了解 Microsoft 的機器學習產品和技術。 比較各個選項，以幫助您選擇最有效的方式來建置、部署和管理您的機器學習解決方案。
以下選項可用於 Azure 雲端中的機器學習。
| 雲端選項 | 描述 | 功能和用途 |
|---|---|---|
| Azure Machine Learning | 機器學習受控平台 | 使用預先定型的模型，或使用 Python 和 CLI 在 Azure 上定型、部署及管理模型。 Machine Learning 包含自動化機器學習（AutoML）、提示流程、模型類別目錄和 MLflow 整合等功能。 您可以在生產階段追蹤及瞭解模型效能。 |
| Microsoft Fabric | 整合分析平台 | 使用整合數據專業人員的各種服務和工具的完整平臺，包括數據工程師、數據科學家和商務分析師，來管理整個數據生命週期，從擷取到深入解析。 |
| Azure AI 服務 | 透過 REST API 和 SDK 實作的預先建置 AI 功能 | 使用標準程式設計語言建置智慧型應用程式。 這些語言會呼叫提供推斷的 API。 雖然您應該在理想情況下具備機器學習和數據科學專業知識，但沒有這些技能的工程小組也可以採用此平臺。 |
| Azure SQL 受控實例機器學習服務 | 資料庫內的 SQL 機器學習 | 在 SQL 受控實例內定型和部署模型。 |
| Azure Synapse Analytics 中的機器學習 | 使用機器學習的分析服務 | 在 Azure Synapse Analytics 內定型和部署模型。 |
| Azure Databricks | 以 Apache Spark 為基礎的分析平台 | 藉由與開放原始碼機器學習連結庫和 MLflow 平臺整合，來建置和部署模型和數據工作流程。 |
下列選項適用於內部部署機器學習服務。 內部部署伺服器也可以在雲端的虛擬機 （VM） 中執行。
| 內部部署產品 | 描述 | 功能和用途 |
|---|---|---|
| SQL Server 機器學習服務 | SQL 的資料庫內機器學習 | 使用 Python 和 R 腳本在 SQL Server 內定型和部署模型。 |
以下開發平台和工具可用於機器學習。
| 平臺或工具 | 描述 | 功能和用途 |
|---|---|---|
| Azure AI Foundry 入口網站 | AI 和機器學習案例的整合開發環境 | 開發、評估和部署 AI 模型和應用程式。 Azure AI Foundry 入口網站可跨各種 Azure AI 服務促進共同作業和專案管理。 您甚至可以將其當做多個工作負載小組的共同環境使用。 |
| Azure Machine Learning Studio | 協作式拖放工具，用於機器學習 | 使用最少的程式代碼來建置、測試及部署預測性分析解決方案。 Machine Learning Studio 支援各種不同的機器學習演算法和 AI 模型。 它提供數據準備、模型定型和評估的工具。 |
| Azure 資料科學虛擬機器 | 包含預安裝數據科學工具的 VM 映像 | 使用預先設定的環境搭配 Jupyter、R 和 Python 等工具，在您自己的 VM 上開發機器學習解決方案。 |
| Microsoft ML.NET | 開放原始碼、跨平台機器學習 SDK | 開發適用於 .NET 應用程式的機器學習解決方案。 |
| 適用於 Windows 應用程式的 AI | Windows 裝置上定型模型的推斷引擎 | 使用 Windows Machine Learning （WinML） 和 Direct Machine Learning （DirectML） 等元件，將 AI 功能整合到 Windows 應用程式中，以進行本機、即時 AI 模型評估和硬體加速。 |
| SynapseML | 適用於 Apache Spark 的開放原始碼分散式機器學習和微服務架構 | 為 Scala 和 Python 建立和部署可擴展的機器學習應用程式。 |
| 適用於 Azure Data Studio 的 機器學習延伸模組 | Azure Data Studio 的開放原始碼與跨平台機器學習擴充功能 | 管理套件、匯入機器學習模型、進行預測，以及建立筆記本來執行 SQL 資料庫的實驗。 |
Machine Learning 是完全受控的雲端服務，可用來大規模定型、部署和管理機器學習模型。 它完全支持開放原始碼技術，因此您可以使用數以萬計的開放原始碼 Python 套件，例如 TensorFlow、PyTorch 和 scikit-learn。
豐富的工具，如 計算實例、Jupyter Notebook、或 Visual Studio Code 的Azure Machine Learning 擴充功能，亦可供使用。 適用於 VS Code 的 Machine Learning 擴充功能是免費的擴充功能，可讓您管理 VS Code 中的資源和模型定型工作流程和部署。 機器學習包含具有輕鬆自動化生成和調整模型的功能，同時兼顧效率和準確性。
使用 Python SDK、Jupyter Notebook、R 和 CLI 進行雲端規模的機器學習。 如果您想要低程式碼或無程式代碼選項，請在 Studio 中使用 Designer。 設計工具使用預先建置的機器學習演算法，協助您輕鬆快速地建置、測試及部署模型。 此外，您可以將機器學習與 Azure DevOps 和 GitHub Actions 整合，以實現機器學習模型的持續整合和持續部署（CI/CD）。
| Machine Learning 功能 | 描述 |
|---|---|
| 類型 | 雲端式機器學習解決方案 |
| 支援的語言 | - Python 程式語言 - R |
| 機器學習階段 | - 數據準備 - 模型訓練 -部署 - MLOps 或者管理 - 負責任的 AI |
| 主要優點 | - 代碼優先（SDK）、Studio 以及拖放設計介面的網頁撰寫選項 - 集中管理文本和執行歷程記錄，可讓您輕鬆地比較模型版本 - 將模型輕鬆部署和管理到雲端或邊緣裝置 - 可調整機器學習模型的訓練、部署和管理 |
| 考量 | 需要對模型管理概念有一些熟悉。 |
AI 服務 是一套完整的預建 API，能幫助開發人員和組織快速開發具智能、符合市場需求的應用程式。 這些服務提供現用且可自定義的 API 和 SDK，可讓您的應用程式使用最少的程式代碼來查看、聆聽、說話、瞭解及解譯使用者需求。 這些功能可讓數據集或數據科學專業知識不必要地定型模型。 您可以將智慧型功能新增至您的應用程式，例如：
使用 AI 服務跨裝置和平台開發應用程式。 API 會持續改善且易於設定。
| AI 服務功能 | 描述 |
|---|---|
| 類型 | 用於建立智慧應用程式的 API |
| 支援的語言 | 根據服務的不同有不同的選擇。 標準選項包括 C#、Java、JavaScript 和 Python。 |
| 機器學習階段 | 部署 |
| 主要優點 | - 使用透過 REST API 和 SDK 提供的預先定型模型來建置智慧型應用程式 - 針對具有視覺、語音、語言和決策功能的自然通訊方法使用各種模型 - 不需要或最少的機器學習或數據科學專業知識 - API 可調整且具有彈性 - 您可以從各種模型中選擇 |
SQL 機器學習在 Python 和 R 中為內部部署和雲端的關聯式資料新增了統計分析、資料視覺化和預測分析。 目前的平台和工具包括：
當您需要對 SQL 中的關聯式資料進行內建 AI 和預測分析時，請使用 SQL 機器學習。
| SQL 機器學習功能 | 描述 |
|---|---|
| 類型 | 關聯式資料的內部部署預測分析 |
| 支援的語言 | -蟒 - R - SQL |
| 機器學習階段 | - 數據準備 - 模型訓練 -部署 |
| 主要優點 | 在資料庫函式中封裝預測邏輯。 此過程可讓您輕鬆地包含資料層邏輯。 |
| 考量 | 假設您使用 SQL 資料庫做為應用程式的數據層。 |
Azure AI Foundry 是一個統一的平臺，可讓您負責開發和部署產生式 AI 應用程式和 Azure AI API。 它提供一組完整的 AI 功能、簡化的使用者介面，以及程式代碼優先體驗。 這些功能使其成為建置、測試、部署及管理智慧型手機解決方案的完整平臺。
Azure AI Foundry 可協助開發人員和數據科學家使用 Azure AI 供應專案，有效率地建立及部署產生式 AI 應用程式。 它強調負責任的 AI 開發，並內嵌公平、透明度和責任的原則。 平臺包含偏差偵測、可解釋性和隱私權保留機器學習的工具。 這些工具可協助確保 AI 模型強大、可信任且符合法規需求。
作為 Azure 生態系統Microsoft的一部分，Azure AI Foundry 提供強大的工具和服務，以滿足各種 AI 和機器學習需求，包括自然語言處理和電腦視覺。 其與其他 Azure 服務的整合有助於確保順暢的延展性和效能，使其成為企業的理想選項。
Azure AI Foundry 入口網站藉由提供共用工作區、版本控制及集成開發環境等功能，促進共同作業和創新。 藉由整合熱門的開放原始碼架構和工具，Azure AI Foundry 可加速開發程式，讓組織能夠推動創新，並持續領先於具競爭力的 AI 環境。
| Azure AI Foundry 功能 | 描述 |
|---|---|
| 類型 | 適用於 AI 整合開發環境 |
| 支援的語言 | 只使用 Python |
| 機器學習階段 | - 數據準備 - 部署 （模型即服務 （MaaS）） |
| 主要優點 | - 跨各種 AI 服務促進共同作業和專案管理 - 提供建置、定型和部署 AI 模型的完整工具 - 強調負責任的人工智慧，藉由提供偏差偵測、可解釋性和隱私保護的機器學習工具。 - 支援與熱門開放原始碼架構和工具整合 - 包含用於建立和管理提示工作流程的提示流程，提示流程簡化了由語言模型驅動的 AI 應用程式開發週期。 |
Azure 機器學習工作室 是一種協作式拖放工具，可用來建置、測試及部署您的數據上的預測分析解決方案。 它專為數據科學家、數據工程師和商務分析師所設計。 Machine Learning Studio 支援各種不同的機器學習演算法和工具，以進行數據準備、模型定型和評估。 它也提供可視化介面來連接互動式畫布上的數據集和模組。
| Machine Learning Studio 功能 | 描述 |
|---|---|
| 類型 | 機器學習的共同作業、拖放工具 |
| 支援的語言 | - Python 程式語言 - R - Scala - Java （有限體驗） |
| 機器學習階段 | - 數據準備 - 模型訓練 -部署 |
| 主要優點 | - 不需要撰寫程式代碼來建置機器學習模型 - 支援各種機器學習演算法和工具，以進行數據準備、模型定型和評估 - 提供可視化介面來連接互動式畫布上的數據集和模組 - 支援與 Machine Learning 整合以進行進階機器學習工作 |
如需 Machine Learning Studio 和 Azure AI Foundry 入口網站的完整比較，請參閱 Azure AI Foundry 入口網站或 Machine Learning Studio。 下表摘要說明它們之間的主要差異：
| 類別 | 功能 | Azure AI Foundry 入口網站 | 機器學習工作室 |
|---|---|---|---|
| 數據記憶體 | 儲存方案 | 不 | 是 （雲端檔案系統、OneLake、Azure 儲存體） |
| 數據準備 | 資料整合 | 是（Azure Blob 儲存體、OneLake、Azure Data Lake 儲存體） | 是（使用 Azure 記憶體帳戶複製和掛接） |
| 開發 | 代碼優先工具 | 是（VS Code） | 是（Notebooks、Jupyter、VS Code、R Studio） |
| 語言 | 支援的語言 | 只使用 Python | Python、R、Scala、Java |
| 訓練 | AutoML | 不 | 是（回歸、分類、預測、CV、NLP） |
| 計算目標 | 定型計算 | 無伺服器架構（MaaS，提示流） | Spark 叢集、機器學習叢集、Azure Arc |
| 生成式 AI | 語言模型目錄 | 是（Azure OpenAI, Hugging Face, Meta） | 是 （Azure OpenAI，Hugging Face，Meta） |
| [部署] | 即時和批次服務 | 即時 （MaaS） | Batch 端點、Azure Arc |
| 治理 | 負責任的 AI 工具 | 不 | 是 （負責任的 AI 儀錶板） |
Fabric 是端對端整合的分析平臺，可將組織所需的所有數據和分析工具整合在一起。 它整合了各種服務和工具，為數據專業人員提供順暢的體驗，包括數據工程師、數據科學家和商務分析師。 Fabric 提供數據整合、數據工程、數據倉儲、數據科學、即時分析和商業智慧的功能。
當您需要完整的平臺來管理整個數據生命週期，從擷取到深入解析時，請使用 Fabric。
| 織布特性 | 描述 |
|---|---|
| 類型 | 整合分析平台 |
| 支援的語言 | - Python 程式語言 - R - SQL - Scala |
| 機器學習階段 | - 數據準備 - 模型訓練 -部署 - 即時分析 |
| 主要優點 | - 適用於所有數據和分析需求的整合平臺 - 與其他Microsoft服務緊密整合 - 可調整且有彈性 - 支援各種不同的數據和分析工具 - 促進組織中不同角色的共同作業 - 從擷取到深入解析的端對端數據生命週期管理 - 即時分析和商業智慧功能 - 機器學習模型定型和部署支援 - 與熱門機器學習架構和工具整合 - 用於數據準備和特徵工程的工具 - 實時機器學習推斷和分析 |
Azure 資料科學虛擬機 是 Microsoft Azure 雲端上的自定義 VM 環境。 適用於 Windows 和 Linux Ubuntu 的版本。 環境特別適用於數據科學工作和機器學習解決方案開發。 它有許多熱門的數據科學函式、機器學習架構，以及其他預先安裝及預先設定的工具，可讓您開始建置智慧型手機應用程式以進行進階分析。
當您需要在單一節點上執行或裝載作業，或需要在單一計算機上遠端相應增加處理時，請使用數據科學 VM。
| Azure 數據科學虛擬機功能 | 描述 |
|---|---|
| 類型 | 適用於數據科學的自定義 VM 環境 |
| 主要優點 | - 縮短安裝、管理及疑難解答數據科學工具和架構的時間 - 包含最新版本的常用工具和架構 - 包含高度可調整的影像和圖形處理單位 （GPU） 功能，以進行密集的數據模型化 |
| 考量 | - VM 離線時無法存取。 - 執行 VM 會產生 Azure 費用，因此您應該確定它只在需要時才執行。 |
Azure Databricks 是以 Apache Spark 為基礎的分析平臺，已針對 Microsoft azure 雲端平台優化。 Azure Databricks 與 Azure 整合，可提供單鍵設定、簡化的工作流程，以及互動式工作區，可讓數據科學家、數據工程師和商務分析師共同作業。 在 Web 式筆記本中使用 Python、R、Scala 和 SQL 程式碼來查詢、視覺化和建模資料。
當您想要在 Apache Spark 上共同建置機器學習解決方案時，請使用 Azure Databricks。
| Azure Databricks 功能 | 描述 |
|---|---|
| 類型 | 以 Apache Spark 為基礎的分析平台 |
| 支援的語言 | - Python 程式語言 - R - Scala - SQL |
| 機器學習階段 | - 數據準備 - 數據前置處理 - 模型訓練 - 模型微調 - 模型推斷 -管理 -部署 |
| 主要優點 | - 單鍵設定和簡化工作流程以方便使用 - 共同作業的互動式工作區 - 與 Azure 無縫整合 - 處理大型數據集和密集計算的延展性 - 支援各種語言，並與熱門工具整合 |
ML.NET 是開放原始碼的跨平臺機器學習架構。 使用 ML.NET 建置自定義機器學習解決方案，並將其整合到 .NET 應用程式中。 ML.NET 提供各種層級的互操作性與熱門架構，例如 TensorFlow 和 ONNX，用於定型和評分機器學習和深度學習模型。 對於定型影像分類模型等資源密集型工作，您可以使用 Azure 在雲端中定型模型。
當您想要將機器學習解決方案整合到 .NET 應用程式中時，請使用 ML.NET。 您可以選擇用於程式碼優先體驗的 API 和用於低程式碼體驗的模型產生器或 CLI。
| ML.NET 功能 | 描述 |
|---|---|
| 類型 | 使用 .NET 開發自定義機器學習應用程式的開放原始碼跨平台架構 |
| 支援的語言 | - C# - F# |
| 機器學習階段 | - 數據準備 -訓練 -部署 |
| 主要優點 | - 不需要數據科學或機器學習體驗 - 熟悉的語言和工具，例如 Visual Studio 和 VS Code - 部署執行 .NET 的應用程式 - 可延伸且可調整的設計 - 本地優先體驗 - 適用於自動化機器學習工作的 AutoML |
使用適用於 Windows 應用程式的 AI，將 AI 功能整合到 Windows 應用程式中使用 WinML 和 DirectML 功能，以提供本機、即時 AI 模型評估和硬體加速。 WinML 可讓開發人員將定型的機器學習模型直接整合到其 Windows 應用程式中。 其可協助本機、實時評估模型，並啟用強大的 AI 功能，而不需要雲端連線。
DirectML 是高效能、硬體加速的平臺，可用於執行機器學習模型。 它會使用 DirectX API，在各種硬體上提供優化的效能，包括 GPU 和 AI 加速器。
當您想要在 Windows 應用程式中使用定型機器學習模型時，請使用適用於 Windows 應用程式的 AI。
| 適用於 Windows 應用程式的 AI 功能 | 描述 |
|---|---|
| 類型 | Windows 裝置中經過訓練的模型的推斷引擎 |
| 支援的語言 | - C#/C++ - JavaScript |
| 機器學習階段 | - 數據準備 - 模型訓練 -部署 |
| 主要優點 | - 本機、即時 AI 模型評估 - 各種硬體類型的高效能 AI 處理，包括 CPU、GPU 和 AI 加速器 - 在 Windows 硬體上的穩定行為與效能 |
SynapseML，先前稱為 MMLSpark，是一個開放原始碼連結庫，可簡化大規模可調整機器學習管線的建立。 SynapseML 提供各種機器學習工作的 API，例如文字分析、視覺和異常偵測。 SynapseML 建置在 Apache Spark 分散式運算架構上，並共用與 SparkML 和 MLlib 連結庫相同的 API，因此您可以將 SynapseML 模型順暢地內嵌至現有的 Apache Spark 工作流程。
SynapseML 將許多深度學習和數據科學工具新增至 Spark 生態系統，包括無縫整合 Spark Machine Learning 管線與 淺漸層提升機器 （LightGBM）、本機可解譯 Model-Agnostic 說明，以及 OpenCV。 您可以使用這些工具在任何 Spark 叢集上建立功能強大的預測模型，例如 Azure Databricks 或 Azure Cosmos DB。
SynapseML 也為 Spark 生態系統提供網路功能。 透過 Spark 專案上的 HTTP，使用者可以將任何 Web 服務嵌入到他們的 SparkML 模型中。 此外，SynapseML 還提供易於使用的工具，可大規模協調 AI 服務。 針對生產等級部署，Spark 服務專案可啟用由 Spark 叢集支援的高輸送量和子延遲 Web 服務。
| SynapseML 功能 | 描述 |
|---|---|
| 類型 | 適用於 Apache Spark 的開放原始碼分散式機器學習和微服務架構 |
| 支援的語言 | - Scala -爪哇島 - Python 程式語言 - R - .NET |
| 機器學習階段 | - 數據準備 - 模型訓練 -部署 |
| 主要優點 | - 延展性 - 串流和服務相容 - 高容錯 |
| 考量 | 需要 Apache Spark |
本文由 Microsoft 維護。 原始投稿人如下。
主要作者：
若要查看非公開的LinkedIn個人檔案，請登入LinkedIn。
文件
什麼是 Azure Machine Learning？ - Azure Machine Learning
Azure Machine Learning 是一種雲端服務，用於加速和管理機器學習專案生命週期：定型和部署模型，以及管理 MLOps。
結構和重要概念 (第 1 版) - Azure Machine Learning
本文可讓您概略了解構成 Azure Machine Learning 的架構、術語和概念。
請參閱 Azure Well-Architected 架構設計考慮和與 Azure Machine Learning 相關的設定建議。
訓練
學習路徑
在 Microsoft Fabric 中實作適用於 AI 的資料科學和機器學習解決方案 DP-604T00 - Training
探索資料科學程序，並了解如何將機器學習模型定型，以在 Microsoft Fabric 中完成人工智慧。 (DP-604T00)
認證
Microsoft Certified: Azure Data Scientist Associate - Certifications
使用 Python、Azure Machine Learning 和 MLflow 來管理資料擷取和準備、訓練及部署模型，以及監視機器學習解決方案。