Co můžu dělat se sadou Machine Learning Studio (classic)?

PLATÍ PRO: Machine Learning Studio (classic) Azure Machine Learning

Důležité

Podpora studia Machine Learning (Classic) skončí 31. srpna 2024. Doporučujeme do tohoto data přejít na službu Azure Machine Learning.

Od 1. prosince 2021 nebude možné vytvářet nové prostředky studia Machine Learning (Classic). Do 31. srpna 2024 můžete pokračovat v používání stávajících prostředků studia Machine Learning (Classic).

• Přečtěte si informace o přesunu projektů strojového učení ze sady ML Studio (Classic) do Služby Azure Machine Learning.
• Další informace o službě Azure Machine Learning

Dokumentace ke studiu ML (Classic) se vyřazuje z provozu a v budoucnu se nemusí aktualizovat.

Machine Learning Studio (classic) je nástroj pro přetažení, který můžete použít k vytváření, testování a nasazování modelů strojového učení. Studio (classic) publikuje modely jako webové služby, které lze snadno využívat vlastními aplikacemi nebo nástroji BI, jako je Excel.

Interaktivní pracovní prostor studia (classic)

K vývoji prediktivního analytického modelu obvykle používáte data z jednoho nebo více zdrojů, transformovat a analyzovat tato data prostřednictvím různých manipulací s daty a statistických funkcí a vygenerovat sadu výsledků. Vývoj podobného modelu, jako je tento, je iterativní proces. Úpravou různých funkcí a jejich parametrů se výsledky zpřesňují, až budete mít trénovaný a účinný model, se kterým budete spokojeni.

Machine Learning Studio (classic) poskytuje interaktivní vizuální pracovní prostor, který umožňuje snadno vytvářet, testovat a iterovat v modelu prediktivní analýzy. Datové sady a moduly analýzy přetáhnete na interaktivní plátno a spojíte je dohromady a vytvoříte experiment, který spustíte v nástroji Machine Learning Studio (classic). Iterace návrhu modelu probíhá tak, že experiment upravíte, v případě potřeby uložíte kopii, a spustíte jej znovu. Až budete připraveni, můžete svůj trénovací experiment převést na prediktivní experiment a pak ho publikovat jako webovou službu , aby k vašemu modelu měli přístup jiní uživatelé.

Nevyžaduje se programování, vizuálně připojte datové sady a moduly k vytvoření modelu prediktivní analýzy.

Stažení diagramu přehledu nástroje ML Studio (Classic)

Stáhněte si diagram Přehled funkcí microsoft ML Studia (classic) a získejte základní přehled možností nástroje Machine Learning Studio (classic). Pokud ho chcete mít po ruce, můžete si ho vytisknout ve velikosti tabloid (11 × 17 palců).

Diagram si můžete stáhnout zde: Přehled funkcí nástroje Microsoft Machine Learning Studio (classic

Komponenty experimentu se sadou Studio (classic)

Experiment sestává z datových sad, které poskytují data analytickým modulům. Ty pak lze vzájemně propojit a vytvořit tak model prediktivní analýzy. Platný experiment má konkrétně tyto charakteristiky:

• Experiment obsahuje alespoň jednu datovou sadu a jeden modul.
• Datová sady je možné připojit jen k modulům.
• Moduly je možné připojovat jak k datovým sadám, tak k jiným modulům.
• Všechny vstupní porty modulů musí určitým způsobem souviset s tokem dat.
• Musí být nastaveny všechny povinné parametry jednotlivých modulů.

Experiment můžete vytvořit zcela od začátku, ale také můžete využít existující ukázku jako šablonu. Další informace najdete v tématu Vytváření nových experimentů se strojovým učením na základě kopírování příkladů experimentů.

Příklad vytvoření experimentu najdete v tématu Vytvoření experimentu v nástroji Machine Learning Studio (classic).

Podrobnější návod k vytvoření řešení prediktivní analýzy najdete v tématu Vývoj prediktivního řešení pomocí nástroje Machine Learning Studio (classic).

Datové sady

Datová sada je data, která se nahrála do nástroje Machine Learning Studio (classic), aby je bylo možné použít v procesu modelování. Řada ukázkových datových sad je součástí nástroje Machine Learning Studio (classic) pro experimentování a můžete nahrát další datové sady podle potřeby. Zde jsou některé příklady dodávaných datových sad:

• Data o spotřebě paliv u různých automobilů – Hodnoty spotřeby paliva u automobilů na jednotku vzdálenosti (MPG) stanovené podle počtu válců, koňských sil apod.
• Data o rakovině prsu – Diagnostická data rakoviny prsu
• Data o lesních požárech – Rozsahy lesních požárů v severovýchodním Portugalsku

Při vytváření experimentu si můžete vybrat ze seznamu datových sad dostupných nalevo od plátna.

Seznam ukázkových datových sad zahrnutých v nástroji Machine Learning Studio (classic) najdete v tématu Použití ukázkových datových sad v nástroji Machine Learning Studio (classic).

Moduly

Modul je algoritmus, který je možné provést na datech. Machine Learning Studio (classic) má řadu modulů od funkcí příchozího přenosu dat až po trénování, vyhodnocování a ověřování procesů. Zde jsou některé příklady dodávaných modulů:

• Převod na ARFF – Převede serializovanou datovou sadu .NET do formátu ARFF (Attribute-Relation File Format).
• Výpočet základních statistik – Vypočítá základní statistiky, jako je střední hodnota, směrodatná odchylka atd.
• Lineární regrese – Vytvoří online model lineární regrese na základě klesání gradientu.
• Určení skóre modelu – Stanoví skóre pro trénovaný klasifikační nebo regresní model.

Při vytváření experimentu si můžete vybrat ze seznamu modulů dostupných nalevo od plátna.

Modul může obsahovat sadu parametrů, pomocí kterých je možné konfigurovat jeho vnitřní algoritmy. Když na plátnu vyberete modul, parametry modulu se zobrazí v podokně Vlastnosti napravo od plátna. Úpravou parametrů v tomto podokně můžete model optimalizovat.

Pokud potřebujete pomoc s procházením velké knihovny dostupných algoritmů strojového učení, přečtěte si téma Jak zvolit algoritmy pro Microsoft Machine Learning Studio (klasické).

Nasazení webové služby prediktivní analýzy

Jakmile je model prediktivní analýzy připravený, můžete ho nasadit jako webovou službu přímo ze sady Machine Learning Studio (classic). Další informace o tomto procesu najdete v tématu Nasazení webové služby Machine Learning.

Další kroky

Základy prediktivní analýzy a strojového učení najdete v podrobném rychlém startu a vytváření ukázek.