Strojové učení

Strojové učení je podmnožinou umělé inteligence, která umožňuje počítačům detekovat vzory a učit se z dat, aniž by pro to byly výslovně naprogramované. Řešení Azure Machine Learning můžou vaše výpočetní přehledy posunout dál.

Azure vám poskytuje nejpokročilejší možnosti strojového učení. Rychle a snadno sestavujte, trénujte a nasazujte modely strojového učení pomocí služby Azure Machine Learning. Strojové učení AI lze použít pro jakýkoli druh strojového učení, od klasického po hluboké, učení pod dohledem i učení bez supervize. Bez ohledu na to, jestli dáváte přednost psaní kódu Python nebo R nebo používáte možnosti s nulovým nebo nízkým počtem kódu, jako je například návrhář, můžete vytvářet, trénovat a sledovat vysoce přesné modely strojového a hlubokého učení v pracovním prostoru strojového učení.

Můžete dokonce začít trénovat na místním počítači a pak škálovat na cloud. Služba také spolupracuje s oblíbenými opensourcovými opensourcovými nástroji pro hluboké učení a posilování, jako jsou PyTorch, TensorFlow, scikit-learn a Ray a RLlib.

Začněte s přehledem služby Azure Machine Learning, kde najdete kurz nastavení prvního experimentu strojového učení. Další informace o opensourcovém formátu modelu a modulu runtime pro strojové učení najdete v tématu Modul runtime ONNX.

Mezi běžné scénáře pro řešení strojového učení patří:

• Prediktivní údržba
• Řízení zásob
• Odhalování podvodů
• Prognózování poptávky
• Inteligentní doporučení
• Prognózování prodeje

Kontrolní seznam pro strojové učení

• Začněte tím, že se nejdřív seznámíte se strojovým učením a pak zvolíte, se kterým prostředím začnete. Můžete postupovat podle pokynů k použití poznámkového bloku Jupyter s Pythonem, vizuálního prostředí pro přetahování myší nebo automatizovaného strojového učení (AutoML).

  • Další informace o službě Azure Machine Learning
  • Vytvoření prvního experimentu strojového učení s poznámkovým blokem Jupyter pomocí Pythonu
  • Experimentování s vizuálním přetažením
  • Použití uživatelského rozhraní AutoML
  • Konfigurace vývojového prostředí

• Experimentujte s pokročilejšími kurzy , které předpovídají poplatky za taxi, klasifikují obrázky a sestaví kanál pro dávkové bodování.

  • Použití Automatizovaného strojového učení k predikci poplatků za taxi
  • Klasifikace obrázků pomocí scikit-learn
  • Vytvoření kanálu strojového učení pro dávkové vyhodnocování

• Projděte si videokurzy , ve kterých se dozvíte více o výhodách strojového učení, jako je vytváření modelu bez kódování, operace strojového učení (MLOps), modul RUNTIME ONNX, interpretovatelnost a transparentnost modelů a další.

  • Co je nového ve službě Azure Machine Learning
  • Použití Automatizovaného strojového učení k vytváření modelů
  • Vytváření modelů s nulovým kódem pomocí návrháře služby Azure Machine Learning
  • MLOps pro správu kompletního životního cyklu
  • Začlenění modulu runtime ONNX do vašich modelů
  • Interpretovatelnost a transparentnost modelu
  • Vytváření modelů pomocí R

• Projděte si referenční architektury pro řešení strojového učení AI.

Další kroky

Prozkoumejte další kategorie řešení AI:

• Agenti a aplikace AI
• Dolování znalostí