Dateneingabe und -ausgabe

Hinweis

Gilt für: Machine Learning Studio (klassisch)

Dieser Inhalt bezieht sich nur auf Studio (klassisch). Ähnliche Drag & Drop-Module wurden Azure Machine Learning-Designer hinzugefügt. Weitere Informationen finden Sie in diesem Artikel zum Vergleich der beiden Versionen.

In diesem Artikel werden die Module aufgelistet, die Sie zum Importieren und Exportieren von Daten und Modellen in Azure Machine Learning Studio (klassisch) verwenden können.

Zusätzlich zur Verwendung von Modulen können Sie Datasets direkt aus lokalen Dateien auf Ihrem Computer oder Netzwerk hochladen und herunterladen. Weitere Informationen finden Sie unter hochladen vorhandener Daten in ein Azure Machine Learning Experiment.

Im folgenden finden Sie einige der Quellen, die Sie zum Importieren und Exportieren von Daten und Modellen in Machine Learning Studio (klassisch) verwenden können:

  • Beziehen Sie Daten aus Quellen in der Cloud, z. b. Azure SQL-Datenbank, Azure SQL Data Warehouse, Azure Storage und Azure Cosmos DB. Sie können auch Daten importieren, die als öffentliche Web-URL bereitgestellt werden, Daten aus Hadoop mithilfe einer Hive-Abfrage erhalten oder eine lokale SQL Server-Instanz Abfragen.
  • Laden Sie eine Sammlung von Images aus Azure BLOB Storage, um Sie in Bild Klassifizierungs Aufgaben zu verwenden.
  • Extrahieren Sie die Daten aus ZIP-Dateien, die Sie in Machine Learning hochgeladen haben. Sie können die Datasets in Experimenten verwenden.
  • Erstellen Sie kleine Datasets, indem Sie die Machine Learning Studio (klassische) Benutzeroberfläche eingeben. Dies kann nützlich sein, um kleine Test Datasets zu erstellen.
  • Speichern Sie die Ergebnisse oder zwischen Daten in Azure Table Storage, BLOB Storage, SQL-Datenbank oder Hive-Abfragen.
  • Erhalten Sie ein trainiertes Modell aus einer URL oder einem blobspeicher, und verwenden Sie es dann in einem Experiment.

Hinweis

Die Module in dieser Gruppe verschieben nur Daten in oder aus Machine Learning Studio (klassisch). Die Module können nicht zum Filtern, umwandeln oder Transformieren der Daten während des Import-oder Export Vorgangs verwendet werden.

Weitere Informationen zum Transformieren und Filtern von Daten in Machine Learning Studio (klassisch) finden Sie unter Daten Transformation.

Ressourcen

In den folgenden Artikeln werden gängige Daten Szenarios in Machine Learning vorgestellt:

Erste Schritte

Erfahren Sie, wie Sie Daten für Machine Learning in der Cloud verwalten. Die Informationen in diesem Artikel basieren auf CRISP-DM, einem Industriestandard. Der Artikel enthält exemplarische End-to-End-Exemplarische Vorgehensweisen, die die Integration von Machine Learning mit clouddatenlösungen wie Azure hdinsight und SQL-Datenbank veranschaulichen.

In diesem Artikel wird beschrieben, wie Sie Ihre Daten in Azure erstellen und dann ein Experiment erstellen.

Erweiterte Data Science

Erfahren Sie, wie Sie die Machine Learning Python-Client Bibliothek installieren und dann für den Zugriff auf Metadaten und die Arbeit mit Datasets verwenden.

Beispielexperimente

Liste der Module

Die Kategorie Dateneingabe und-Ausgabe enthält die folgenden Module:

  • Manuelles Eingeben von Daten: ermöglicht das Erstellen kleiner Datasets durch Eingabe von Werten.
  • Exportieren von Daten: schreibt ein Dataset in Web-URLs oder verschiedene Formen von cloudbasiertem Speicher in Azure, wie z. b. Tabellen, BLOB-oder SQL-Datenbanken.
  • Importieren von Daten: lädt Daten aus externen Quellen im Web und aus verschiedenen Formen von cloudbasiertem Speicher in Azure, wie z. b. Tabellen Speicher, BLOB-Speicher, SQL-Datenbank, SQL Data Warehouse, Azure Cosmos DB oder eine Hive-Abfrage. Sie können auch Daten aus einer lokalen SQL Server-Datenbank importieren.
  • Load trainierte Model: Ruft ein trainiertes Modell aus einer URL oder einem BLOB-Speicher ab, das in einem Bewertungs Experiment verwendet werden soll.
  • Entpacken von ZIP-Datasets: Dekomprimieren eines Datasets, das im ZIP-Format gespeichert wurde, und anschließendes Hinzufügen des Datasets zu Ihrem Arbeitsbereich.

Weitere Informationen