ML Studio (klasik) modülü açıklamaları
Önemli
Machine Learning Stüdyosu (klasik) desteği 31 Ağustos 2024'te sona erecektir. Bu tarihe kadar Azure Machine Learning'e geçmenizi öneririz.
1 Aralık 2021'den başlayarak artık yeni Machine Learning Stüdyosu (klasik) kaynakları oluşturamayacaksınız. 31 Ağustos 2024'e kadar mevcut Machine Learning Stüdyosu (klasik) kaynaklarını kullanmaya devam edebilirsiniz.
- Makine öğrenmesi projelerini ML Studio'dan (klasik) Azure Machine Learning.
- Daha fazla bilgi Azure Machine Learning.
ML Stüdyosu (klasik) belgeleri kullanımdan kaldırılacak ve gelecekte güncelleştirilmeyecektir.
Bu konu, tahmine dayalı modelleri kolayca derlemeye ve test etmek için etkileşimli ve görsel bir çalışma alanı olan Machine Learning Studio'ya (klasik) dahil olan tüm modüllere genel bir bakış sağlar.
Not
Uygulama: Machine Learning Studio (yalnızca klasik)
Benzer sürükle ve bırak modülleri tasarımcıda da Azure Machine Learning kullanılabilir.
Modül nedir?
Machine Learning Studio'da (klasik) modül, deneme oluşturmak için kullanılan bir yapı taşıdır. Her modül, çalışma alanınız üzerinde veri üzerinde eyleme geçen belirli bir makine öğrenmesi algoritmasını, işlevi veya kod kitaplığını kapsüller. Modüller, verileri paylaşmak ve değiştirmek için diğer modüllerden gelen bağlantıları kabul etmek üzere tasarlanmıştır.
Her modülde çalışan kod birçok farklı kaynaktan gelir. Bunlar arasında açık kaynak kitaplıklar ve diller, Microsoft Research tarafından geliştirilen algoritmalar ve Azure ve diğer bulut hizmetleriyle çalışma araçları yer alır.
İpucu
Makine öğrenmesi algoritmalarını mı arıyorsunuz? Karar ağaçları Machine Learning, sinir ağları ve diğer modüller için modülleri içeren veri kategorisine bakın. Train veEvaluate kategorileri , modellerinizi eğitip test etmeye yardımcı olacak modüller içerir.
Modülleri bağlayarak ve yapılandırarak, dış kaynaklardan verileri okuyabilen, analiz için hazırlar, makine öğrenmesi algoritmaları uygulanan ve sonuçlar oluşturan bir iş akışı oluşturabilirsiniz.
Machine Learning Studio'da (klasik) bir deneme açık olduğunda sol gezinti bölmesinde geçerli modüllerin tam listesini görebilirsiniz. Bu yapı taşlarını denemenize sürükler ve ardından bunları bağarak deneme adı verilen eksiksiz bir makine öğrenmesi iş akışı oluşturabilirsiniz.
Bazen modüller yeni işlevler eklemek veya eski kodu kaldırmak için güncelleştirilir. Bu durumda, modülü kullanan oluşturduğunuz tüm denemeler çalışmaya devam eder. Ancak denemeyi bir sonraki aç farklı bir modülde yükseltmeniz veya farklı bir modül kullanmanız istenir.
Örnekler
Eksiksiz bir makine öğrenmesi denemesi oluşturma örneği için şu öğreticilere bakın:
Machine Learning kullanarak tahmine dayalı bir Machine Learning
Machine Learning Studio'da basit bir deneme oluşturma (klasik)
Modül kategorileri
İlgili modülleri daha kolay bulmak için Machine Learning Studio'daki (klasik) makine öğrenmesi araçları bu kategorilere göre gruplandırıldı.
Veri Biçimi dönüştürmeleri
Verileri diğer makine öğrenmesi araçları veya biçimleri tarafından kullanılan biçimlerden biri haline dönüştürmek için bu modülleri kullanın.
-
Hadoop kümeleri, Azure Tablo depolama ve web URL'leri dahil olmak üzere bulut veri kaynaklarından veri ve modelleri okumak için bu modülleri kullanın. Sonuçları depolama alanına veya veritabanına yazmak için de bu modülleri kullanabilirsiniz.
-
Verileri analize hazırlamak için bu modülleri kullanın. Veri türlerini değiştirebilir, sütunları özellik veya etiket olarak bayrakla gösterebilirsiniz, özellik oluşturabilirsiniz ve verileri ölçeklendirip normalleştirebilirsiniz.
-
Dijital sinyal işlemeden türetilen sayısal verileri dönüştürme.
-
Büyük veri kümelerini sıkıştırılmış bir şekilde açıklayan özellikler oluşturmak için ortak olasılık dağıtımlarını kullanın.
-
Bu grup, veri bilimi için çeşitli araçlar sağlar. Örneğin, eksik değerleri kaldırabilir veya değiştirebilir, sütunların bir alt kümesini seçebilir, sütun ekleyebilir veya iki veri kümesini bir ekleyebilirsiniz.
-
Eğitim ve test kümeleri oluşturmak veya belirli satırları yalıtmak için veri kümelerini ölçütlere veya boyuta göre bölün.
-
Sayısal verileri dönüştürme.
Özellik Seçimi
Yaygın olarak araştırilen istatistiksel yöntemleri kullanarak verilerinizde en iyi özellikleri belirlemek için bu modülleri kullanın.
Machine Learning
Bu grup, uygulama tarafından desteklenen makine öğrenmesi algoritmalarının çoğunu Machine Learning.
Ayrıca modelleri eğiterek, puanlar üreterek ve model performansını değerlendirerek algoritmaları desteklemeye yönelik modüller de içerir.
-
Modeli eğittikten sonra bu araçları kullanarak modelin doğruluğunu ölçün.
-
Bu modüller, parametreleri ayarerek özelleştirebileceğiniz makine öğrenmesi algoritmalarını sağlar. Bu bölümdeki algoritmalar türe göre gruplandı:
-
Algoritma aracılığıyla yeni veriler geçiş yapmak ve değerlendirme için bir dizi sonuç oluşturmak için bu modülleri kullanın. Tahmine dayalı bir hizmetin parçası olarak puanlama sonuçlarını da kullanabilirsiniz.
-
Bu modüller, sizin sağlamış olduğunuz veriler üzerinde başlatılmış bir makine öğrenmesi modelini eğitiyor.
OpenCV Kitaplık Modülleri
Bu modüller, görüntü işleme ve görüntü sınıflandırma için popüler açık kaynak kitaplıklarına kolay erişim sağlar.
R Dil Modülleri
Denemenize özel R kodu eklemek veya R paketini temel alan bir makine öğrenmesi modeli uygulamak için bu modülleri kullanın.
Python Dil Modülleri
Denemenize özel Python kodu eklemek için bu modülleri kullanın.
İstatistiksel İşlevler
Olasılık dağılımlarını hesaplamak, özel hesaplamalar oluşturmak ve sayısal değişkenlerle ilgili çok çeşitli görevleri gerçekleştirmek için bu modülleri kullanın.
Metin Analizi
Özellik karması ve adlandırılmış varlık tanıma gerçekleştirmek veya doğal dil işleme araçlarını kullanarak metinleri önceden işlemek için bu modülleri kullanın.
Zaman Serisi
Zaman serisi verileri için özel olarak tasarlanmış algoritmaları kullanarak eğilim anomalilerini değerlendirmek için bu modülleri kullanın.
İlişkili görevler
Machine Learning Studio (klasik) modülleri, Azure Data Factory gibi diğer araçlarda desteklenen veri tümleştirme araçlarını yinelemeye Azure Data Factory. Bunun yerine, modüller makine öğrenmesi için özel işlevler sağlar:
- Verileri normalleştirme, gruplama ve ölçeklendirme
- Verilerin istatistiksel dağılımını hesaplama
- Diğer makine öğrenmesi biçimlerine dönüştürme
- Makine öğrenmesi denemeleri için kullanılan verileri içeri aktarma ve sonuçları dışarı aktarma
- Metin analizi, özellik seçimi ve boyutsallığı azaltma
Veri işleme ve depolama için daha gelişmiş tesislere ihtiyacınız varsa aşağıdakilere bakın:
- Azure Data Factory: Enterprise hazır, bulut veri işleme işlem hatları.
- Azure SQL Veritabanı: Makine öğrenmesi için tümleşik erişime sahip ölçeklenebilir depolama.
- CosmosDB: NoSQL veri deposu; Machine Learning Studio'ya (klasik) veri aktarma.
- Azure Data Lake Analytics: Büyük veri üzerinde dağıtılmış analiz.
- Stream Analytics: nesnelerin interneti için olay işleme.
- Azure Metin Analizi: metin işleme için birden çok seçenek ve konuşma, görüntü ve yüz tanıma için ilgili bilişsel hizmetler.
- Azure Databricks: Spark tabanlı analiz platformu.