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.
- Se information om hur du flyttar maskininlärningsprojekt från ML Studio (klassisk) till Azure Machine Learning.
- Läs mer om Azure Machine Learning.
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.