Dela via

Indata och utdata

Viktigt

Stödet för Machine Learning Studio (klassisk) upphör den 31 augusti 2024. Vi rekommenderar att du byter till Azure Machine Learning innan dess.

Från och med den 1 december 2021 kan du inte längre skapa nya Machine Learning Studio-resurser (klassisk). Du kan fortsätta att använda befintliga Machine Learning Studio-resurser (klassisk) till och med den 31 augusti 2024.

Dokumentationen om ML Studio (klassisk) håller på att dras tillbaka och kanske inte uppdateras i framtiden.

Anteckning

Gäller endast för: Machine Learning Studio (klassisk)

Liknande dra och släpp-moduler är tillgängliga i Azure Machine Learning designer.

Den här artikeln innehåller de moduler som du kan använda för att importera och exportera data och modeller i Machine Learning Studio (klassisk).

Förutom att använda moduler kan du ladda upp och ladda ned datauppsättningar direkt från lokala filer på datorn eller nätverket. Mer information finns i Upload befintliga data i ett Machine Learning experiment.

Här är några av de källor som du kan använda för att importera och exportera data och modeller i Machine Learning Studio (klassisk):

  • Hämta data från källor i molnet, till exempel Azure SQL Database, Azure SQL Data Warehouse, Azure Storage och Azure Cosmos DB. Du kan också importera data som tillhandahålls som en offentlig webb-URL, hämta data från Hadoop med hjälp av en Hive-fråga eller fråga en lokal SQL server.
  • Läs in en samling avbildningar från Azure Blob Storage som ska användas i bildklassificeringsuppgifter.
  • Extrahera data från komprimerade filer som du laddade upp till Machine Learning. Du kan använda datauppsättningarna i experiment.
  • Skapa små datauppsättningar genom att skriva i Machine Learning Studio-gränssnittet (klassisk). Detta kan vara praktiskt för att skapa små testdatamängder.
  • Spara dina resultat eller mellanliggande data till Azure Table Storage, Blob Storage, SQL databas eller en Hive-fråga.
  • Hämta en tränad modell från en URL eller Blob Storage och använd den sedan i ett experiment.

Anteckning

Modulerna i den här gruppen flyttar endast data till eller från Machine Learning Studio (klassisk). Du kan inte använda modulerna för att filtrera, omvandla eller transformera data under import- eller exportprocessen.

Mer information om hur du transformerar och filtrerar data i Machine Learning Studio (klassisk) finns i Datatransformering.

Resurser

I följande artiklar introduceras vanliga datascenarier inom maskininlärning:

Kom igång

Lär dig hur du hanterar data för maskininlärning i molnet. Informationen i den här artikeln baseras på DM FÖR FÖRETAG, en branschstandard. Artikeln innehåller genomgångar från slutet till slut som visar integreringen av maskininlärning med molndatalösningar som Azure HDInsight och SQL Database.

I den här artikeln beskrivs hur du hämtar dina data till Azure och sedan skapar ett experiment.

Avancerad datavetenskap

Lär dig hur du installerar Machine Learning Python-klientbiblioteket och sedan använder det för att komma åt metadata och arbeta med datauppsättningar.

Exempelexperiment

Lista över moduler

Kategorin Indata och utdata innehåller följande moduler:

  • Ange data manuellt: Gör att du kan skapa små datauppsättningar genom att skriva värden.
  • Exportera data: Skriver en datauppsättning till webb-URL:er eller till olika former av molnbaserad lagring i Azure, till exempel tabeller, blobar eller SQL databas.
  • Importera data: Läser in data från externa källor på webben och från olika former av molnbaserad lagring i Azure, till exempel Table Storage, Blob Storage, SQL Database, SQL Data Warehouse, Azure Cosmos DB eller en Hive-fråga. Du kan också importera data från en lokal SQL Server databas.
  • Läs in tränad modell: Hämtar en tränad modell från en URL eller Blob Storage som ska användas i ett bedömningsexperiment.
  • Packa upp komprimerade datauppsättningar: Dekomprimerar en datauppsättning som har lagrats i komprimerat format och lägger sedan till datauppsättningen på din arbetsyta.

Se även

  • Last updated on