование накопленных градиентов для вычисления обновлений весов. Должно быть положительным целым числом.
imageSize	string	Размер изображения для обучения и проверки. Должно быть положительным целым числом. Примечание. Учебный запуск может попасть в OOM CUDA, если размер слишком велик. Примечание. Эти параметры поддерживаются только для алгоритма yolov5.
layersToFreeze	string	Количество слоев, которые необходимо заморозить для модели. Должно быть положительным целым числом. Например, передача 2 в качестве значения для 'seresnext' означает замораживание layer0 и layer1. Полный список поддерживаемых моделей и подробную информацию о замораживании слоев см. в следующих статьях: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
learningRate	string	Начальная скорость обучения. Должен быть плавающей запятой в диапазоне [0, 1].
learningRateScheduler	string	Тип планировщика скорости обучения. Должен быть "warmup_cosine" или "шаг".
maxSize	string	Максимальный размер изображения для перемасштабирования перед его добавлением в магистраль. Должно быть положительным целым числом. Примечание. Учебный запуск может попасть в OOM CUDA, если размер слишком велик. Примечание. Эти параметры не поддерживаются для алгоритма yolov5.
minSize	string	Минимальный размер изображения, который необходимо перемасштабировать, прежде чем передавать его в магистраль. Должно быть положительным целым числом. Примечание. Учебный запуск может попасть в OOM CUDA, если размер слишком велик. Примечание. Эти параметры не поддерживаются для алгоритма yolov5.
modelName	string	Имя модели, используемой для обучения. Для получения дополнительной информации о доступных моделях посетите официальную документацию: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
modelSize	string	Размер модели. Должен быть "маленький", "средний", "большой" или "xlarge". Примечание. Учебный запуск может попасть в OOM CUDA, если размер модели слишком велик. Примечание. Эти параметры поддерживаются только для алгоритма yolov5.
momentum	string	Значение импульса, когда оптимизатор имеет значение "оптимизатор". Должен быть плавающей запятой в диапазоне [0, 1].
multiScale	string	Включите многомасштабное изображение, изменив размер изображения по +/-50%. Примечание. Учебный запуск может попасть в OOM CUDA, если недостаточно памяти GPU. Примечание. Эти параметры поддерживаются только для алгоритма yolov5.
nesterov	string	Включите nesterov, если оптимизатор имеет значение "хем".
nmsIouThreshold	string	Пороговое значение ввода-вывода, используемое во время вывода в процессе последующей обработки NMS. Должен быть плавать в диапазоне [0, 1].
numberOfEpochs	string	Число эпох обучения. Должно быть положительным целым числом.
numberOfWorkers	string	Количество рабочих ролей загрузчика данных. Должно быть неотрицательное целое число.
optimizer	string	Тип оптимизатора. Должно быть либо "хем", "адам", либо "адам".
randomSeed	string	Случайное начальное значение, используемое при использовании детерминированного обучения.
stepLRGamma	string	Значение гамма, если планировщик скорости обучения — "шаг". Должен быть плавающей запятой в диапазоне [0, 1].
stepLRStepSize	string	Значение размера шага при планировании скорости обучения — "шаг". Должно быть положительным целым числом.
tileGridSize	string	Размер сетки для заполнения каждого изображения плитками. Примечание: TileGridSize не должен иметь значение None, чтобы включить логику обнаружения мелких объектов. Строка, содержащая два целых числа в формате mxn. Примечание. Эти параметры не поддерживаются для алгоритма yolov5.
tileOverlapRatio	string	Коэффициент перекрытия между смежными плитками в каждом измерении. Должен быть плавать в диапазоне [0, 1). Примечание. Эти параметры не поддерживаются для алгоритма yolov5.
tilePredictionsNmsThreshold	string	Пороговое значение IOU для выполнения NMS при слиянии прогнозов из плиток и изображений. Используется в проверке или выводе. Должен быть плавать в диапазоне [0, 1]. Примечание. Эти параметры не поддерживаются для алгоритма yolov5. NMS: не максимальное подавление
trainingBatchSize	string	Размер пакета обучения. Должно быть положительным целым числом.
validationBatchSize	string	Размер пакета проверки. Должно быть положительным целым числом.
validationIouThreshold	string	Пороговое значение IOU для использования при вычислении метрики проверки. Должен быть плавать в диапазоне [0, 1].
validationMetricType	string	Метод вычисления метрик, используемый для метрик проверки. Должно быть "none", "coco", "voc" или "coco_voc".
warmupCosineLRCycles	string	Значение косинусного цикла при планировании скорости обучения — "warmup_cosine". Должен быть плавающей запятой в диапазоне [0, 1].
warmupCosineLRWarmupEpochs	string	Значение эпохи нагревания при планировании скорости обучения — "warmup_cosine". Должно быть положительным целым числом.
weightDecay	string	Значение распада веса, если оптимизатор имеет значение "оптимизатор", "адам" или "адамв". Должен быть плавающей запятой в диапазоне[0, 1].

ImageModelSettingsClassification

Объект

Параметры, используемые для обучения модели. Для получения дополнительной информации о доступных настройках, пожалуйста, ознакомьтесь с официальной документацией: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

Имя	Тип	Default value	Описание
advancedSettings	string		Параметры для расширенных сценариев.
amsGradient	boolean		Включите AMSGrad, если оптимизатор является "адам" или "адамв".
augmentations	string		Параметры для использования расширения.
beta1	number (float)		Значение "beta1", если оптимизатор имеет значение "адам" или "адамв". Должен быть плавающей запятой в диапазоне [0, 1].
beta2	number (float)		Значение "beta2", когда оптимизатор является "адам" или "адамв". Должен быть плавающей запятой в диапазоне [0, 1].
checkpointFrequency	integer (int32)		Частота хранения контрольных точек модели. Должно быть положительным целым числом.
checkpointModel	MLFlowModelJobInput		Предварительно обученная модель контрольной точки для добавочного обучения.
checkpointRunId	string		Идентификатор предыдущего запуска с предварительно обученной контрольной точкой для добавочного обучения.
distributed	boolean		Следует ли использовать распределенное обучение.
earlyStopping	boolean		Включите логику раннего остановки во время обучения.
earlyStoppingDelay	integer (int32)		Минимальное количество эпох или проверочных оценок для ожидания перед отслеживанием улучшения основной метрики для досрочной остановки. Должно быть положительным целым числом.
earlyStoppingPatience	integer (int32)		Минимальное количество эпох или проверочных оценок без улучшения основных метрик перед остановкой выполнения. Должно быть положительным целым числом.
enableOnnxNormalization	boolean		Включите нормализацию при экспорте модели ONNX.
evaluationFrequency	integer (int32)		Частота для оценки набора данных проверки для получения показателей метрик. Должно быть положительным целым числом.
gradientAccumulationStep	integer (int32)		Накопление градиента означает выполнение настроенного числа шагов "GradAccumulationStep" без обновления весов модели при накоплении градиентов этих шагов, а затем использование накопленных градиентов для вычисления обновлений весов. Должно быть положительным целым числом.
layersToFreeze	integer (int32)		Количество слоев, которые необходимо заморозить для модели. Должно быть положительным целым числом. Например, передача 2 в качестве значения для 'seresnext' означает замораживание layer0 и layer1. Полный список поддерживаемых моделей и подробную информацию о замораживании слоев см. в следующих статьях: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
learningRate	number (float)		Начальная скорость обучения. Должен быть плавающей запятой в диапазоне [0, 1].
learningRateScheduler	LearningRateScheduler	None	Перечисление планировщика скорости обучения.
modelName	string		Имя модели, используемой для обучения. Для получения дополнительной информации о доступных моделях посетите официальную документацию: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
momentum	number (float)		Значение импульса, когда оптимизатор имеет значение "оптимизатор". Должен быть плавающей запятой в диапазоне [0, 1].
nesterov	boolean		Включите nesterov, если оптимизатор имеет значение "хем".
numberOfEpochs	integer (int32)		Число эпох обучения. Должно быть положительным целым числом.
numberOfWorkers	integer (int32)		Количество рабочих ролей загрузчика данных. Должно быть неотрицательное целое число.
optimizer	StochasticOptimizer	None	Стохастический оптимизатор для моделей изображений.
randomSeed	integer (int32)		Случайное начальное значение, используемое при использовании детерминированного обучения.
stepLRGamma	number (float)		Значение гамма, если планировщик скорости обучения — "шаг". Должен быть плавающей запятой в диапазоне [0, 1].
stepLRStepSize	integer (int32)		Значение размера шага при планировании скорости обучения — "шаг". Должно быть положительным целым числом.
trainingBatchSize	integer (int32)		Размер пакета обучения. Должно быть положительным целым числом.
trainingCropSize	integer (int32)		Размер обрезки изображения, входной в нейронную сеть для обучающего набора данных. Должно быть положительным целым числом.
validationBatchSize	integer (int32)		Размер пакета проверки. Должно быть положительным целым числом.
validationCropSize	integer (int32)		Размер обрезки изображения, входной в нейронную сеть для набора данных проверки. Должно быть положительным целым числом.
validationResizeSize	integer (int32)		Размер изображения, в который необходимо изменить размер перед обрезкой для набора данных проверки. Должно быть положительным целым числом.
warmupCosineLRCycles	number (float)		Значение косинусного цикла при планировании скорости обучения — "warmup_cosine". Должен быть плавающей запятой в диапазоне [0, 1].
warmupCosineLRWarmupEpochs	integer (int32)		Значение эпохи нагревания при планировании скорости обучения — "warmup_cosine". Должно быть положительным целым числом.
weightDecay	number (float)		Значение распада веса, если оптимизатор имеет значение "оптимизатор", "адам" или "адамв". Должен быть плавающей запятой в диапазоне[0, 1].
weightedLoss	integer (int32)		Весовая потеря. Допустимые значения — 0 без потери веса. 1 для взвешаемой потери с sqrt. (class_weights). 2 для взвешаемой потери с class_weights. Должно быть 0 или 1 или 2.

ImageModelSettingsObjectDetection

Объект

Параметры, используемые для обучения модели. Для получения дополнительной информации о доступных настройках, пожалуйста, ознакомьтесь с официальной документацией: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

Имя	Тип	Default value	Описание
advancedSettings	string		Параметры для расширенных сценариев.
amsGradient	boolean		Включите AMSGrad, если оптимизатор является "адам" или "адамв".
augmentations	string		Параметры для использования расширения.
beta1	number (float)		Значение "beta1", если оптимизатор имеет значение "адам" или "адамв". Должен быть плавающей запятой в диапазоне [0, 1].
beta2	number (float)		Значение "beta2", когда оптимизатор является "адам" или "адамв". Должен быть плавающей запятой в диапазоне [0, 1].
boxDetectionsPerImage	integer (int32)		Максимальное количество обнаружений на изображение для всех классов. Должно быть положительным целым числом. Примечание. Эти параметры не поддерживаются для алгоритма yolov5.
boxScoreThreshold	number (float)		Во время вывода возвращаются только предложения с оценкой классификации, превышающей BoxScoreThreshold. Должен быть плавающей запятой в диапазоне[0, 1].
checkpointFrequency	integer (int32)		Частота хранения контрольных точек модели. Должно быть положительным целым числом.
checkpointModel	MLFlowModelJobInput		Предварительно обученная модель контрольной точки для добавочного обучения.
checkpointRunId	string		Идентификатор предыдущего запуска с предварительно обученной контрольной точкой для добавочного обучения.
distributed	boolean		Следует ли использовать распределенное обучение.
earlyStopping	boolean		Включите логику раннего остановки во время обучения.
earlyStoppingDelay	integer (int32)		Минимальное количество эпох или проверочных оценок для ожидания перед отслеживанием улучшения основной метрики для досрочной остановки. Должно быть положительным целым числом.
earlyStoppingPatience	integer (int32)		Минимальное количество эпох или проверочных оценок без улучшения основных метрик перед остановкой выполнения. Должно быть положительным целым числом.
enableOnnxNormalization	boolean		Включите нормализацию при экспорте модели ONNX.
evaluationFrequency	integer (int32)		Частота для оценки набора данных проверки для получения показателей метрик. Должно быть положительным целым числом.
gradientAccumulationStep	integer (int32)		Накопление градиента означает выполнение настроенного числа шагов "GradAccumulationStep" без обновления весов модели при накоплении градиентов этих шагов, а затем использование накопленных градиентов для вычисления обновлений весов. Должно быть положительным целым числом.
imageSize	integer (int32)		Размер изображения для обучения и проверки. Должно быть положительным целым числом. Примечание. Учебный запуск может попасть в OOM CUDA, если размер слишком велик. Примечание. Эти параметры поддерживаются только для алгоритма yolov5.
layersToFreeze	integer (int32)		Количество слоев, которые необходимо заморозить для модели. Должно быть положительным целым числом. Например, передача 2 в качестве значения для 'seresnext' означает замораживание layer0 и layer1. Полный список поддерживаемых моделей и подробную информацию о замораживании слоев см. в следующих статьях: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
learningRate	number (float)		Начальная скорость обучения. Должен быть плавающей запятой в диапазоне [0, 1].
learningRateScheduler	LearningRateScheduler	None	Перечисление планировщика скорости обучения.
maxSize	integer (int32)		Максимальный размер изображения для перемасштабирования перед его добавлением в магистраль. Должно быть положительным целым числом. Примечание. Учебный запуск может попасть в OOM CUDA, если размер слишком велик. Примечание. Эти параметры не поддерживаются для алгоритма yolov5.
minSize	integer (int32)		Минимальный размер изображения, который необходимо перемасштабировать, прежде чем передавать его в магистраль. Должно быть положительным целым числом. Примечание. Учебный запуск может попасть в OOM CUDA, если размер слишком велик. Примечание. Эти параметры не поддерживаются для алгоритма yolov5.
modelName	string		Имя модели, используемой для обучения. Для получения дополнительной информации о доступных моделях посетите официальную документацию: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
modelSize	ModelSize	None	Размер модели изображения.
momentum	number (float)		Значение импульса, когда оптимизатор имеет значение "оптимизатор". Должен быть плавающей запятой в диапазоне [0, 1].
multiScale	boolean		Включите многомасштабное изображение, изменив размер изображения по +/-50%. Примечание. Учебный запуск может попасть в OOM CUDA, если недостаточно памяти GPU. Примечание. Эти параметры поддерживаются только для алгоритма yolov5.
nesterov	boolean		Включите nesterov, если оптимизатор имеет значение "хем".
nmsIouThreshold	number (float)		Пороговое значение ввода-вывода, используемое во время вывода в процессе последующей обработки NMS. Должен быть плавающей запятой в диапазоне [0, 1].
numberOfEpochs	integer (int32)		Число эпох обучения. Должно быть положительным целым числом.
numberOfWorkers	integer (int32)		Количество рабочих ролей загрузчика данных. Должно быть неотрицательное целое число.
optimizer	StochasticOptimizer	None	Стохастический оптимизатор для моделей изображений.
randomSeed	integer (int32)		Случайное начальное значение, используемое при использовании детерминированного обучения.
stepLRGamma	number (float)		Значение гамма, если планировщик скорости обучения — "шаг". Должен быть плавающей запятой в диапазоне [0, 1].
stepLRStepSize	integer (int32)		Значение размера шага при планировании скорости обучения — "шаг". Должно быть положительным целым числом.
tileGridSize	string		Размер сетки для заполнения каждого изображения плитками. Примечание: TileGridSize не должен иметь значение None, чтобы включить логику обнаружения мелких объектов. Строка, содержащая два целых числа в формате mxn. Примечание. Эти параметры не поддерживаются для алгоритма yolov5.
tileOverlapRatio	number (float)		Коэффициент перекрытия между смежными плитками в каждом измерении. Должен быть плавать в диапазоне [0, 1). Примечание. Эти параметры не поддерживаются для алгоритма yolov5.
tilePredictionsNmsThreshold	number (float)		Пороговое значение IOU для выполнения NMS при слиянии прогнозов из плиток и изображений. Используется в проверке или выводе. Должен быть плавать в диапазоне [0, 1]. Примечание. Эти параметры не поддерживаются для алгоритма yolov5.
trainingBatchSize	integer (int32)		Размер пакета обучения. Должно быть положительным целым числом.
validationBatchSize	integer (int32)		Размер пакета проверки. Должно быть положительным целым числом.
validationIouThreshold	number (float)		Пороговое значение IOU для использования при вычислении метрики проверки. Должен быть плавать в диапазоне [0, 1].
validationMetricType	ValidationMetricType	None	Метод вычисления метрик для использования для проверки метрик в задачах обработки изображений.
warmupCosineLRCycles	number (float)		Значение косинусного цикла при планировании скорости обучения — "warmup_cosine". Должен быть плавающей запятой в диапазоне [0, 1].
warmupCosineLRWarmupEpochs	integer (int32)		Значение эпохи нагревания при планировании скорости обучения — "warmup_cosine". Должно быть положительным целым числом.
weightDecay	number (float)		Значение распада веса, если оптимизатор имеет значение "оптимизатор", "адам" или "адамв". Должен быть плавающей запятой в диапазоне[0, 1].

ImageObjectDetection

Объект

Обнаружение объектов изображения. Обнаружение объектов используется для идентификации объектов на изображении и определения местоположения каждого объекта с помощью ограничивающего прямоугольника, например, для определения местоположения всех собак и кошек на изображении и создания ограничивающего прямоугольника вокруг каждого из них.

Имя	Тип	Default value	Описание
limitSettings	ImageLimitSettings		[Обязательный] Ограничение параметров для задания AutoML.
logVerbosity	LogVerbosity	Info	Перечисление для установки детализации лога.
modelSettings	ImageModelSettingsObjectDetection		Параметры, используемые для обучения модели.
primaryMetric	ObjectDetectionPrimaryMetrics	MeanAveragePrecision	Основные метрики для задачи Image ObjectDetection.
searchSpace	ImageModelDistributionSettingsObjectDetection[]		Поиск места для выборки различных сочетаний моделей и их гиперпараметров.
sweepSettings	ImageSweepSettings		Очистка модели и гиперпараметры, связанные с параметрами.
targetColumnName	string		Имя целевого столбца: это столбец прогнозируемых значений. Также называется именем столбца метки в контексте задач классификации.
taskType	string: ImageObjectDetection		[Обязательный] Тип задачи для AutoMLJob.
trainingData	MLTableJobInput		[Обязательный] Входные данные обучения.
validationData	MLTableJobInput		Входные данные проверки.
validationDataSize	number (double)		Доля обучающего набора данных, который необходимо выделить для целей проверки. Значения от (0.0 , 1.0) Применяются, когда набор данных для проверки не предоставлен.

ImageSweepSettings

Объект

Очистка модели и гиперпараметры, связанные с параметрами.

Имя	Тип	Описание
earlyTermination	EarlyTerminationPolicy: BanditPolicy MedianStoppingPolicy TruncationSelectionPolicy	Тип политики раннего завершения.
samplingAlgorithm	SamplingAlgorithmType	[Обязательный] Тип алгоритмов выборки гиперпараметров.

InputDeliveryMode

Перечисление

Перечисление для определения режима доставки входных данных.

Значение	Описание
ReadOnlyMount
ReadWriteMount
Download
Direct
EvalMount
EvalDownload

InstanceSegmentationPrimaryMetrics

Перечисление

Основные метрики для задач InstanceSegmentation.

Значение	Описание
MeanAveragePrecision	Средняя средняя точность (MAP) — это среднее значение AP (Average Precision). AP рассчитывается для каждого класса и усредняется для получения MAP.

JobBase

Объект

Конверт ресурсов Azure Resource Manager.

Имя	Тип	Описание
id	string	Полный идентификатор ресурса для ресурса. Пример - /subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/{resourceProviderNamespace}/{resourceType}/{resourceName}
name	string	Имя ресурса
properties	JobBaseProperties: AutoMLJob CommandJob PipelineJob SparkJob SweepJob	[Обязательный] Дополнительные атрибуты сущности.
systemData	systemData	Метаданные Azure Resource Manager, содержащие данные createdBy и modifiedBy.
type	string	Тип ресурса. Например, "Microsoft.Compute/virtualMachines" или "Microsoft.Storage/storageAccounts"

JobInputType

Перечисление

Перечисление для определения типа входных данных задания.

Значение	Описание
literal
uri_file
uri_folder
mltable
custom_model
mlflow_model
triton_model

JobLimitsType

Перечисление

Значение	Описание
Command
Sweep

JobOutputType

Перечисление

Enum для определения типа выходных данных задания.

Значение	Описание
uri_file
uri_folder
mltable
custom_model
mlflow_model
triton_model

JobResourceConfiguration

Объект

Имя	Тип	Default value	Описание
dockerArgs	string		Дополнительные аргументы для передачи команде запуска Docker. Это переопределит все параметры, которые уже были заданы системой или в этом разделе. Этот параметр поддерживается только для вычислительных типов Azure ML.
dockerArgsList	string[]		Дополнительные аргументы для передачи команде запуска Docker в виде коллекции. Это переопределит все параметры, которые уже были заданы системой или в этом разделе. Этот параметр поддерживается только для вычислительных типов Azure ML.
instanceCount	integer (int32)	1	Необязательное количество экземпляров или узлов, используемых целевым объектом вычислений.
instanceType	string		Необязательный тип виртуальной машины, используемой в качестве поддержки целевого объекта вычислений.
properties			Дополнительные контейнеры свойств.
shmSize	string pattern: \d+[bBkKmMgG]	2g	Размер общего блока памяти контейнера Docker. Это должно быть в формате (число)(единица), где число должно быть больше 0, а единица может быть одной из b(байтов), k(килобайтов), m(мегабайт) или g(g(gigabytes).

JobService

Объект

Определение конечной точки задания

Имя	Тип	Описание
endpoint	string	URL-адрес конечной точки.
errorMessage	string	Любая ошибка в работе сервиса.
jobServiceType	string	Тип конечной точки.
nodes	Nodes: AllNodes	Узлы, на которые пользователь хочет запустить службу. Если узлы не заданы или заданы значение NULL, служба будет запущена только на узле лидера.
port	integer (int32)	Порт для конечной точки.
properties	object	Дополнительные свойства, заданные в конечной точке.
status	string	Состояние конечной точки.

JobStatus

Перечисление

Статус работы.

Значение	Описание
NotStarted	Бег еще не начался.
Starting	Забег начался. У пользователя есть идентификатор выполнения.
Provisioning	(В настоящее время не используется) Он будет использоваться, если ES создает целевой объект вычислений.
Preparing	Среда для бега находится в стадии подготовки.
Queued	Задание помещается в очередь в целевом объекте вычислений. Например, в BatchAI задание находится в состоянии очереди, ожидая, пока все необходимые узлы будут готовы.
Running	Задание начало выполняться в целевом объекте вычислений.
Finalizing	Задание завершено в целевом объекте. Сейчас он находится в состоянии сбора выходных данных.
CancelRequested	Запрос на отмену заказа.
Completed	Работа выполнена успешно. Это означает, что как само задание, так и состояние выходной коллекции успешно завершены
Failed	Работа не удалась.
Canceled	После запроса на отмену задание будет успешно отменено.
NotResponding	Если пульс включен, то если выполнение не обновляет информацию в RunHistory, то выполняется в состояние NotResponding. NotResponse — единственный штат, на который не распространяются строгие приказы о переходе. Прогон может перейти от NotResponse к любому из предыдущих состояний.
Paused	Задание приостанавливается пользователями. Некоторая корректировка заданий маркировки может быть выполнена только в приостановленном состоянии.
Unknown	Статус задания по умолчанию, если он не сопоставлен со всеми остальными статусами

JobTier

Перечисление

Перечисление для определения уровня задания.

Значение	Описание
Null
Spot
Basic
Standard
Premium

JobType

Перечисление

Перечисление для определения типа задания.

Значение	Описание
AutoML
Command
Sweep
Pipeline
Spark

LearningRateScheduler

Перечисление

Перечисление планировщика скорости обучения.

Значение	Описание
None	Планировщик скорости обучения не выбран.
WarmupCosine	Отжиг косинуса с разогревом.
Step	Планировщик ступенчатых курсов обучения.

LiteralJobInput

Объект

Литеральный тип ввода.

Имя	Тип	Описание
description	string	Описание входных данных.
jobInputType	string: literal	[Обязательный] Указывает тип задания.
value	string minLength: 1 pattern: [a-zA-Z0-9_]	[Обязательный] Литеральное значение для входных данных.

LogVerbosity

Перечисление

Перечисление для установки детализации лога.

Значение	Описание
NotSet	Журналы не выдаются.
Debug	Отладка и вышеуказанные операторы лога регистрируются.
Info	Info и вышеуказанные операторы журнала регистрируются.
Warning	Предупреждение и вышеуказанные операторы журнала записываются в журнал.
Error	Ошибки и вышеуказанные операторы журнала регистрируются.
Critical	В журнале регистрируются только критические утверждения.

ManagedIdentity

Объект

Управляемая конфигурация удостоверений.

Имя	Тип	Описание
clientId	string (uuid)	Указывает назначаемое пользователем удостоверение по идентификатору клиента. Для назначаемого системой не устанавливайте это поле.
identityType	string: Managed	[Обязательный] Указывает тип платформы удостоверений.
objectId	string (uuid)	Указывает назначаемое пользователем удостоверение по идентификатору объекта. Для назначаемого системой не устанавливайте это поле.
resourceId	string	Указывает удостоверение, назначаемое пользователем, по идентификатору ресурса ARM. Для назначаемого системой не устанавливайте это поле.

MedianStoppingPolicy

Объект

Определяет политику досрочного завершения на основе средних значений основной метрики всех запусков

Имя	Тип	Default value	Описание
delayEvaluation	integer (int32)	0	Количество интервалов, с помощью которых необходимо отложить первую оценку.
evaluationInterval	integer (int32)	0	Интервал (количество запусков) между оценками политики.
policyType	string: MedianStopping		[Обязательный] Имя конфигурации политики

MLFlowModelJobInput

Объект

Имя	Тип	Default value	Описание
description	string		Описание входных данных.
jobInputType	string: mlflow_model		[Обязательный] Указывает тип задания.
mode	InputDeliveryMode	ReadOnlyMount	Перечисление для определения режима доставки входных данных.
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[Обязательный] URI входных ресурсов.

MLFlowModelJobOutput

Объект

Имя	Тип	Default value	Описание
assetName	string		Имя выходного ресурса.
description	string		Описание выходных данных.
jobOutputType	string: mlflow_model		[Обязательный] Указывает тип задания.
mode	OutputDeliveryMode	ReadWriteMount	Перечисления режима доставки выходных данных.
uri	string		URI выходного ресурса.

MLTableJobInput

Объект

Имя	Тип	Default value	Описание
description	string		Описание входных данных.
jobInputType	string: mltable		[Обязательный] Указывает тип задания.
mode	InputDeliveryMode	ReadOnlyMount	Перечисление для определения режима доставки входных данных.
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[Обязательный] URI входных ресурсов.

MLTableJobOutput

Объект

Имя	Тип	Default value	Описание
assetName	string		Имя выходного ресурса.
description	string		Описание выходных данных.
jobOutputType	string: mltable		[Обязательный] Указывает тип задания.
mode	OutputDeliveryMode	ReadWriteMount	Перечисления режима доставки выходных данных.
uri	string		URI выходного ресурса.

ModelSize

Перечисление

Размер модели изображения.

Значение	Описание
None	Значение не выбрано.
Small	Небольшие размеры.
Medium	Среднего размера.
Large	Большой размер.
ExtraLarge	Очень большой размер.

Mpi

Объект

Конфигурация распределения MPI.

Имя	Тип	Описание
distributionType	string: Mpi	[Обязательный] Указывает тип платформы распространения.
processCountPerInstance	integer (int32)	Количество процессов на узел MPI.

NCrossValidationsMode

Перечисление

Определяет, как определяется значение проверок N-Cross.

Значение	Описание
Auto	Автоматическое определение значения проверок N-Cross. Поддерживается только для задачи AutoML "Прогнозирование".
Custom	Используйте пользовательское значение проверок N-Cross.

NlpVerticalFeaturizationSettings

Объект

Имя	Тип	Описание
datasetLanguage	string	Язык набора данных, полезный для текстовых данных.

NlpVerticalLimitSettings

Объект

Ограничения выполнения задания.

Имя	Тип	Default value	Описание
maxConcurrentTrials	integer (int32)	1	Максимальное число параллельных итераций AutoML.
maxTrials	integer (int32)	1	Число итераций AutoML.
timeout	string (duration)	P7D	Время ожидания задания AutoML.

NodesValueType

Перечисление

Перечисляемые типы для значения узлов

Значение	Описание
All

NotificationSetting

Объект

Конфигурация для уведомлений.

Имя	Тип	Описание
emailOn	EmailNotificationEnableType[]	Отправка уведомления электронной почты пользователю по указанному типу уведомлений
emails	string[]	Это список получателей электронной почты с ограничением 499 символов в общей сложности с разделителем запятых
webhooks	object	Отправка обратного вызова веб-перехватчика в службу. Ключ — это имя, предоставленное пользователем для веб-перехватчика.

ObjectDetectionPrimaryMetrics

Перечисление

Основные метрики для задачи Image ObjectDetection.

Значение	Описание
MeanAveragePrecision	Средняя средняя точность (MAP) — это среднее значение AP (Average Precision). AP рассчитывается для каждого класса и усредняется для получения MAP.

Objective

Объект

Цель оптимизации.

Имя	Тип	Описание
goal	Goal	[Обязательный] Определяет поддерживаемые цели метрик для настройки гиперпараметров
primaryMetric	string minLength: 1 pattern: [a-zA-Z0-9_]	[Обязательный] Имя метрики для оптимизации.

OutputDeliveryMode

Перечисление

Перечисления режима доставки выходных данных.

Значение	Описание
ReadWriteMount
Upload
Direct

PipelineJob

Объект

Определение задания конвейера: определяет универсальные атрибуты MFE.

Имя	Тип	Default value	Описание
componentId	string		Идентификатор ресурса ARM ресурса компонента.
computeId	string		Идентификатор ресурса ARM вычислительного ресурса.
description	string		Текст описания ресурса.
displayName	string		Отображаемое имя задания.
experimentName	string	Default	Имя эксперимента, к которому принадлежит задание. Если задание не задано, задание помещается в эксперимент по умолчанию.
identity	IdentityConfiguration: AmlToken ManagedIdentity UserIdentity		Конфигурация удостоверения. Если задано, это должен быть один из AmlToken, ManagedIdentity, UserIdentity или NULL. По умолчанию AmlToken имеет значение NULL.
inputs	object		Входные данные для задания конвейера.
isArchived	boolean	False	Архивируется ли ресурс?
jobType	string: Pipeline		[Обязательный] Указывает тип задания.
jobs			Задания создают задание конвейера.
notificationSetting	NotificationSetting		Параметр уведомления для задания
outputs	object		Выходные данные для задания конвейера
properties	object		Словарь свойств ресурса.
services	<string,  JobService>		Список заданий. Для локальных заданий конечная точка задания будет иметь значение конечной точки FileStreamObject.
settings			Параметры конвейера, например ContinueRunOnStepFailure и т. д.
sourceJobId	string		Идентификатор ресурса ARM исходного задания.
status	JobStatus		Статус задания.
tags	object		Словарь тегов. Теги можно добавлять, удалять и обновлять.

PyTorch

Объект

Конфигурация дистрибутива PyTorch.

Имя	Тип	Описание
distributionType	string: PyTorch	[Обязательный] Указывает тип платформы распространения.
processCountPerInstance	integer (int32)	Количество процессов на узел.

QueueSettings

Объект

Имя	Тип	Default value	Описание
jobTier	JobTier	Null	Перечисление для определения уровня задания.

RandomSamplingAlgorithm

Объект

Определяет алгоритм выборки, который генерирует значения случайным образом

Имя	Тип	Default value	Описание
rule	RandomSamplingAlgorithmRule	Random	Конкретный тип случайного алгоритма
samplingAlgorithmType	string: Random		[Обязательный] Алгоритм, используемый для создания значений гиперпараметров, а также свойств конфигурации
seed	integer (int32)		Необязательное целое число, используемое в качестве начального значения для случайного создания чисел

RandomSamplingAlgorithmRule

Перечисление

Конкретный тип случайного алгоритма

Значение	Описание
Random
Sobol

Regression

Объект

Задача регрессии в AutoML Table vertical.

Имя	Тип	Default value	Описание
cvSplitColumnNames	string[]		Столбцы, используемые для данных CVSplit.
featurizationSettings	TableVerticalFeaturizationSettings		Входные данные признаков, необходимые для задания AutoML.
limitSettings	TableVerticalLimitSettings		Ограничения выполнения для AutoMLJob.
logVerbosity	LogVerbosity	Info	Перечисление для установки детализации лога.
nCrossValidations	NCrossValidations: AutoNCrossValidations CustomNCrossValidations		Количество сверток перекрестной проверки, которые будут применены к набору данных для обучения, если набор данных для проверки не предоставлен.
primaryMetric	RegressionPrimaryMetrics	NormalizedRootMeanSquaredError	Основные метрики для задачи Регрессия.
targetColumnName	string		Имя целевого столбца: это столбец прогнозируемых значений. Также называется именем столбца метки в контексте задач классификации.
taskType	string: Regression		[Обязательный] Тип задачи для AutoMLJob.
testData	MLTableJobInput		Проверка входных данных.
testDataSize	number (double)		Доля тестового набора данных, который необходимо отложить для целей проверки. Значения от (0.0 , 1.0) Применяются, когда набор данных для проверки не предоставлен.
trainingData	MLTableJobInput		[Обязательный] Входные данные обучения.
trainingSettings	RegressionTrainingSettings		Входные данные для этапа обучения для задания AutoML.
validationData	MLTableJobInput		Входные данные проверки.
validationDataSize	number (double)		Доля обучающего набора данных, который необходимо выделить для целей проверки. Значения от (0.0 , 1.0) Применяются, когда набор данных для проверки не предоставлен.
weightColumnName	string		Имя столбца веса образца. Автоматизированное машинное обучение поддерживает взвешанный столбец в качестве входных данных, что приводит к тому, что строки в данных будут взвешированы вверх или вниз.

RegressionModels

Перечисление

Перечисление для всех регрессионных моделей, поддерживаемых AutoML.

Значение	Описание
ElasticNet	Эластичная сеть — это популярный тип регуляризованной линейной регрессии, который сочетает в себе два популярных штрафных режима, в частности функции штрафов L1 и L2.
GradientBoosting	Техника превращения недельных учеников в сильного ученика называется бустингом. Процесс алгоритма градиентного бустинга работает на основе этой теории выполнения.
DecisionTree	Деревья принятия решений — это непараметрический метод обучения с учителем, используемый как для классификационных, так и для регрессионных задач. Цель состоит в том, чтобы создать модель, которая прогнозирует значение целевой переменной путем изучения простых правил принятия решений, выведенных из признаков данных.
KNN	Алгоритм K-ближайших соседей (KNN) использует «сходство признаков» для прогнозирования значений новых точек данных, что также означает, что новой точке данных будет присвоено значение на основе того, насколько близко она совпадает с точками в обучающем наборе.
LassoLars	Модель лассо согласуется с регрессией наименьшего угла, также известной как Ларс. Это линейная модель, обученная с использованием приорного L1 в качестве регуляризатора.
SGD	SGD: Стохастический градиентный спуск — это алгоритм оптимизации, часто используемый в приложениях машинного обучения для поиска параметров модели, которые наилучшим образом соответствуют прогнозируемым и фактическим результатам. Это неточный, но мощный метод.
RandomForest	Случайный лес — это алгоритм обучения с учителем. «Лес», который он строит, представляет собой ансамбль деревьев решений, обычно обученных методом «бэггинга». Общая идея метода бэггинга заключается в том, что комбинация обучающих моделей увеличивает общий результат.
ExtremeRandomTrees	Extreme Trees — это алгоритм ансамбля машинного обучения, который объединяет прогнозы из множества деревьев решений. Он связан с широко используемым алгоритмом случайного леса.
LightGBM	LightGBM — это фреймворк градиентного бустинга, использующий алгоритмы обучения на основе дерева.
XGBoostRegressor	XGBoostRegressor: Extreme Gradient Boosting Regressor — это контролируемая модель машинного обучения, использующая ансамбль базовых учащихся.

RegressionPrimaryMetrics

Перечисление

Основные метрики для задачи Регрессия.

Значение	Описание
SpearmanCorrelation	Ранговый коэффициент корреляции Спирмена является непараметрической мерой ранговой корреляции.
NormalizedRootMeanSquaredError	Нормализованная среднеквадратичная ошибка (NRMSE) (Normalized Root Mean Squared Error, NRMSE) облегчает сравнение моделей с различными масштабами.
R2Score	Оценка R2 — это один из показателей оценки производительности для моделей машинного обучения на основе прогнозирования.
NormalizedMeanAbsoluteError	Нормализованная средняя абсолютная ошибка (NMAE) — это метрика проверки для сравнения средней абсолютной ошибки (MAE) (временных) рядов с различными шкалами.

RegressionTrainingSettings

Объект

Конфигурация, связанная с регрессионным обучением.

Имя	Тип	Default value	Описание
allowedTrainingAlgorithms	RegressionModels[]		Разрешенные модели для задачи регрессии.
blockedTrainingAlgorithms	RegressionModels[]		Заблокированные модели для задачи регрессии.
enableDnnTraining	boolean	False	Включите рекомендацию моделей DNN.
enableModelExplainability	boolean	True	Пометка для включения объяснимости для оптимальной модели.
enableOnnxCompatibleModels	boolean	False	Флаг включения совместимых моделей onnx.
enableStackEnsemble	boolean	True	Включите запуск ансамбля стека.
enableVoteEnsemble	boolean	True	Включите запуск ансамбля голосования.
ensembleModelDownloadTimeout	string (duration)	PT5M	Во время создания модели VotingEnsemble и StackEnsemble скачиваются несколько встроенных моделей из предыдущих дочерних запусков. Настройте этот параметр с более высоким значением, чем 300 с, если требуется больше времени.
stackEnsembleSettings	StackEnsembleSettings		Параметры ансамбля стека для выполнения ансамбля стека.

SamplingAlgorithmType

Перечисление

Значение	Описание
Grid
Random
Bayesian

SeasonalityMode

Перечисление

Режим прогнозирования сезонности.

Значение	Описание
Auto	Сезонность определяется автоматически.
Custom	Используйте пользовательское значение сезонности.

ShortSeriesHandlingConfiguration

Перечисление

Параметр, определяющий, как autoML должен обрабатывать короткие временные ряды.

Значение	Описание
None	Представляет значение no/null.
Auto	Короткие серии будут подбиты, если нет длинных серий, в противном случае короткие серии будут отброшены.
Pad	Все короткометражные сериалы будут с подкладкой.
Drop	Все короткометражные серии будут отброшены.

SparkJob

Объект

Определение задания Spark.

Имя	Тип	Default value	Описание
archives	string[]		Архивные файлы, используемые в задании.
args	string		Аргументы для задания.
codeId	string (arm-id) minLength: 1 pattern: [a-zA-Z0-9_]		[Обязательный] идентификатор arm ресурса кода.
componentId	string		Идентификатор ресурса ARM ресурса компонента.
computeId	string		Идентификатор ресурса ARM вычислительного ресурса.
conf	object		Настроенные свойства Spark.
description	string		Текст описания ресурса.
displayName	string		Отображаемое имя задания.
entry	SparkJobEntry: SparkJobPythonEntry SparkJobScalaEntry		[Обязательный] Запись, выполняемая при запуске задания.
environmentId	string (arm-id)		Идентификатор ресурса ARM спецификации среды для задания.
environmentVariables	object		Переменные среды, включенные в задание.
experimentName	string	Default	Имя эксперимента, к которому принадлежит задание. Если задание не задано, задание помещается в эксперимент по умолчанию.
files	string[]		Файлы, используемые в задании.
identity	IdentityConfiguration: AmlToken ManagedIdentity UserIdentity		Конфигурация удостоверения. Если задано, это должен быть один из AmlToken, ManagedIdentity, UserIdentity или NULL. По умолчанию AmlToken имеет значение NULL.
inputs	object		Сопоставление входных привязок данных, используемых в задании.
isArchived	boolean	False	Архивируется ли ресурс?
jars	string[]		Jar-файлы, используемые в задании.
jobType	string: Spark		[Обязательный] Указывает тип задания.
notificationSetting	NotificationSetting		Параметр уведомления для задания
outputs	object		Сопоставление привязок выходных данных, используемых в задании.
properties	object		Словарь свойств ресурса.
pyFiles	string[]		Python-файлы, используемые в этой работе.
queueSettings	QueueSettings		Параметры очереди для задания
resources	SparkResourceConfiguration		Конфигурация вычислительных ресурсов для задания.
services	<string,  JobService>		Список заданий. Для локальных заданий конечная точка задания будет иметь значение конечной точки FileStreamObject.
status	JobStatus		Статус задания.
tags	object		Словарь тегов. Теги можно добавлять, удалять и обновлять.

SparkJobEntryType

Перечисление

Значение	Описание
SparkJobPythonEntry
SparkJobScalaEntry

SparkJobPythonEntry

Объект

Имя	Тип	Описание
file	string minLength: 1 pattern: [a-zA-Z0-9_]	[Обязательный] Относительный путь к файлу Python для точки входа задания.
sparkJobEntryType	string: SparkJobPythonEntry	[Обязательный] Тип точки входа задания.

SparkJobScalaEntry

Объект

Имя	Тип	Описание
className	string minLength: 1 pattern: [a-zA-Z0-9_]	[Обязательный] Имя класса Scala, используемое в качестве точки входа.
sparkJobEntryType	string: SparkJobScalaEntry	[Обязательный] Тип точки входа задания.

SparkResourceConfiguration

Объект

Имя	Тип	Default value	Описание
instanceType	string		Необязательный тип виртуальной машины, используемой в качестве поддержки целевого объекта вычислений.
runtimeVersion	string	3.1	Версия среды выполнения Spark, используемая для задания.

StackEnsembleSettings

Объект

Расширены настройки для настройки запуска StackEnsemble.

Имя	Тип	Default value	Описание
stackMetaLearnerKWargs			Необязательные параметры для передачи инициализатору метаучителя.
stackMetaLearnerTrainPercentage	number (double)	0.2	Указывает пропорцию обучающего набора (при выборе типа обучения и проверки обучения), зарезервированного для обучения метаучителя. Значение по умолчанию — 0.2.
stackMetaLearnerType	StackMetaLearnerType	None	Мета-обучающийся — это модель, обучаемая на результатах отдельных гетерогенных моделей.\r\nСтандартными мета-обучающимися являются LogisticRegression для задач классификации (или LogisticRegressionCV, если включена кросс-валидация) и ElasticNet для задач регрессии/прогнозирования (или ElasticNetCV, если включена кросс-валидация).\r\nЭтот параметр может быть одной из следующих строк: LogisticRegression, LogisticRegressionCV, LightGBMClassifier, ElasticNet, ElasticNetCV, LightGBMRegressor или LinearRegression

StackMetaLearnerType

Перечисление

Мета-обучающийся — это модель, обучаемая на результатах отдельных гетерогенных моделей.\r\nСтандартными мета-обучающимися являются LogisticRegression для задач классификации (или LogisticRegressionCV, если включена кросс-валидация) и ElasticNet для задач регрессии/прогнозирования (или ElasticNetCV, если включена кросс-валидация).\r\nЭтот параметр может быть одной из следующих строк: LogisticRegression, LogisticRegressionCV, LightGBMClassifier, ElasticNet, ElasticNetCV, LightGBMRegressor или LinearRegression

Значение	Описание
None
LogisticRegression	Мета-учениками по умолчанию является LogisticRegression для задач классификации.
LogisticRegressionCV	Мета-обучающимися по умолчанию являются LogisticRegression для задачи классификации при включенном CV.
LightGBMClassifier
ElasticNet	Мета-учениками по умолчанию является LogisticRegression для задачи регрессии.
ElasticNetCV	По умолчанию мета-учениками является LogisticRegression для задачи регрессии, когда CV включен.
LightGBMRegressor
LinearRegression

StochasticOptimizer

Перечисление

Стохастический оптимизатор для моделей изображений.

Значение	Описание
None	Оптимизатор не выбран.
Sgd	Оптимизатор стохастического градиентного спуска.
Adam	Адам — алгоритм оптимизации стохастических целевых функций на основе адаптивных оценок моментов
Adamw	AdamW является вариантом оптимизатора Adam, который имеет улучшенную реализацию снижения веса.

SweepJob

Объект

Определение задания развертки.

Имя	Тип	Default value	Описание
componentId	string		Идентификатор ресурса ARM ресурса компонента.
computeId	string		Идентификатор ресурса ARM вычислительного ресурса.
description	string		Текст описания ресурса.
displayName	string		Отображаемое имя задания.
earlyTermination	EarlyTerminationPolicy: BanditPolicy MedianStoppingPolicy TruncationSelectionPolicy		Политики раннего завершения позволяют отменять низкопроизводительные запуски до их завершения
experimentName	string	Default	Имя эксперимента, к которому принадлежит задание. Если задание не задано, задание помещается в эксперимент по умолчанию.
identity	IdentityConfiguration: AmlToken ManagedIdentity UserIdentity		Конфигурация удостоверения. Если задано, это должен быть один из AmlToken, ManagedIdentity, UserIdentity или NULL. По умолчанию AmlToken имеет значение NULL.
inputs	object		Сопоставление входных привязок данных, используемых в задании.
isArchived	boolean	False	Архивируется ли ресурс?
jobType	string: Sweep		[Обязательный] Указывает тип задания.
limits	SweepJobLimits		Ограничение задания очистки.
notificationSetting	NotificationSetting		Параметр уведомления для задания
objective	Objective		[Обязательный] Цель оптимизации.
outputs	object		Сопоставление привязок выходных данных, используемых в задании.
properties	object		Словарь свойств ресурса.
queueSettings	QueueSettings		Параметры очереди для задания
samplingAlgorithm	SamplingAlgorithm: BayesianSamplingAlgorithm GridSamplingAlgorithm RandomSamplingAlgorithm		[Обязательный] Алгоритм выборки гиперпараметров
searchSpace			[Обязательный] Словарь, содержащий каждый параметр и его распределение. Ключ словаря — это имя параметра
services	<string,  JobService>		Список заданий. Для локальных заданий конечная точка задания будет иметь значение конечной точки FileStreamObject.
status	JobStatus		Статус задания.
tags	object		Словарь тегов. Теги можно добавлять, удалять и обновлять.
trial	TrialComponent		[Обязательный] Определение компонента пробной версии.

SweepJobLimits

Объект

Sweep Класс ограничения заданий.

Имя	Тип	Описание
jobLimitsType	string: Sweep	[Обязательный] Тип JobLimit.
maxConcurrentTrials	integer (int32)	Максимальное число параллельных пробных версий задания очистки.
maxTotalTrials	integer (int32)	Максимальное количество пробных версий заданий для очистки.
timeout	string (duration)	Максимальная длительность выполнения в формате ISO 8601, после которой задание будет отменено. Поддерживается только длительность с точностью до секунд.
trialTimeout	string (duration)	Значение времени ожидания пробной версии задания подметки.

systemData

Объект

Метаданные, относящиеся к созданию и последнему изменении ресурса.

Имя	Тип	Описание
createdAt	string (date-time)	Метка времени создания ресурса (UTC).
createdBy	string	Удостоверение, создающее ресурс.
createdByType	createdByType	Тип удостоверения, создавшего ресурс.
lastModifiedAt	string (date-time)	Метка времени последнего изменения ресурса (UTC)
lastModifiedBy	string	Идентификатор, который последний раз изменил ресурс.
lastModifiedByType	createdByType	Тип удостоверения, который последний раз изменил ресурс.

TableVerticalFeaturizationSettings

Объект

Конфигурация конфигурирования.

Имя	Тип	Default value	Описание
blockedTransformers	BlockedTransformers[]		Эти преобразователи не должны использоваться в признаках.
columnNameAndTypes	object		Словарь имени столбца и его типа (int, float, string, datetime и т. д.).
datasetLanguage	string		Язык набора данных, полезный для текстовых данных.
enableDnnFeaturization	boolean	False	Определяет, следует ли использовать признаки на основе Dnn для признаков данных.
mode	FeaturizationMode	Auto	Режим признаков . Пользователь может сохранить режим авто по умолчанию, и AutoML будет заботиться о необходимом преобразовании данных на этапе признаков. Если выбрано значение "Выкл.", то нет признаков. Если выбран параметр Custom, пользователь может указать дополнительные входные данные, чтобы настроить способ выполнения признаков.
transformerParams	object		Пользователь может указать дополнительные преобразователи, которые будут использоваться вместе со столбцами, к которым он будет применяться, и параметрами для конструктора преобразователя.

TableVerticalLimitSettings

Объект

Ограничения выполнения задания.

Имя	Тип	Default value	Описание
enableEarlyTermination	boolean	True	Включите досрочное завершение, определяет, будет ли autoMLJob завершаться рано, если в последних 20 итерациях не будет улучшена оценка.
exitScore	number (double)		Оценка выхода для задания AutoML.
maxConcurrentTrials	integer (int32)	1	Максимальное число одновременных итераций.
maxCoresPerTrial	integer (int32)	-1	Максимальное число ядер на итерацию.
maxTrials	integer (int32)	1000	Число итераций.
timeout	string (duration)	PT6H	Время ожидания задания AutoML.
trialTimeout	string (duration)	PT30M	Время ожидания итерации.

TargetAggregationFunction

Перечисление

Целевая агрегатная функция.

Значение	Описание
None	Не представлять набор значений.
Sum
Max
Min
Mean

TargetLagsMode

Перечисление

Целевые задержки выбора режимов.

Значение	Описание
Auto	Целевые задержки должны определяться автоматически.
Custom	Используйте пользовательские целевые задержки.

TargetRollingWindowSizeMode

Перечисление

Целевой режим размера скользящих окон.

Значение	Описание
Auto	Автоматическое определение размера скользящих окон.
Custom	Используйте указанный размер скользящего окна.

TaskType

Перечисление

AutoMLJob Тип задачи.

Значение	Описание
Classification	Классификация в машинном обучении и статистике — это контролируемый подход к обучению, при котором компьютерная программа учится на полученных ей данных и делает новые наблюдения или классификации.
Regression	Регрессия означает прогнозирование значения с использованием входных данных. Регрессионные модели используются для прогнозирования непрерывного значения.
Forecasting	Прогнозирование — это особый вид регрессионной задачи, который имеет дело с данными временных рядов и создает модель прогнозирования, которую можно использовать для прогнозирования ближайших будущих значений на основе входных данных.
ImageClassification	Классификация изображений. Многоклассовая классификация изображений используется, когда изображение классифицируется только с одной меткой из набора классов - например, каждое изображение классифицируется как изображение "кошки", "собаки" или "утки".
ImageClassificationMultilabel	Классификация изображений с несколькими метками. Классификация изображений с несколькими метками используется, когда изображение может иметь одну или несколько меток из набора меток - например, изображение может быть помечено как "кошка", так и "собака".
ImageObjectDetection	Обнаружение объектов изображения. Обнаружение объектов используется для идентификации объектов на изображении и определения местоположения каждого объекта с помощью ограничивающего прямоугольника, например, для определения местоположения всех собак и кошек на изображении и создания ограничивающего прямоугольника вокруг каждого из них.
ImageInstanceSegmentation	Сегментация экземпляров изображений. Сегментация экземпляров используется для идентификации объектов на изображении на уровне пикселей, рисуя многоугольник вокруг каждого объекта на изображении.
TextClassification	Классификация текста (также известная как тегирование текста или категоризация текста) — это процесс сортировки текстов по категориям. Категории являются взаимоисключающими.
TextClassificationMultilabel	Задача классификации по нескольким меткам назначает каждый образец группе (ноль или более) целевых меток.
TextNER	Распознавание текстовых именованных сущностей также известное как TextNER. Распознавание именованных сущностей (NER) — это возможность брать текст в свободной форме и идентифицировать вхождения сущностей, такие как люди, местоположения, организации и т. д.

TensorFlow

Объект

Конфигурация распределения TensorFlow.

Имя	Тип	Default value	Описание
distributionType	string: TensorFlow		[Обязательный] Указывает тип платформы распространения.
parameterServerCount	integer (int32)	0	Количество задач сервера параметров.
workerCount	integer (int32)		Количество работников. Если этот параметр не указан, по умолчанию используется число экземпляров.

TextClassification

Объект

Задача классификации текста в вертикали AutoML NLP. NLP - обработка естественного языка.

Имя	Тип	Default value	Описание
featurizationSettings	NlpVerticalFeaturizationSettings		Входные данные признаков, необходимые для задания AutoML.
limitSettings	NlpVerticalLimitSettings		Ограничения выполнения для AutoMLJob.
logVerbosity	LogVerbosity	Info	Перечисление для установки детализации лога.
primaryMetric	ClassificationPrimaryMetrics	Accuracy	Основные метрики для задач классификации.
targetColumnName	string		Имя целевого столбца: это столбец прогнозируемых значений. Также называется именем столбца метки в контексте задач классификации.
taskType	string: TextClassification		[Обязательный] Тип задачи для AutoMLJob.
trainingData	MLTableJobInput		[Обязательный] Входные данные обучения.
validationData	MLTableJobInput		Входные данные проверки.

TextClassificationMultilabel

Объект

Задача "Классификация текста с несколькими метками" в AutoML NLP vertical . NLP - обработка естественного языка.

Имя	Тип	Default value	Описание
featurizationSettings	NlpVerticalFeaturizationSettings		Входные данные признаков, необходимые для задания AutoML.
limitSettings	NlpVerticalLimitSettings		Ограничения выполнения для AutoMLJob.
logVerbosity	LogVerbosity	Info	Перечисление для установки детализации лога.
primaryMetric	ClassificationMultilabelPrimaryMetrics		Основная метрика для задачи Text-Classification-Multilabel. В настоящее время в качестве основной метрики поддерживается только точность, поэтому пользователю не нужно задавать ее явно.
targetColumnName	string		Имя целевого столбца: это столбец прогнозируемых значений. Также называется именем столбца метки в контексте задач классификации.
taskType	string: TextClassificationMultilabel		[Обязательный] Тип задачи для AutoMLJob.
trainingData	MLTableJobInput		[Обязательный] Входные данные обучения.
validationData	MLTableJobInput		Входные данные проверки.

TextNer

Объект

Text-NER задача в вертикали AutoML NLP. NER - распознавание именованных сущностей. NLP - обработка естественного языка.

Имя	Тип	Default value	Описание
featurizationSettings	NlpVerticalFeaturizationSettings		Входные данные признаков, необходимые для задания AutoML.
limitSettings	NlpVerticalLimitSettings		Ограничения выполнения для AutoMLJob.
logVerbosity	LogVerbosity	Info	Перечисление для установки детализации лога.
primaryMetric	ClassificationPrimaryMetrics		Основная метрика для Text-NER задачи. Для Text-NER поддерживается только 'Accuracy', поэтому пользователю не нужно устанавливать его явно.
targetColumnName	string		Имя целевого столбца: это столбец прогнозируемых значений. Также называется именем столбца метки в контексте задач классификации.
taskType	string: TextNER		[Обязательный] Тип задачи для AutoMLJob.
trainingData	MLTableJobInput		[Обязательный] Входные данные обучения.
validationData	MLTableJobInput		Входные данные проверки.

TrialComponent

Объект

Определение компонента пробной версии.

Имя	Тип	Описание
codeId	string	Идентификатор ресурса ARM ресурса ресурса кода.
command	string minLength: 1 pattern: [a-zA-Z0-9_]	[Обязательный] Команда, выполняемая при запуске задания. eg. "Python train.py"
distribution	DistributionConfiguration: Mpi PyTorch TensorFlow	Конфигурация распределения задания. Если задано, это должен быть один из Mpi, Tensorflow, PyTorch или NULL.
environmentId	string minLength: 1 pattern: [a-zA-Z0-9_]	[Обязательный] Идентификатор ресурса ARM спецификации среды для задания.
environmentVariables	object	Переменные среды, включенные в задание.
resources	JobResourceConfiguration	Конфигурация вычислительных ресурсов для задания.

TritonModelJobInput

Объект

Имя	Тип	Default value	Описание
description	string		Описание входных данных.
jobInputType	string: triton_model		[Обязательный] Указывает тип задания.
mode	InputDeliveryMode	ReadOnlyMount	Перечисление для определения режима доставки входных данных.
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[Обязательный] URI входных ресурсов.

TritonModelJobOutput

Объект

Имя	Тип	Default value	Описание
assetName	string		Имя выходного ресурса.
description	string		Описание выходных данных.
jobOutputType	string: triton_model		[Обязательный] Указывает тип задания.
mode	OutputDeliveryMode	ReadWriteMount	Перечисления режима доставки выходных данных.
uri	string		URI выходного ресурса.

TruncationSelectionPolicy

Объект

Определяет политику досрочного завершения, которая отменяет определенный процент запусков в каждом интервале оценки.

Имя	Тип	Default value	Описание
delayEvaluation	integer (int32)	0	Количество интервалов, с помощью которых необходимо отложить первую оценку.
evaluationInterval	integer (int32)	0	Интервал (количество запусков) между оценками политики.
policyType	string: TruncationSelection		[Обязательный] Имя конфигурации политики
truncationPercentage	integer (int32)	0	Процент выполнения для отмены по каждому интервалу оценки.

UriFileJobInput

Объект

Имя	Тип	Default value	Описание
description	string		Описание входных данных.
jobInputType	string: uri_file		[Обязательный] Указывает тип задания.
mode	InputDeliveryMode	ReadOnlyMount	Перечисление для определения режима доставки входных данных.
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[Обязательный] URI входных ресурсов.

UriFileJobOutput

Объект

Имя	Тип	Default value	Описание
assetName	string		Имя выходного ресурса.
description	string		Описание выходных данных.
jobOutputType	string: uri_file		[Обязательный] Указывает тип задания.
mode	OutputDeliveryMode	ReadWriteMount	Перечисления режима доставки выходных данных.
uri	string		URI выходного ресурса.

UriFolderJobInput

Объект

Имя	Тип	Default value	Описание
description	string		Описание входных данных.
jobInputType	string: uri_folder		[Обязательный] Указывает тип задания.
mode	InputDeliveryMode	ReadOnlyMount	Перечисление для определения режима доставки входных данных.
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[Обязательный] URI входных ресурсов.

UriFolderJobOutput

Объект

Имя	Тип	Default value	Описание
assetName	string		Имя выходного ресурса.
description	string		Описание выходных данных.
jobOutputType	string: uri_folder		[Обязательный] Указывает тип задания.
mode	OutputDeliveryMode	ReadWriteMount	Перечисления режима доставки выходных данных.
uri	string		URI выходного ресурса.

UserIdentity

Объект

Настройка удостоверений пользователей.

Имя	Тип	Описание
identityType	string: UserIdentity	[Обязательный] Указывает тип платформы удостоверений.

UseStl

Перечисление

Настройте декомпозицию STL целевого столбца временных рядов.

Значение	Описание
None	Без разложения stl.
Season
SeasonTrend

ValidationMetricType

Перечисление

Метод вычисления метрик для использования для проверки метрик в задачах обработки изображений.

Значение	Описание
None	Нет метрики.
Coco	Кокосовая метрика.
Voc	Voc метрический.
CocoVoc	Метрика CocoVoc.

WebhookType

Перечисление

Enum для определения типа службы обратного вызова вебхука.

Значение	Описание
AzureDevOps