Share via

Indata och utdata

  • Artikel

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