Informazioni su Machine Learning automatizzatoWhat is automated machine learning (AutoML)?

Machine Learning automatizzato, o ML automatizzato, è il processo che consente di automatizzare le attività iterative per lo sviluppo di modelli di Machine Learning che richiedono molto tempo.Automated machine learning, also referred to as automated ML or AutoML, is the process of automating the time consuming, iterative tasks of machine learning model development. Consente a data scientist, analisti e sviluppatori di creare modelli di Machine Learning con scalabilità, efficienza e produttività elevate, garantendo al tempo stesso la qualità del modello.It allows data scientists, analysts, and developers to build ML models with high scale, efficiency, and productivity all while sustaining model quality. Il Machine Learning Machine Learning in Azure Machine Learning si basa su un'innovazione della divisione Microsoft Research.Automated ML in Azure Machine Learning is based on a breakthrough from our Microsoft Research division.

Lo sviluppo tradizionale di modelli di Machine Learning richiede un utilizzo elevato delle risorse, una conoscenza approfondita del dominio e un dispendio considerevole di tempo per produrre e confrontare numerosi modelli.Traditional machine learning model development is resource-intensive, requiring significant domain knowledge and time to produce and compare dozens of models. Grazie a Machine Learning automatizzato, sarà possibile accelerare il tempo necessario per ottenere modelli di Machine Learning pronti per la produzione con grande facilità ed efficienza.With automated machine learning, you'll accelerate the time it takes to get production-ready ML models with great ease and efficiency.

Machine Learning automatizzato in Azure Machine LearningAutoML in Azure Machine Learning

Azure Machine Learning offre due esperienze per l'uso di ML automatizzato:Azure Machine Learning offers two experiences for working with automated ML:

Quando usare Machine Learning automatizzato: classificazione, regressione e previsioneWhen to use AutoML: classify, regression, & forecast

Applicare Machine Learning automatizzato in modo che Azure Machine Learning esegua il training e l'ottimizzazione di un modello usando la metrica di destinazione specificata.Apply automated ML when you want Azure Machine Learning to train and tune a model for you using the target metric you specify. Machine Learning automatizzato democratizza il processo di sviluppo di modelli di Machine Learning e consente agli utenti, indipendentemente dalla loro esperienza di data science, di identificare una pipeline di Machine Learning end-to-end per eventuali problemi.Automated ML democratizes the machine learning model development process, and empowers its users, no matter their data science expertise, to identify an end-to-end machine learning pipeline for any problem.

I data scientist, gli analisti e gli sviluppatori di tutti i settori possono usare Machine Learning automatizzato per:Data scientists, analysts, and developers across industries can use automated ML to:

  • Implementare soluzioni di Machine Learning senza una conoscenza approfondita della programmazioneImplement ML solutions without extensive programming knowledge
  • Risparmiare tempo e risorseSave time and resources
  • Utilizzare procedure consigliate di data scienceLeverage data science best practices
  • Fornire efficaci soluzioni ai problemiProvide agile problem-solving

ClassificazioneClassification

La classificazione è un'attività di Machine Learning comune.Classification is a common machine learning task. La classificazione è un tipo di apprendimento supervisionato in cui i modelli imparano a usare i dati di training e applicano tali informazioni ai nuovi dati.Classification is a type of supervised learning in which models learn using training data, and apply those learnings to new data. Azure Machine Learning offre funzionalità specifiche per queste attività, ad esempio la definizione delle funzionalità del testo per la rete neurale profonda per la classificazione.Azure Machine Learning offers featurizations specifically for these tasks, such as deep neural network text featurizers for classification. Altre informazioni sulle opzioni di definizione delle funzionalità.Learn more about featurization options.

L'obiettivo principale dei modelli di classificazione è quello di stimare le categorie in cui rientreranno i nuovi dati in base alle informazioni sui dati di training.The main goal of classification models is to predict which categories new data will fall into based on learnings from its training data. Esempi di classificazione comuni includono rilevamento delle frodi, riconoscimento della grafia e rilevamento degli oggetti.Common classification examples include fraud detection, handwriting recognition, and object detection. Per altre informazioni, vedere l'articolo relativo alla creazione di un modello di classificazione con ml automatico.Learn more and see an example at Create a classification model with automated ML.

Vedere esempi di attività di classificazione e sull'uso di Machine Learning automatizzato in questi notebook Python: Fraud Detection (Rilevamento delle frodi), Marketing Prediction (Stima del marketing) e Newsgroup Data Classification (Classificazione dei dati di newsgroup)See examples of classification and automated machine learning in these Python notebooks: Fraud Detection, Marketing Prediction, and Newsgroup Data Classification

RegressioneRegression

Analogamente alla classificazione, anche quelle di regressione sono attività di apprendimento supervisionato comuni.Similar to classification, regression tasks are also a common supervised learning task. Azure Machine Learning offre funzionalità specifiche per queste attività.Azure Machine Learning offers featurizations specifically for these tasks.

Diversamente dalla classificazione, dove i valori di output stimati sono categorici, i modelli di regressione stimano i valori di output numerici in base a predittori indipendenti.Different from classification where predicted output values are categorical, regression models predict numerical output values based on independent predictors. Nella regressione l'obiettivo è di stabilire la relazione tra le variabili indipendenti del predittore stimando il modo in cui una variabile influisce sulle altre.In regression, the objective is to help establish the relationship among those independent predictor variables by estimating how one variable impacts the others. Ad esempio, il prezzo dell'automobile in base a caratteristiche come, chilometraggio dei gas, classificazione di sicurezza e così via.For example, automobile price based on features like, gas mileage, safety rating, etc. Per altre informazioni, vedere un esempio dell'attività di regressione con Machine Learning automatizzato.Learn more and see an example of regression with automated machine learning.

Vedere esempi di attività di regressione e sull'uso di Machine Learning automatizzato per le stime in questi notebook Python: CPU Performance Prediction (Stima delle prestazioni della CPU)See examples of regression and automated machine learning for predictions in these Python notebooks: CPU Performance Prediction,

Previsione della serie temporaleTime-series forecasting

La compilazione di previsioni è parte integrante di qualsiasi azienda, sia che si tratti di ricavi, scorte, vendite o richieste dei clienti.Building forecasts is an integral part of any business, whether it's revenue, inventory, sales, or customer demand. È possibile usare Machine Learning automatizzato per combinare tecniche e approcci e ottenere una previsione della serie temporale consigliata e di alta qualità.You can use automated ML to combine techniques and approaches and get a recommended, high-quality time-series forecast. Altre informazioni sono disponibili in questa guida pratica: Machine Learning automatizzato per la previsione di una serie temporale.Learn more with this how-to: automated machine learning for time series forecasting.

Un esperimento di serie temporale automatizzato viene considerato un problema di regressione multivariata.An automated time-series experiment is treated as a multivariate regression problem. I valori della serie temporale precedente vengono "trasformati tramite Pivot" per diventare dimensioni aggiuntive per il regressore insieme ad altri predittori.Past time-series values are "pivoted" to become additional dimensions for the regressor together with other predictors. Questo approccio, a differenza dei metodi classici della serie temporale, ha il vantaggio di incorporare naturalmente più variabili contestuali e la relazione tra loro durante il training.This approach, unlike classical time series methods, has an advantage of naturally incorporating multiple contextual variables and their relationship to one another during training. Machine Learning automatizzato apprende un modello singolo, ma spesso con rami interni, per tutti gli elementi del set di dati e degli orizzonti di stima.Automated ML learns a single, but often internally branched model for all items in the dataset and prediction horizons. Maggiori sono quindi i dati disponibili per la stima dei parametri del modello e più probabile diventa la generalizzazione per la serie non visibile.More data is thus available to estimate model parameters and generalization to unseen series becomes possible.

La configurazione avanzata della previsione include:Advanced forecasting configuration includes:

  • Rilevamento festività e definizione delle funzionalitàholiday detection and featurization
  • Strumenti di apprendimento della serie temporale e della rete neurale profonda (Auto-ARIMA, Prophet, ForecastTCN)time-series and DNN learners (Auto-ARIMA, Prophet, ForecastTCN)
  • Supporto di numerosi modelli tramite raggruppamentomany models support through grouping
  • Convalida incrociata dell'origine in sequenzarolling-origin cross validation
  • Ritardi configurabiliconfigurable lags
  • Funzionalità di aggregazione della finestra mobilerolling window aggregate features

Vedere esempi di attività di regressione e sull'uso di Machine Learning automatizzato per le stime in questi notebook Python: Sales Forecasting (Previsioni di vendita), Demand Forecasting (Previsioni della domanda) e Beverage Production Forecast (Previsioni della produzione di bevande).See examples of regression and automated machine learning for predictions in these Python notebooks: Sales Forecasting, Demand Forecasting, and Beverage Production Forecast.

Funzionamento del Machine Learning automaticoHow automated ML works

Durante il training, Azure Machine Learning crea numerose pipeline in parallelo che tentano di usare diversi algoritmi e parametri per conto dell'utente.During training, Azure Machine Learning creates a number of pipelines in parallel that try different algorithms and parameters for you. Il servizio esegue l'iterazione tramite gli algoritmi di Machine Learning abbinati alle selezioni di funzionalità, in cui ogni iterazione produce un modello con un punteggio di training.The service iterates through ML algorithms paired with feature selections, where each iteration produces a model with a training score. Maggiore è il punteggio, più il modello viene considerato "adatto" ai dati.The higher the score, the better the model is considered to "fit" your data. Il servizio si arresterà quando raggiunge i criteri di uscita definiti nell'esperimento.It will stop once it hits the exit criteria defined in the experiment.

Con Azure Machine Learning, è possibile progettare ed eseguire gli esperimenti di training di Machine Learning automatizzato con i passaggi seguenti:Using Azure Machine Learning, you can design and run your automated ML training experiments with these steps:

  1. Identificare il problema di Machine Learning da risolvere: classificazione, previsione o regressioneIdentify the ML problem to be solved: classification, forecasting, or regression

  2. Scegliere se si vuole usare Python SDK o l'esperienza Web di Studio: Informazioni sull'equivalenza tra Python SDK e l'esperienza Web di Studio.Choose whether you want to use the Python SDK or the studio web experience: Learn about the parity between the Python SDK and studio web experience.

  3. Specificare l'origine e il formato dei dati di training con etichetta: Matrici Numpy o dataframe PandasSpecify the source and format of the labeled training data: Numpy arrays or Pandas dataframe

  4. Configurare la destinazione di calcolo per il training del modello, ad esempio computer locale, ambiente di calcolo di Azure Machine Learning, macchine virtuali remote o Azure Databricks.Configure the compute target for model training, such as your local computer, Azure Machine Learning Computes, remote VMs, or Azure Databricks. Altre informazioni sul training automatico su una risorsa remota.Learn about automated training on a remote resource.

  5. Configurare i parametri di Machine Learning automatizzato che determinano il numero di iterazioni su modelli diversi, le impostazioni degli iperparametri, la definizione delle funzionalità/pre-elaborazione avanzata e le metriche da esaminare quando si determina il modello migliore.Configure the automated machine learning parameters that determine how many iterations over different models, hyperparameter settings, advanced preprocessing/featurization, and what metrics to look at when determining the best model.

  6. Inviare l'esecuzione del trainingSubmit the training run.

  7. Esaminare i risultatiReview the results

La figura seguente illustra questo processo.The following diagram illustrates this process. Machine Learning automatizzatoAutomated Machine learning

È possibile esaminare anche le informazioni registrate sull'esecuzione, che contengono le metriche raccolte durante l'esecuzione.You can also inspect the logged run information, which contains metrics gathered during the run. L'esecuzione del training genera un oggetto Python serializzato (file .pkl) che contiene il modello e la pre-elaborazione dei dati.The training run produces a Python serialized object (.pkl file) that contains the model and data preprocessing.

Mentre la creazione di modelli è automatica, è anche possibile ottenere informazioni sull'importanza delle funzionalità per i modelli generati.While model building is automated, you can also learn how important or relevant features are to the generated models.

Informazioni su come usare una destinazione di calcolo remota.Learn how to use a remote compute target.

Progettazione delle caratteristicheFeature engineering

La progettazione di funzioni è il processo di utilizzo della conoscenza del dominio dei dati per creare funzionalità che consentono agli algoritmi di Machine Learning di ottenere risultati migliori.Feature engineering is the process of using domain knowledge of the data to create features that help ML algorithms learn better. In Azure Machine Learning vengono applicate le tecniche di ridimensionamento e normalizzazione per semplificare la progettazione delle funzionalità.In Azure Machine Learning, scaling and normalization techniques are applied to facilitate feature engineering. Insieme, queste tecniche e progettazione di funzionalità sono denominate conteggi.Collectively, these techniques and feature engineering are referred to as featurization.

Per gli esperimenti automatici di Machine Learning, conteggi viene applicato automaticamente, ma può anche essere personalizzato in base ai dati.For automated machine learning experiments, featurization is applied automatically, but can also be customized based on your data. Altre informazioni su ciò che è incluso nella definizione delle funzionalità.Learn more about what featurization is included.

Nota

I passaggi di definizione delle funzionalità di Machine Learning automatizzato (normalizzazione delle funzionalità, gestione dei dati mancanti, conversione dei valori di testo in formato numerico e così via) diventano parte del modello sottostante.Automated machine learning featurization steps (feature normalization, handling missing data, converting text to numeric, etc.) become part of the underlying model. Quando si usa il modello per le previsioni, gli stessi passaggi di definizione delle funzionalità applicati durante il training vengono automaticamente applicati ai dati di input.When using the model for predictions, the same featurization steps applied during training are applied to your input data automatically.

Automatico conteggi (standard)Automatic featurization (standard)

In ogni esperimento di Machine Learning automatizzato, i dati vengono ridimensionati o normalizzati automaticamente per consentire il corretto funzionamento degli algoritmi.In every automated machine learning experiment, your data is automatically scaled or normalized to help algorithms perform well. Durante il training del modello, viene applicata una delle tecniche di ridimensionamento o normalizzazione seguenti a ogni modello.During model training, one of the following scaling or normalization techniques will be applied to each model. Informazioni sul modo in cui AutoML consente di prevenire i dati in eccesso e sbilanciati nei modelli.Learn how AutoML helps prevent over-fitting and imbalanced data in your models.

Ridimensionamento dell'   &   elaborazioneScaling & processing DescrizioneDescription
StandardScaleWrapperStandardScaleWrapper Consente di standardizzare le funzionalità rimuovendo la media e il ridimensionando alla varianza unitariaStandardize features by removing the mean and scaling to unit variance
MinMaxScalarMinMaxScalar Consente di trasformare le funzionalità ridimensionando ogni funzionalità in base al valore minimo e massimo della colonnaTransforms features by scaling each feature by that column's minimum and maximum
MaxAbsScalerMaxAbsScaler Consente di ridimensionare ogni funzionalità in base al valore massimo assolutoScale each feature by its maximum absolute value
RobustScalarRobustScalar Consente il ridimensionamento delle funzionalità in base al rispettivo intervallo quantileThis Scaler features by their quantile range
PCAPCA Consente di ridurre la dimensionalità lineare mediante scomposizione di valori singolari dei dati per proiettarla in uno spazio di dimensioni inferioriLinear dimensionality reduction using Singular Value Decomposition of the data to project it to a lower dimensional space
TruncatedSVDWrapperTruncatedSVDWrapper Consente di eseguire la riduzione della dimensionalità lineare per mezzo della scomposizione del valore singolare troncato (SVD).This transformer performs linear dimensionality reduction by means of truncated singular value decomposition (SVD). Contrariamente a PCA, questo estimatore non centra i dati prima di calcolare la scomposizione del valore singolare, può quindi funzionare con le matrici scipy.sparse in modo efficienteContrary to PCA, this estimator does not center the data before computing the singular value decomposition, which means it can work with scipy.sparse matrices efficiently
SparseNormalizerSparseNormalizer Ogni esempio, ovvero ogni riga della matrice di dati, con almeno un componente diverso da zero, viene ridimensionato indipendentemente dagli altri esempi, in modo che la relativa norma (l1 o l2) sia uguale a unoEach sample (that is, each row of the data matrix) with at least one non-zero component is rescaled independently of other samples so that its norm (l1 or l2) equals one

Personalizzare conteggiCustomize featurization

Sono disponibili anche tecniche aggiuntive per la progettazione di funzioni quali, codifica e trasformazioni.Additional feature engineering techniques such as, encoding and transforms are also available.

Abilitare questa impostazione con:Enable this setting with:

  • Azure Machine Learning Studio: abilitare Automatic featurization (Definizione delle funzionalità automatica) nella sezione View additional configuration (Visualizza configurazione aggiuntiva) con questi passaggi.Azure Machine Learning studio: Enable Automatic featurization in the View additional configuration section with these steps.

  • Python SDK: specificare "feauturization": 'auto' / 'off' / 'FeaturizationConfig' nell'oggetto AutoMLConfig .Python SDK: Specify "feauturization": 'auto' / 'off' / 'FeaturizationConfig' in your AutoMLConfig object. Altre informazioni sull' Abilitazione di conteggi.Learn more about enabling featurization.

Modelli EnsembleEnsemble models

Machine Learning automatizzato supporta i modelli Ensemble, che sono abilitati per impostazione predefinita.Automated machine learning supports ensemble models, which are enabled by default. L'apprendimento dell'insieme migliora i risultati di Machine Learning e le prestazioni predittive combinando più modelli rispetto all'uso di modelli singoli.Ensemble learning improves machine learning results and predictive performance by combining multiple models as opposed to using single models. Le iterazioni dell'insieme vengono visualizzate come iterazioni finali dell'esecuzione.The ensemble iterations appear as the final iterations of your run. Machine Learning automatizzato usa i metodi Ensemble di voto e sovrapposizione per combinare i modelli:Automated machine learning uses both voting and stacking ensemble methods for combining models:

  • Voto: stima in base alla media ponderata delle probabilità della classe stimata (per le attività di classificazione) o alle destinazioni di regressione stimate (per le attività di regressione).Voting: predicts based on the weighted average of predicted class probabilities (for classification tasks) or predicted regression targets (for regression tasks).
  • Sovrapposizione: combina modelli eterogenei ed esegue il training di un metamodello in base all'output dei singoli modelli.Stacking: stacking combines heterogenous models and trains a meta-model based on the output from the individual models. I metamodelli predefiniti correnti sono LogisticRegression per le attività di classificazione ed ElasticNet per le attività di regressione/previsione.The current default meta-models are LogisticRegression for classification tasks and ElasticNet for regression/forecasting tasks.

L'algoritmo di selezione dell'insieme Caruana con l'inizializzazione dell'insieme ordinato viene usato per decidere quali modelli usare nell'insieme.The Caruana ensemble selection algorithm with sorted ensemble initialization is used to decide which models to use within the ensemble. A un livello elevato, questo algoritmo inizializza l'insieme con un massimo di cinque modelli con i punteggi individuali migliori e verifica che questi modelli siano entro il 5% di soglia del punteggio migliore per evitare un insieme iniziale scadente.At a high level, this algorithm initializes the ensemble with up to five models with the best individual scores, and verifies that these models are within 5% threshold of the best score to avoid a poor initial ensemble. Per ogni iterazione dell'insieme, viene aggiunto un nuovo modello all'insieme esistente e viene calcolato il punteggio risultante.Then for each ensemble iteration, a new model is added to the existing ensemble and the resulting score is calculated. Se un nuovo modello migliora il punteggio dell'insieme esistente, l'insieme viene aggiornato in modo da includere il nuovo modello.If a new model improved the existing ensemble score, the ensemble is updated to include the new model.

Per la modifica delle impostazioni dell'insieme predefinite in Machine Learning automatizzato, vedere la guida pratica.See the how-to for changing default ensemble settings in automated machine learning.

Linee guida per le destinazioni di calcolo locali e remote gestite di Machine LearningGuidance on local vs. remote managed ML compute targets

L'interfaccia Web per Machine Learning automatizzato usa sempre una destinazione di calcolo remota.The web interface for automated ML always uses a remote compute target. Tuttavia, quando si usa Python SDK, scegliere una destinazione di calcolo locale o remota per il training di Machine Learning automatizzato.But when you use the Python SDK, you will choose either a local compute or a remote compute target for automated ML training.

  • Calcolo locale: il training viene eseguito sul computer portatile locale o sul calcolo della macchina virtuale.Local compute: Training occurs on your local laptop or VM compute.
  • Calcolo remoto: il training viene eseguito nei cluster di calcolo di Machine Learning.Remote compute: Training occurs on Machine Learning compute clusters.

Scegliere una destinazione di calcoloChoose compute target

Quando si sceglie la destinazione di calcolo, tenere in considerazione i fattori seguenti:Consider these factors when choosing your compute target:

  • Scegliere un computer locale: se lo scenario riguarda le esplorazioni iniziali o le demo che usano dati di piccole dimensioni e training di breve durata, ovvero secondi o pochi minuti per ogni esecuzione figlio, il training sul computer locale potrebbe essere la scelta migliore.Choose a local compute: If your scenario is about initial explorations or demos using small data and short trains (i.e. seconds or a couple of minutes per child run), training on your local computer might be a better choice. Non sono presenti tempi di installazione, le risorse dell'infrastruttura (PC o macchina virtuale) sono direttamente disponibili.There is no setup time, the infrastructure resources (your PC or VM) are directly available.
  • Scegliere un cluster di elaborazione ml remoto: se si esegue il training con set di impostazioni di dimensioni maggiori, ad esempio nel training di produzione, creazione di modelli che richiedono treni più lunghi, il calcolo remoto fornirà prestazioni migliori per l'ora end-to-end perché AutoML parallelizzare i treni tra i nodi del cluster.Choose a remote ML compute cluster: If you are training with larger datasets like in production training creating models which need longer trains, remote compute will provide much better end-to-end time performance because AutoML will parallelize trains across the cluster's nodes. In un calcolo remoto, il tempo di avvio per l'infrastruttura interna aggiungerà circa 1,5 minuti per ogni esecuzione, oltre a minuti aggiuntivi per l'infrastruttura cluster se le macchine virtuali non sono ancora in esecuzione.On a remote compute, the start-up time for the internal infrastructure will add around 1.5 minutes per child run, plus additional minutes for the cluster infrastructure if the VMs are not yet up and running.

Vantaggi e svantaggiPros and cons

Nella scelta tra calcolo locale o remoto, tenere presenti i vantaggi e gli svantaggi seguenti.Consider these pros and cons when choosing to use local vs. remote.

VantaggiPros (Advantages) SvantaggiCons (Handicaps)
Destinazione di calcolo localeLocal compute target
  • Nessun orario di avvio dell'ambienteNo environment start-up time
  • Subset di funzionalitàSubset of features
  • Esecuzioni non parallelizzabiliCan't parallelize runs
  • Non ottimale per dati di grandi dimensioniWorse for large data.
  • Nessun flusso di dati durante il trainingNo data streaming while training
  • Nessuna definizione delle funzionalità basata sulla rete neurale profondaNo DNN-based featurization
  • Solo Python SDKPython SDK only
  • Cluster di elaborazione di Machine Learning remotiRemote ML compute clusters
  • Set completo di funzionalitàFull set of features
  • Esecuzioni figlio parallelizzateParallelize child runs
  • Supporto per dati di grandi dimensioniLarge data support
  • Definizione delle funzionalità basata sulla rete neurale profondaDNN-based featurization
  • Scalabilità dinamica del cluster di elaborazione su richiestaDynamic scalability of compute cluster on demand
  • Esperienza senza codice (interfaccia utente Web)No-code experience (web UI) also available
  • Tempo di avvio per i nodi del clusterStart-up time for cluster nodes
  • Tempo di avvio per ogni esecuzione figlioStart-up time for each child run
  • Disponibilità delle funzionalitàFeature availability

    Quando si usa il calcolo remoto, sono disponibili altre funzionalità, come illustrato nella tabella seguente.More features are available when you use the remote compute, as shown in the table below.

    FunzionalitàFeature RemoteRemote LocalLocal
    Streaming dei dati (supporto per dati di grandi dimensioni, fino a 100 GB)Data streaming (Large data support, up to 100 GB)
    Training e definizione delle funzionalità di testo basate su rete neurale profonda e modello BERTDNN-BERT-based text featurization and training
    Supporto GPU predefinito (training e inferenza)Out-of-the-box GPU support (training and inference)
    Supporto per la classificazione delle immagini e l'assegnazione di etichetteImage Classification and Labeling support
    Modelli di previsione Auto-ARIMA, Prophet e ForecastTCNAuto-ARIMA, Prophet and ForecastTCN models for forecasting
    Più esecuzioni/iterazioni in paralleloMultiple runs/iterations in parallel
    Creare modelli con l'interpretabilità nell'interfaccia utente dell'esperienza Web di Machine Learning automatizzatoCreate models with interpretability in AutoML studio web experience UI
    Personalizzazione della progettazione delle funzionalità nell'interfaccia utente dell'esperienza Web di StudioFeature engineering customization in studio web experience UI
    Ottimizzazione degli iperparametri di Machine Learning automatizzatoAzure ML hyperparameter tuning
    Supporto del flusso di lavoro della pipeline di Azure Machine LearningAzure ML Pipeline workflow support
    Continuare un'esecuzioneContinue a run
    PrevisioneForecasting
    Creare ed eseguire esperimenti nei notebookCreate and run experiments in notebooks
    Registrare e visualizzare le informazioni e le metriche dell'esperimento nell'interfaccia utenteRegister and visualize experiment's info and metrics in UI
    Protezione datiData guardrails

    Molti modelliMany models

    L'acceleratore di soluzione molti modelli (anteprima) si basa su Azure Machine Learning e consente di usare Machine Learning automatizzato per eseguire il training, utilizzare e gestire centinaia o addirittura migliaia di modelli di Machine Learning.The Many Models Solution Accelerator (preview) builds on Azure Machine Learning and enables you to use automated ML to train, operate, and manage hundreds or even thousands of machine learning models.

    Ad esempio, la creazione di un modello per ogni istanza o unico negli scenari seguenti può produrre risultati migliori:For example, building a model for each instance or individual in the following scenarios can lead to improved results:

    • Stima delle vendite per ogni singolo negozioPredicting sales for each individual store
    • Manutenzione predittiva per centinaia di pozzi di petrolioPredictive maintenance for hundreds of oil wells
    • Adattamento di un'esperienza ai singoli utentiTailoring an experience for individual users.

    Impostazioni dell'esperimentoExperiment settings

    Le impostazioni seguenti consentono di configurare l'esperimento di Machine Learning automatizzato.The following settings allow you to configure your automated ML experiment.

    Python SDKThe Python SDK Esperienza Web di StudioThe studio web experience
    Suddivide i dati in set di training/convalidaSplit data into train/validation sets
    Supporta le attività di Machine Learning: classificazione, regressione e previsioneSupports ML tasks: classification, regression, and forecasting
    Ottimizza in base alla metrica primariaOptimizes based on primary metric
    Supporta le risorse di calcolo di Azure ML come destinazione di calcoloSupports Azure ML compute as compute target
    Configurare l'orizzonte di previsione, i ritardi di destinazione & finestra in sequenzaConfigure forecast horizon, target lags & rolling window
    Imposta criteri uscitaSet exit criteria
    Imposta il numero massimo di iterazioni simultaneeSet concurrent iterations
    Elimina colonneDrop columns
    Algoritmi di bloccoBlock algorithms
    Convalida incrociataCross validation
    Supporta il training su cluster di Azure DatabricksSupports training on Azure Databricks clusters
    Visualizza i nomi delle funzionalità progettateView engineered feature names
    Riepilogo delle funzionalitàFeaturization summary
    Definizione delle funzionalità per le festivitàFeaturization for holidays
    Livelli di dettaglio file di logLog file verbosity levels

    Impostazioni del modelloModel settings

    Queste impostazioni possono essere applicate al modello migliore in seguito all'esperimento di Machine Learning automatizzato.These settings can be applied to the best model as a result of your automated ML experiment.

    Python SDKThe Python SDK Esperienza Web di StudioThe studio web experience
    Registrazione, distribuzione e spiegazione migliore del modelloBest model registration, deployment, explainability
    Abilitare i modelli di ensemble di voto & stack EnsembleEnable voting ensemble & stack ensemble models
    Mostra il modello migliore in base a una metrica non primariaShow best model based on non-primary metric
    Abilita/Disabilita la compatibilità del modello ONNXEnable/disable ONNX model compatibility
    Testare un modelloTest the model

    Impostazioni di controllo dell'esecuzioneRun control settings

    Queste impostazioni consentono di esaminare e controllare le esecuzioni dell'esperimento e le esecuzioni figlio.These settings allow you to review and control your experiment runs and its child runs.

    Python SDKThe Python SDK Esperienza Web di StudioThe studio web experience
    Esegue la tabella di riepilogoRun summary table
    Annulla esecuzioni & esecuzioni figlioCancel runs & child runs
    Ottiene protezioniGet guardrails
    Sospendere & riprendere le esecuzioniPause & resume runs

    Machine Learning automatizzato e ONNXAutoML & ONNX

    Con Azure Machine Learning, è possibile usare Machine Learning automatizzato per compilare un modello Python e convertirlo nel formato ONNX.With Azure Machine Learning, you can use automated ML to build a Python model and have it converted to the ONNX format. Quando i modelli sono nel formato ONNX, possono essere eseguiti in un'ampia gamma di piattaforme e dispositivi.Once the models are in the ONNX format, they can be run on a variety of platforms and devices. Altre informazioni sull'accelerazione dei modelli di Machine Learning con ONNX.Learn more about accelerating ML models with ONNX.

    Vedere come eseguire la conversione nel formato ONNX in questo esempio di notebook Jupyter.See how to convert to ONNX format in this Jupyter notebook example. Informazioni sugli algoritmi supportati in ONNX.Learn which algorithms are supported in ONNX.

    Il runtime di ONNX supporta anche C#, quindi è possibile usare il modello creato automaticamente nelle app C# senza la necessità di ricodificare o di una delle latenze di rete introdotte dagli endpoint REST.The ONNX runtime also supports C#, so you can use the model built automatically in your C# apps without any need for recoding or any of the network latencies that REST endpoints introduce. Altre informazioni sull' uso di un modello AUTOML ONNX in un'applicazione .NET con ml.NET e sull'inferenza dei modelli ONNX con l'API C# di runtime ONNX.Learn more about using an AutoML ONNX model in a .NET application with ML.NET and inferencing ONNX models with the ONNX runtime C# API.

    Passaggi successiviNext steps

    Sono disponibili più risorse per iniziare a usare AutoML.There are multiple resources to get you up and running with AutoML.

    Esercitazioni/procedureTutorials/ how-tos

    Le esercitazioni sono esempi introduttivi end-to-end di scenari AutoML.Tutorials are end-to-end introductory examples of AutoML scenarios.

    Gli articoli illustrano in dettaglio le funzionalità offerte da AutoML.How to articles provide additional detail into what functionality AutoML offers. Ad esempio,For example,

    Esempi di Jupyter notebookJupyter notebook samples

    Esaminare gli esempi di codice e i casi di utilizzo dettagliati nel repository dei notebook di GitHub per gli esempi automatici di Machine Learning.Review detailed code examples and use cases in the GitHub notebook repository for automated machine learning samples.

    Informazioni di riferimento su Python SDKPython SDK reference

    Approfondire la conoscenza dei modelli di progettazione e delle specifiche di classe dell'SDK con la documentazione di riferimento della classe AutoML.Deepen your expertise of SDK design patterns and class specifications with the AutoML class reference documentation.

    Nota

    Le funzionalità automatiche di Machine Learning sono disponibili anche in altre soluzioni Microsoft, ad esempio ml.NET, HDInsight, Power bi e SQL ServerAutomated machine learning capabilities are also available in other Microsoft solutions such as, ML.NET, HDInsight, Power BI and SQL Server