إعداد تدريب AutoML بدون رمز باستخدام واجهة مستخدم الاستوديو

هل هذه الصفحة مفيدة؟

هل لديك ملاحظات إضافية؟

سيتم إرسال الملاحظات إلى Microsoft: بالضغط على الزر «إرسال»، سيتم استخدام ملاحظاتك لتحسين منتجات Microsoft وخدماتها. نهج الخصوصية.

في هذه المقالة، يمكنك التعرف على كيفية إعداد تشغيل تدريب AutoML بدون سطر واحد من التعليمات البرمجية باستخدام Azure التعلم الآلي ML التلقائي في استوديو Azure التعلم الآلي.

التعلم الآلي الآلي ، AutoML ، هو عملية يتم فيها اختيار أفضل خوارزمية للتعلم الآلي لاستخدامها في بياناتك المحددة نيابة عنك. تمكنك هذه العملية من إنشاء نماذج التعلم الآلي بسرعة. تعرف على المزيد حول كيفية تنفيذ Azure التعلم الآلي للتعلم الآلي التلقائي.

للحصول على مثال من النهاية إلى النهاية ، جرب البرنامج التعليمي: AutoML- تدريب نماذج التصنيف بدون رمز.

للحصول على تجربة مستندة إلى التعليمات البرمجية ل Python، قم بتكوين تجارب التعلم الآلي التلقائية باستخدام Azure التعلم الآلي SDK.

المتطلبات الأساسية

• اشتراك Azure. إذا لم يكن لديك اشتراك Azure، فأنشئ حساباً مجانياً قبل أن تبدأ. جرب الإصدار المجاني أو المدفوع الخاص بـ Azure Machine Learning اليوم.

• مساحة عمل Azure التعلم الآلي. راجع "Create an Azure التعلم الآلي workspace".

الشروع في العمل

1. سجّل الدخول إلى استوديو التعلم الآلي من Azure.

2. حدد اشتراكك ومساحة عملك.

3. انتقل إلى الجزء الأيمن. حدد ML التلقائي ضمن قسم المؤلف.

إذا كانت هذه هي المرة الأولى التي تجري فيها أي تجارب، فسترى قائمة فارغة وروابط إلى الوثائق.

وإلا، فسترى قائمة بتجارب التعلم الآلي التلقائية الأخيرة، بما في ذلك تلك التي تم إنشاؤها باستخدام SDK.

إنشاء تجربة وتشغيلها

1. حدد + تشغيل ML تلقائي جديد وملء النموذج.

2. حدد مجموعة بيانات من حاوية التخزين الخاصة بك، أو قم بإنشاء مجموعة بيانات جديدة. يمكن إنشاء مجموعات البيانات من الملفات المحلية أو عناوين URL للويب أو مخازن البيانات أو مجموعات البيانات المفتوحة في Azure. تعرف على المزيد حول إنشاء مجموعة البيانات.

   هام

   متطلبات بيانات التدريب:

   • يجب أن تكون البيانات في شكل جدول.
   • يجب أن تكون القيمة التي تريد التنبؤ بها (العمود الهدف) موجودة في البيانات.

   1. لإنشاء مجموعة بيانات جديدة من ملف على الكمبيوتر المحلي، حدد +إنشاء مجموعة بيانات ، ثم حدد من الملف المحلي.

   2. في نموذج المعلومات الأساسية ، امنح مجموعة البيانات اسما فريدا وقدم وصفا اختياريا.

   3. حدد التالي لفتح مخزن البيانات ونموذج تحديد الملف. في هذا النموذج ، حدد مكان تحميل مجموعة البيانات الخاصة بك ؛ حاوية التخزين الافتراضية التي يتم إنشاؤها تلقائيا باستخدام مساحة العمل، أو اختر حاوية تخزين تريد استخدامها للتجربة.

      1. إذا كانت بياناتك خلف شبكة افتراضية، فستحتاج إلى تمكين تخطي وظيفة التحقق من الصحة للتأكد من أن مساحة العمل يمكنها الوصول إلى بياناتك. لمزيد من المعلومات، راجع استخدام استوديو Azure التعلم الآلي في شبكة Azure الظاهرية.

   4. حدد استعراض لتحميل ملف البيانات لمجموعة البيانات الخاصة بك.

   5. راجع نموذج الإعدادات والمعاينة للتأكد من دقته. يتم تعبئة النموذج بذكاء استنادا إلى نوع الملف.

      الحقل	الوصف
      تنسيق الملف	يحدد تخطيط ونوع البيانات المخزنة في ملف.
      المحدِد	حرف واحد أو أكثر لتحديد الحد بين مناطق منفصلة ومستقلة في نص عادي أو تدفقات بيانات أخرى.
      الترميز	يحدد أي جزء من جدول مخطط الأحرف لاستخدامه في قراءة مجموعة البيانات الخاصة بك.
      عناوين الأعمدة	يشير إلى كيفية التعامل مع رؤوس مجموعة البيانات، إن وجدت.
      تخطي الصفوف	يشير إلى عدد الصفوف التي تم تخطيها في مجموعة البيانات، إن وجدت.

      حدد "Next".

   6. يتم تعبئة نموذج المخطط بذكاء استنادا إلى التحديدات الموجودة في نموذج الإعدادات والمعاينة. يمكنك هنا تكوين نوع البيانات لكل عمود، ومراجعة أسماء الأعمدة، وتحديد الأعمدة التي لن يتم تضمينها في تجربتك.

      حدد "Next".

   7. نموذج تأكيد التفاصيل هو ملخص للمعلومات التي تم تعبئتها مسبقا في نماذج المعلومات الأساسيةالإعدادات والمعاينة. لديك أيضا خيار إنشاء ملف تعريف بيانات لمجموعة البيانات الخاصة بك باستخدام حساب تمكين التنميط. تعرف على المزيد حول "data profiling".

      حدد "Next".

3. حدد مجموعة البيانات التي تم إنشاؤها حديثا بمجرد ظهورها. يمكنك أيضا عرض معاينة لمجموعة البيانات وإحصائيات العينة.

4. في نموذج تكوين التشغيل ، حدد إنشاء جديد وأدخل البرنامج التعليمي-التلقائي-النشر لاسم التجربة.

5. حدد عمودا مستهدفا ؛ هذا هو العمود الذي ترغب في إجراء تنبؤات عليه.

6. حدد نوع حوسبة لمهمة تنميط البيانات والتدريب. يمكنك تحديد مجموعة حوسبة أو مثيل حوسبة.

7. حدد حوسبة من القائمة المنسدلة للحسابات الحالية. لإنشاء حساب جديد، اتبع الإرشادات الواردة في الخطوة 8.

8. حدد إنشاء حوسبة جديدة لتكوين سياق الحوسبة لهذه التجربة.

   الحقل	الوصف
   اسم الحساب	أدخل اسما فريدا يحدد سياق الحوسبة الخاص بك.
   أولوية الجهاز الظاهري	الأجهزة الظاهرية ذات الأولوية المنخفضة أرخص ولكنها لا تضمن عقد الحوسبة.
   نوع الجهاز الظاهري	حدد وحدة المعالجة المركزية أو وحدة معالجة الرسومات لنوع الجهاز الظاهري.
   حجم الجهاز الظاهري	حدد حجم الجهاز الظاهري لحسابك.
   الحد الأدنى / الحد الأقصى للعقد	بالنسبة لبيانات ملف التعريف، يجب عليك تحديد عقدة واحدة أو أكثر. أدخل الحد الأقصى لعدد العقد للحوسبة. الافتراضي هو 6 عقد لحساب AML.
   إعدادات متقدمة	تسمح لك هذه الإعدادات بتكوين حساب مستخدم وشبكة ظاهرية حالية لتجربتك.

   حدد "Create". قد يستغرق إنشاء حساب جديد بضع دقائق.

   ملاحظة

   سيشير اسم الحوسبة الخاص بك إلى ما إذا كانت الحوسبة التي تحددها / تنشئها ممكنة للتنميط. (راجع قسم توصيف البيانات لمزيد من التفاصيل).

   حدد "Next".

9. في نموذج نوع المهمة والإعدادات، حدد نوع المهمة : التصنيف أو الانحدار أو التنبؤ. راجع أنواع المهام المعتمدة للحصول على مزيد من المعلومات.

   1. للتصنيف ، يمكنك أيضا تمكين التعلم العميق.

      إذا تم تمكين التعلم العميق، يقتصر التحقق من الصحة على train_validation الانقسام. مزيد من المعلومات حول خيارات التحقق من الصحة.

   2. للتنبؤ يمكنك ،

      1. تمكين التعلم العميق.

      2. تحديد عمود الوقت: يحتوي هذا العمود على بيانات الوقت المراد استخدامها.

      3. تحديد أفق التنبؤ: حدد عدد الوحدات الزمنية (دقائق/ساعات/أيام/أسابيع/أشهر/سنوات) التي سيتمكن النموذج من التنبؤ بها للمستقبل. كلما كان النموذج مطلوبا للتنبؤ في المستقبل ، كلما أصبح أقل دقة. تعرف على المزيد حول التنبؤ وأفق التنبؤ.

10. (اختياري) عرض إعدادات تكوين الإضافة: إعدادات إضافية يمكنك استخدامها للتحكم بشكل أفضل في مهمة التدريب. بخلاف ذلك، يتم تطبيق الإعدادات الافتراضية بناءً على اختيار التجربة والبيانات.

    تكوينات إضافية	الوصف
    المقياس الأساسي	المقياس الرئيسي المستخدم لتسجيل النموذج الخاص بك. مزيد من المعلومات حول مقاييس النموذج.
    شرح أفضل نموذج	حدد لتمكين أو تعطيل، من أجل إظهار تفسيرات لأفضل طراز موصى به. هذه الوظيفة غير متوفرة حاليا لبعض خوارزميات التنبؤ.
    خوارزمية محظورة	حدد الخوارزميات التي تريد استبعادها من مهمة التدريب. لا يتوفر السماح بالخوارزميات إلا لتجارب SDK. راجع النماذج المعتمدة لكل نوع مهام.
    معيار الخروج	عند استيفاء أي من هذه المعايير ، يتم إيقاف مهمة التدريب. وقت عمل التدريب (ساعات): كم من الوقت للسماح بتشغيل وظيفة التدريب. الحد الأدنى للنقاط المترية: الحد الأدنى للنقاط المترية لجميع خطوط الأنابيب. هذا يضمن أنه إذا كان لديك مقياس هدف محدد تريد الوصول إليه ، فلن تقضي وقتا أطول في مهمة التدريب أكثر من اللازم.
    التزامن	الحد الأقصى للتكرارات المتزامنة: الحد الأقصى لعدد خطوط الأنابيب (التكرارات) للاختبار في مهمة التدريب. لن يتم تشغيل المهمة أكثر من العدد المحدد من التكرارات. تعرف على المزيد حول كيفية تنفيذ ML التلقائي لعمليات تشغيل فرعية متعددة على مجموعات.

11. (اختياري) عرض إعدادات التجميل: إذا اخترت تمكين الإنجاز التلقائي في نموذج إعدادات التكوين الإضافية، تطبيق تقنيات الإنجاز الافتراضية. في عرض إعدادات featurization ، يمكنك تغيير هذه الإعدادات الافتراضية وتخصيصها وفقا لذلك. تعرف على كيفية تخصيص عمليات التجميل.

    

12. يسمح لك نموذج التحقق من الصحة والاختبار [اختياري] بإجراء ما يلي.

    1. حدد نوع التحقق من الصحة الذي سيتم استخدامه لمهمة التدريب الخاصة بك. تعرف على المزيد حول التحقق من الصحة المتقاطعة.

       1. تدعم مهام التنبؤ التحقق من صحة k-fold المتقاطعة فقط.

    2. قم بتوفير مجموعة بيانات اختبار (معاينة) لتقييم النموذج الموصى به الذي ينشئه التعلم الآلي التلقائي لك في نهاية تجربتك. عند تقديم بيانات الاختبار، يتم تشغيل تشغيل الاختبار تلقائيا في نهاية تجربتك. يتم تشغيل هذا الاختبار فقط على أفضل طراز تم التوصية به بواسطة ML التلقائي. تعرف على كيفية الحصول على نتائج تشغيل الاختبار عن بعد.

       هام

       يعد توفير مجموعة بيانات اختبار لتقييم النماذج التي تم إنشاؤها ميزة معاينة. هذه الإمكانية هي ميزة معاينة تجريبية ، وقد تتغير في أي وقت.

       • تعتبر بيانات الاختبار منفصلة عن التدريب والتحقق من الصحة ، وذلك لعدم تحيز نتائج تشغيل الاختبار للنموذج الموصى به. تعرف على المزيد حول التحيز أثناء التحقق من صحة النموذج.
       • يمكنك إما توفير مجموعة بيانات الاختبار الخاصة بك أو اختيار استخدام نسبة مئوية من مجموعة بيانات التدريب الخاصة بك. يجب أن تكون بيانات الاختبار في شكل Azure التعلم الآلي TabularDataset.
       • يجب أن يتطابق مخطط مجموعة بيانات الاختبار مع مجموعة بيانات التدريب. العمود الهدف اختياري، ولكن إذا لم تتم الإشارة إلى أي عمود مستهدف فلن يتم حساب مقاييس الاختبار.
       • يجب ألا تكون مجموعة بيانات الاختبار هي نفسها مجموعة بيانات التدريب أو مجموعة بيانات التحقق من الصحة.
       • لا تدعم عمليات التنبؤ تقسيم القطار / الاختبار.

       

تخصيص الإنجاز

في نموذج Featurization ، يمكنك تمكين / تعطيل الإنجاز التلقائي وتخصيص إعدادات التأثيث التلقائي لتجربتك. لفتح هذا النموذج، راجع الخطوة 10 في القسم إنشاء تجربة وتشغيلها .

يلخص الجدول التالي التخصيصات المتوفرة حاليا عبر الاستوديو.

العمود	التخصيص
مضمنة	يحدد الأعمدة التي يجب تضمينها للتدريب.
نوع الميزة	تغيير نوع القيمة للعمود المحدد.
تنسب مع	حدد القيمة التي تريد إضافة القيم المفقودة إليها في بياناتك.

تشغيل التجربة وعرض النتائج

حدد إنهاء لتشغيل تجربتك. يمكن أن تستغرق عملية إعداد التجربة ما يصل إلى 10 دقائق. يمكن أن تستغرق وظائف التدريب 2-3 دقائق إضافية لكل خط أنابيب لإنهاء التشغيل.

ملاحظة

تتميز الخوارزميات التي يستخدمها ML الآلي بعشوائية متأصلة يمكن أن تسبب تباينا طفيفا في درجة المقاييس النهائية للنموذج الموصى به ، مثل الدقة. يقوم التعلم الآلي أيضا بإجراء عمليات على بيانات مثل تقسيم اختبار القطار أو تقسيم التحقق من صحة القطار أو التحقق من الصحة عند الضرورة. لذلك إذا أجريت تجربة بنفس إعدادات التهيئة والمقياس الأساسي عدة مرات، فمن المحتمل أن ترى تباينا في درجة المقاييس النهائية لكل تجربة بسبب هذه العوامل.

عرض تفاصيل التجربة

يتم فتح شاشة "تشغيل التفاصيل" على علامة التبويب " التفاصيل". تعرض لك هذه الشاشة ملخصا للتجربة التي تم تشغيلها، بما في ذلك شريط معلومات في الجزء العلوي بجوار رقم التشغيل.

تحتوي علامة التبويب النماذج على قائمة بالنماذج التي تم إنشاؤها مرتبة حسب درجة المقياس. بشكل افتراضي، يكون النموذج الذي يسجل أعلى الدرجات استنادا إلى المقياس المختار في أعلى القائمة. عندما تجرب وظيفة التدريب المزيد من النماذج ، تتم إضافتها إلى القائمة. استخدم هذا للحصول على مقارنة سريعة للمقاييس للنماذج المنتجة حتى الآن.

عرض تفاصيل تشغيل التدريب

انتقل إلى أسفل على أي من النماذج المكتملة لمعرفة تفاصيل تشغيل التدريب. في علامة التبويب نموذج ، يمكنك عرض تفاصيل مثل ملخص النموذج والمعلمات التشعبية المستخدمة للنموذج المحدد.

يمكنك أيضا الاطلاع على مخططات مقاييس الأداء الخاصة بالنموذج في علامة التبويب المقاييس.

في علامة التبويب تحويل البيانات، يمكنك رؤية رسم تخطيطي للمعالجة المسبقة للبيانات وهندسة الميزات وتقنيات التحجيم وخوارزمية التعلم الآلي التي تم تطبيقها لإنشاء هذا النموذج.

هام

علامة التبويب تحويل البيانات قيد المعاينة. وينبغي اعتبار هذه القدرة تجريبية وقد تتغير في أي وقت.

عرض نتائج تشغيل الاختبار عن بعد (معاينة)

إذا حددت مجموعة بيانات اختبار أو اخترت تقسيم القطار/الاختبار أثناء إعداد التجربة - في نموذج التحقق من الصحة والاختبار ، يقوم ML التلقائي تلقائيا باختبار النموذج الموصى به بشكل افتراضي. ونتيجة لذلك، يقوم ML الآلي بحساب مقاييس الاختبار لتحديد جودة النموذج الموصى به وتوقعاته.

هام

يعد اختبار نماذجك باستخدام مجموعة بيانات اختبار لتقييم النماذج التي تم إنشاؤها ميزة معاينة. هذه الإمكانية هي ميزة معاينة تجريبية ، وقد تتغير في أي وقت.

تحذير

لا تتوفر هذه الميزة لسيناريوهات التعلم الآلي التلقائية التالية

• مهام الرؤية الحاسوبية (معاينة)
• العديد من النماذج والتدريب على التنبؤ بالسلاسل الزمنية الهرمية (معاينة)
• مهام التنبؤ حيث يتم تمكين الشبكات العصبية للتعلم العميق (DNN)
• يتم تشغيل ML التلقائي من الحسابات المحلية أو مجموعات Azure Databricks

لعرض مقاييس تشغيل الاختبار للنموذج الموصى به،

1. انتقل إلى صفحة النماذج ، وحدد أفضل طراز.
2. حدد علامة التبويب نتائج الاختبار (المعاينة ).
3. حدد التشغيل الذي تريده، واعرض علامة التبويب المقاييس .

لعرض تنبؤات الاختبار المستخدمة لحساب مقاييس الاختبار،

1. انتقل إلى أسفل الصفحة وحدد الرابط ضمن مجموعة بيانات المخرجات لفتح مجموعة البيانات.
2. في صفحة مجموعات البيانات ، حدد علامة التبويب استكشاف لعرض التنبؤات من التشغيل التجريبي.
   1. بدلا من ذلك ، يمكن أيضا عرض / تنزيل ملف التنبؤ من علامة التبويب المخرجات + السجلات ، وقم بتوسيع مجلد التنبؤات لتحديد موقع ملفك predicted.csv .

بدلا من ذلك ، يمكن أيضا عرض / تنزيل ملف التنبؤات من علامة التبويب المخرجات + السجلات ، قم بتوسيع مجلد التنبؤات لتحديد موقع ملف predictions.csv.

يقوم تشغيل اختبار النموذج بإنشاء ملف predictions.csv المخزن في مخزن البيانات الافتراضي الذي تم إنشاؤه باستخدام مساحة العمل. مخزن البيانات هذا مرئي لجميع المستخدمين الذين لديهم نفس الاشتراك. لا يوصى بتشغيل الاختبار للسيناريوهات إذا كانت أي من المعلومات المستخدمة أو التي تم إنشاؤها بواسطة تشغيل الاختبار تحتاج إلى أن تظل خاصة.

اختبار نموذج ML آلي موجود (معاينة)

هام

يعد اختبار نماذجك باستخدام مجموعة بيانات اختبار لتقييم النماذج التي تم إنشاؤها ميزة معاينة. هذه الإمكانية هي ميزة معاينة تجريبية ، وقد تتغير في أي وقت.

تحذير

لا تتوفر هذه الميزة لسيناريوهات التعلم الآلي التلقائية التالية

• مهام الرؤية الحاسوبية (معاينة)
• العديد من النماذج والتدريب على التنبؤ بالسلاسل الزمنية الهرمية (معاينة)
• مهام التنبؤ حيث يتم تمكين الشبكات العصبية للتعلم العميق (DNN)
• يتم تشغيل ML التلقائي من الحسابات المحلية أو مجموعات Azure Databricks

بعد اكتمال تجربتك، يمكنك اختبار النموذج (النماذج) الذي ينشئه التعلم الآلي التلقائي لك. إذا كنت ترغب في اختبار نموذج آلي مختلف تم إنشاؤه بواسطة ML ، وليس النموذج الموصى به ، فيمكنك القيام بذلك من خلال الخطوات التالية.

1. حدد تشغيل تجربة ML تلقائية موجودة.

2. انتقل إلى علامة التبويب النماذج في التشغيل وحدد النموذج المكتمل الذي تريد اختباره.

3. في صفحة تفاصيل النموذج، حدد الزر اختبار النموذج (المعاينة) لفتح جزء نموذج الاختبار .

4. في جزء نموذج الاختبار، حدد مجموعة الحوسبة ومجموعة بيانات الاختبار التي تريد استخدامها لتشغيل الاختبار.

5. حدد الزر اختبار . يجب أن يتطابق مخطط مجموعة بيانات الاختبار مع مجموعة بيانات التدريب، ولكن العمود الهدف اختياري.

6. عند الإنشاء الناجح لتشغيل اختبار النموذج، تعرض صفحة التفاصيل رسالة نجاح. حدد علامة التبويب نتائج الاختبار للاطلاع على تقدم التشغيل.

7. لعرض نتائج تشغيل الاختبار، افتح صفحة التفاصيل واتبع الخطوات الموجودة في قسم عرض نتائج تشغيل الاختبار عن بعد .

   

تفسيرات النموذج (معاينة)

لفهم نموذجك بشكل أفضل، يمكنك معرفة ميزات البيانات (الخام أو الهندسية) التي أثرت على تنبؤات النموذج باستخدام لوحة معلومات تفسيرات النموذج.

توفر لوحة معلومات تفسيرات النموذج تحليلا شاملا للنموذج المدرب إلى جانب تنبؤاته وتفسيراته. كما يتيح لك الحفر في نقطة بيانات فردية وأهمية ميزتها الفردية. تعرف على المزيد حول مرئيات لوحة معلومات الشرح.

للحصول على تفسيرات لنموذج معين،

1. في علامة التبويب النماذج ، حدد النموذج الذي تريد فهمه.

2. حدد الزر شرح النموذج ، وقم بتوفير حساب يمكن استخدامه لإنشاء التفسيرات.

3. تحقق من علامة التبويب "تشغيل الطفل " لمعرفة الحالة.

4. بمجرد الانتهاء، انتقل إلى علامة التبويب تفسيرات (معاينة) التي تحتوي على لوحة معلومات التفسيرات.

   

تحرير وإرسال عمليات التشغيل (معاينة)

هام

تعد القدرة على نسخ تجربة جديدة وتعديلها وإرسالها استنادا إلى تجربة حالية ميزة معاينة. هذه الإمكانية هي ميزة معاينة تجريبية ، وقد تتغير في أي وقت.

في السيناريوهات التي ترغب فيها في إنشاء تجربة جديدة استنادا إلى إعدادات تجربة حالية، يوفر التعلم الآلي التلقائي خيار القيام بذلك باستخدام الزر تحرير وإرسال في واجهة مستخدم الاستوديو.

تقتصر هذه الوظيفة على التجارب التي تبدأ من واجهة مستخدم الاستوديو وتتطلب أن يتطابق مخطط البيانات للتجربة الجديدة مع مخطط التجربة الأصلية.

يفتح الزر تحرير وإرسال معالج إنشاء تشغيل آلي تلقائي جديد مع إعدادات البيانات والحساب والتجربة التي تمت تعبئتها مسبقا. يمكنك الاطلاع على كل نموذج وتعديل التحديدات حسب الحاجة لتجربتك الجديدة.

نشر نموذجك

بمجرد أن يكون لديك أفضل نموذج في متناول اليد ، فقد حان الوقت لنشره كخدمة ويب للتنبؤ بالبيانات الجديدة.

تلميح

إذا كنت تتطلع إلى نشر نموذج تم إنشاؤه عبر الحزمة automl باستخدام Python SDK ، فيجب عليك تسجيل النموذج الخاص بك في مساحة العمل.

بمجرد تسجيل النموذج، ابحث عنه في الاستوديو عن طريق تحديد النماذج في الجزء الأيمن. بمجرد فتح الطراز، يمكنك تحديد الزر نشر في أعلى الشاشة، ثم اتباع الإرشادات الموضحة في الخطوة 2 من القسم نشر الطراز.

يساعدك ML الآلي في نشر النموذج دون كتابة التعليمات البرمجية:

1. لديك خياران للنشر.

   • الخيار 1: نشر أفضل نموذج، وفقا لمعايير المقاييس التي حددتها.

     1. بعد اكتمال التجربة، انتقل إلى صفحة التشغيل الرئيسية عن طريق تحديد تشغيل 1 في أعلى الشاشة.
     2. حدد النموذج المدرج في قسم ملخص أفضل نموذج .
     3. حدد نشر في أعلى يمين النافذة.

   • الخيار 2: لنشر تكرار نموذج معين من هذه التجربة.

     1. حدد الطراز المطلوب من علامة التبويب "النماذج "
     2. حدد نشر في أعلى يمين النافذة.

2. تعبئة جزء نموذج النشر .

   الحقل	القيمة
   الاسم	أدخل اسما فريدا للنشر.
   الوصف	أدخل وصفا لتحديد الغرض من هذا النشر بشكل أفضل.
   نوع الحساب	حدد نوع نقطة النهاية التي تريد نشرها: Azure Kubernetes Service (AKS ) أو Azure Container Instance (ACI).
   اسم الحساب	ينطبق على AKS فقط: حدد اسم مجموعة AKS التي ترغب في النشر فيها.
   تمكين المصادقة	حدد للسماح بالمصادقة المستندة إلى الرمز المميز أو المستندة إلى المفتاح.
   استخدم أصول النشر المخصصة	قم بتمكين هذه الميزة إذا كنت ترغب في تحميل البرنامج النصي لتسجيل النقاط وملف البيئة الخاص بك. وإلا، فإن التعلم الآلي الآلي يوفر لك هذه الأصول بشكل افتراضي. تعرف على المزيد حول البرامج النصية لتسجيل النقاط.

   هام

   يجب أن تكون أسماء الملفات أقل من 32 حرفا ويجب أن تبدأ وتنتهي بالأبجدية الرقمية. قد تتضمن الشرطات والشرطة السفلية والنقاط والأبجدية الرقمية بينهما. لا يسمح بالمسافات.

   توفر القائمة خيارات متقدمة ميزات النشر الافتراضية مثل إعدادات جمع البيانات واستخدام الموارد. إذا كنت ترغب في تجاوز هذه الإعدادات الافتراضية ، فقم بذلك في هذه القائمة.

3. حدد نشر. قد يستغرق النشر حوالي 20 دقيقة لإكماله. بمجرد بدء النشر، تظهر علامة التبويب ملخص النموذج . راجع تقدم النشر ضمن قسم حالة النشر .

الآن لديك خدمة ويب تشغيلية لإنشاء التنبؤات! يمكنك اختبار التنبؤات عن طريق الاستعلام عن الخدمة من دعم التعلم الآلي Azure المضمن في Power BI.

الخطوات التالية

• تعرف على كيفية استهلاك خدمة ويب.
• فهم نتائج التعلم الآلي الآلي.
• تعرف على المزيد حول التعلم الآلي التلقائي التعلم الآلي Azure.