Not
Åtkomst till den här sidan kräver auktorisering. Du kan prova att logga in eller ändra kataloger.
Åtkomst till den här sidan kräver auktorisering. Du kan prova att ändra kataloger.
Följande artiklar hjälper dig att komma igång med Azure Machine Learning. Rest-API:er för Azure Machine Learning v2, Azure CLI-tillägget och Python SDK är utformade för att effektivisera hela maskininlärningslivscykeln och påskynda produktionsarbetsflöden. Länkarna i den här artikeln riktar sig till v2, vilket rekommenderas om du startar ett nytt maskininlärningsprojekt.
Komma igång
I Azure Machine Learning är arbetsytan den viktigaste resursen som organiserar och hanterar allt du skapar, till exempel datauppsättningar, modeller och experiment.
- Snabbstart: Kom igång med Azure Machine Learning
- Hantera Azure Machine Learning-arbetsytor i portalen eller med Python SDK (v2)
- Kör Jupyter-notebookar i din arbetsyta
- Självstudie: Modellutveckling på en molnarbetsstation
Implementera modeller
Distribuera modeller för maskininlärningsförutsägelser med låg latens i realtid.
- Självstudie: Designer – distribuera en maskininlärningsmodell
- Distribuera och poängsätta en maskininlärningsmodell med hjälp av en onlineslutpunkt
Automatiserad maskininlärning
Automatiserad ML (AutoML) avser processen för att effektivisera utvecklingen av maskininlärningsmodeller genom att automatisera dess repetitiva och tidskrävande uppgifter.
- Träna en regressionsmodell med AutoML och Python (SDK v1)
- Konfigurera AutoML-träning för tabelldata med Azure Machine Learning CLI och Python SDK (v2)
Dataåtkomst
Med Azure Machine Learning kan du importera data från din lokala dator eller ansluta till befintliga molnlagringstjänster.
- Skapa och hantera datatillgångar
- Självstudie: Ladda upp, komma åt och utforska dina data i Azure Machine Learning
- Komma åt data i ett jobb
Maskininlärningspipelines
Använd maskininlärningspipelines för att skapa arbetsflöden som ansluter olika steg i ML-processen.