Entrada y salida de datos
Importante
El soporte técnico de Machine Learning Studio (clásico) finalizará el 31 de agosto de 2024. Se recomienda realizar la transición a Azure Machine Learning antes de esa fecha.
A partir del 1 de diciembre de 2021 no se podrán crear recursos de Machine Learning Studio (clásico). Hasta el 31 de agosto de 2024, puede seguir usando los recursos de Machine Learning Studio (clásico) existentes.
- Consulte la información acerca de traslado de proyectos de aprendizaje automático de ML Studio (clásico) a Azure Machine Learning.
- Más información sobre Azure Machine Learning.
La documentación de ML Studio (clásico) se está retirando y es posible que no se actualice en el futuro.
Nota
Solo se aplica a: Machine Learning Studio (clásico)
Hay módulos para arrastrar y colocar similares en el diseñador de Azure Machine Learning.
En este artículo se enumeran los módulos que puede usar para importar y exportar datos y modelos en Machine Learning Studio (clásico).
Además de usar módulos, puede cargar y descargar directamente conjuntos de datos de archivos locales en el equipo o la red. Para obtener más información, vea Upload datos existentes en un Machine Learning experimento.
Estos son algunos de los orígenes que puede usar para importar y exportar datos y modelos en Machine Learning Studio (clásico):
- Obtenga 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 local.
- Cargue una colección de imágenes de Azure Blob Storage para usarla en las tareas de clasificación de imágenes.
- Extraiga los datos de los archivos comprimidos que cargó en Machine Learning. Puede usar los conjuntos de datos en experimentos.
- Cree conjuntos de datos pequeños escribiendo en la interfaz Machine Learning Studio (clásico). Esto puede ser útil para crear pequeños conjuntos de datos de prueba.
- Guarde los resultados o los datos intermedios en Azure Table Storage, Blob Storage, una base SQL de datos o una consulta de Hive.
- Obtenga un modelo entrenado desde una dirección URL o Blob Storage 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 ni 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), vea Transformación de datos.
Recursos
En los artículos siguientes se presentan escenarios de datos comunes en el aprendizaje automático:
Primeros pasos
Aprenda a administrar datos para el aprendizaje automático en la nube. La información de este artículo se basa en CRISP-DM, un estándar del sector. En el artículo se proporcionan 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, a continuación, crear un experimento.
Ciencia de datos avanzada
Obtenga información sobre cómo instalar la biblioteca Machine Learning cliente de Python y, a continuación, usarla para acceder a los metadatos y trabajar con conjuntos de datos.
Experimentos de ejemplo
Lista de módulos
La categoría 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 varias formas de almacenamiento basado en la nube en Azure, como tablas, blobs o una base de datos SQL datos.
- Importar datos: carga datos desde orígenes externos en la web y desde varias 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 desde una base de datos local SQL Server datos.
- Cargar modelo entrenado: obtiene un modelo entrenado desde una dirección URL o Blob Storage para usarlo en un experimento de puntuación.
- Desempaquetar conjuntos de datos comprimidos: descomprime un conjunto de datos almacenado en formato comprimido y, a continuación, agrega el conjunto de datos al área de trabajo.