Entrada y salida de datos

Nota

Se aplica a: machine learning Studio (clásico)

Este contenido solo pertenece a Studio (clásico). Se han agregado módulos similares de arrastrar y colocar al diseñador de Azure Machine Learning. Obtenga más información en este artículo comparativa de las dos versiones.

En este artículo se enumeran los módulos que puede usar para importar y exportar datos y modelos en Azure Machine Learning Studio (clásico).

Además de usar módulos, puede cargar y descargar directamente los conjuntos de archivos de los archivos locales en el equipo o la red. Para obtener más información, consulte carga de datos existentes en un experimento de Azure machine learning.

Estos son algunos de los orígenes que puede usar para importar y exportar datos y modelos en Machine Learning Studio (clásico):

  • Obtener datos de orígenes en la nube, como Azure SQL Database, Azure SQL Data Warehouse, Azure Storage y Azure Cosmos DB. También puede importar datos que se proporcionan como una dirección URL web pública, obtener datos de Hadoop mediante una consulta de Hive o consultar un servidor SQL Server local.
  • Cargue una colección de imágenes desde Azure BLOB Storage para usarlas en las tareas de clasificación de imágenes.
  • Extraiga los datos de archivos comprimidos que ha cargado en Machine Learning. Puede usar los conjuntos de valores en los experimentos.
  • Cree pequeños conjuntos de valores escribiendo en la interfaz de usuario de Machine Learning Studio (clásica). Esto puede ser útil para crear pequeños conjuntos de valores de prueba.
  • Guarde los resultados o los datos intermedios en Azure Table Storage, BLOB Storage, una base de datos SQL o una consulta de Hive.
  • Obtenga un modelo entrenado de una dirección URL o de almacenamiento de blobs y, a continuación, úselo en un experimento.

Nota

Los módulos de este grupo solo mueven datos hacia o desde Machine Learning Studio (clásico). No puede usar los módulos para filtrar, convertir o transformar los datos durante el proceso de importación o exportación.

Para obtener más información sobre cómo transformar y filtrar los datos en Machine Learning Studio (clásico), consulte transformación de datos.

Recursos

En los siguientes artículos se presentan escenarios comunes de datos en machine learning:

Introducción

Aprenda a administrar datos para machine learning en la nube. La información de este artículo se basa en el nivel de datos NÍTIDO, un estándar del sector. El artículo proporciona tutoriales completos que muestran la integración del aprendizaje automático con soluciones de datos en la nube, como Azure HDInsight y SQL Database.

En este artículo se describe cómo obtener los datos en Azure y, después, cómo crear un experimento.

Ciencia de datos avanzada

Aprenda a instalar la biblioteca de cliente de Machine Learning Python y, a continuación, Úsela para acceder a los metadatos y trabajar con conjuntos de datos.

Experimentos de ejemplo

Lista de módulos

La categoría de entrada y salida de datos incluye los siguientes módulos:

  • Escribir datos manualmente: permite crear conjuntos de datos pequeños escribiendo valores.
  • Exportar datos: escribe un conjunto de datos en direcciones URL web o en diversas formas de almacenamiento basado en la nube en Azure, como tablas, Blobs o una base de datos SQL.
  • Importar datos: carga datos de orígenes externos en la web y de diferentes formas de almacenamiento basado en la nube en Azure, como Table Storage, BLOB storage, SQL Database, SQL Data Warehouse, Azure Cosmos dB o una consulta de Hive. También puede importar datos de una base de datos de SQL Server local.
  • Cargar modelo entrenado: obtiene un modelo entrenado de una dirección URL o de un almacenamiento de blobs que se va a usar en un experimento de puntuación.
  • Desempaquetar conjuntos de valores comprimidos: descomprime un conjunto de DataSet que se ha almacenado en formato comprimido y, a continuación, agrega el conjunto de valores al área de trabajo.

Consulte también