Machine Learning

Machine Learning ist ein Unterbereich der KI, die es Computern ermöglicht, Muster zu erkennen und von Daten zu lernen, ohne ausdrücklich dafür programmiert zu werden. Mit Azure Machine Learning-Lösungen eröffnen Sie sich neue Dimensionen an Erkenntnissen, die Sie mithilfe des Computings gewinnen können.

Azure bietet Ihnen die fortschrittlichsten Machine-Learning-Funktionen Sie können Machine Learning-Modelle schnell und einfach mit Azure Machine Learning erstellen, trainieren und bereitstellen. Machine Learning-KI (künstliche Intelligenz) kann für alle Arten von maschinellem Lernen verwendet werden – klassisches Lernen oder Deep Learning, beaufsichtigt ebenso wie unbeaufsichtigt. Unabhängig davon, ob Sie das Schreiben von Python- oder R-Code oder die Nutzung von Optionen ohne bzw. mit nur wenig Code (z. B. per Designer) bevorzugen, können Sie in einem Machine Learning-Arbeitsbereich hochpräzise Machine Learning- und Deep Learning-Modelle erstellen, trainieren und nachverfolgen.

Sie können auch auf Ihrem lokalen Computer mit dem Training beginnen und dann eine Aufskalierung auf die Cloud durchführen. Der Dienst kann auch zusammen mit beliebten Open-Source-Tools für Deep Learning und vertiefendes Lernen (etwa PyTorch, TensorFlow, scikit-learn, Ray und RLlib) genutzt werden.

Lesen Sie zunächst die Übersicht über Machine Learning. Dort finden Sie ein Tutorial zum Einrichten Ihres ersten Machine Learning-Experiments. Weitere Informationen zum Open-Source-Modellformat und zur Runtime für Machine Learning finden Sie unter ONNX Runtime.

Gängige Szenarios für Machine-Learning-Lösungen sind:

• Predictive Maintenance
• Bestandsverwaltung
• Betrugserkennung
• Bedarfsvorhersage
• Intelligente Empfehlungen
• Verkaufsvorhersage

Machine Learning-Checkliste

• Machen Sie sich zunächst mit Machine Learning vertraut, und wählen Sie dann aus, mit welchem Prozess Sie beginnen möchten. Sie können die Schritte zum Verwenden eines Jupyter-Notebooks mit Python, der visuellen Drag & Drop-Funktion oder der Funktion zum automatisierten Machine Learning (AutoML) befolgen.

  • Weitere Informationen zu Azure Machine Learning
  • Erstellen Ihres ersten Machine-Learning-Experiments mit einem Jupyter-Notebook mit Python
  • Experimentieren mit visuellem Drag & Drop
  • Verwenden der AutoML-Benutzeroberfläche
  • Konfigurieren einer Entwicklungsumgebung für Azure Machine Learning

• Experimentieren Sie mit erweiterten Tutorials, um Taxigebühren vorherzusagen, Bilder zu klassifizieren und eine Pipeline für die Batchbewertung zu erstellen.

  • Tutorial: Vorhersagen von Preisen für Taxifahrten mit automatisiertem maschinellem Lernen
  • Klassifizieren von Bildern mit scikit-learn
  • Tutorial: Erstellen einer Azure Machine Learning-Pipeline für die Batchbewertung

• Sehen Sie sich die Videotutorials an, um mehr über die Vorteile von maschinellem Lernen zu erfahren, z. B. die Modellerstellung ohne Code, MLOps (Machine Learning Operations), ONNX Runtime, Modellinterpretierbarkeit und -transparenz.

  • Neuerungen in Azure Machine Learning
  • Verwenden von AutoML zur Modellerstellung
  • Erstellen von Modellen ohne Code mit Azure Machine Learning-Designer
  • MLOps zum Verwalten des End-to-End-Lebenszyklus
  • Einbinden der ONNX Runtime in Ihre Modelle
  • Modellinterpretierbarkeit und -transparenz
  • Erstellen von Modellen mi R

• Sehen Sie sich die Referenzarchitekturen für KI-Machine Learning-Lösungen an.

Nächste Schritte

Erkunden Sie andere Kategorien für KI-Lösungen:

• KI-Anwendungen und -Agents
• Knowledge Mining