Gegevens invoer en-uitvoer

Notitie

Van toepassing op : machine learning Studio (klassiek)

Deze inhoud is alleen van toepassing op Studio (klassiek). Er zijn Vergelijk bare modules voor slepen en neerzetten toegevoegd aan Azure Machine Learning Designer. In dit artikel vindt u meer informatie over de twee versies.

Dit artikel bevat een lijst met de modules die u kunt gebruiken voor het importeren en exporteren van gegevens en modellen in Azure Machine Learning Studio (klassiek).

Naast het gebruik van modules kunt u gegevens sets rechtstreeks uploaden en downloaden van lokale bestanden op uw computer of netwerk. Zie bestaande gegevens uploaden naar een Azure machine learning experimentvoor meer informatie.

Hier volgen enkele van de bronnen die u kunt gebruiken voor het importeren en exporteren van gegevens en modellen in Machine Learning Studio (klassiek):

  • Gegevens ophalen uit bronnen in de Cloud, zoals Azure SQL Database, Azure SQL Data Warehouse, Azure Storage en Azure Cosmos DB. U kunt ook gegevens importeren die worden weer gegeven als een open bare web-URL, gegevens ophalen uit Hadoop met behulp van een Hive-query of een query uitvoeren op een on-premises SQL-Server.
  • Laad een verzameling installatie kopieën uit Azure Blob-opslag om te gebruiken in een installatie kopie van de classificatie taken.
  • Extraheer de gegevens uit gezipte bestanden die u hebt geüpload naar Machine Learning. U kunt de gegevens sets gebruiken in experimenten.
  • Maak kleine gegevens sets door in de gebruikers interface van Machine Learning Studio (klassiek) te typen. Dit kan handig zijn om kleine test gegevens sets te maken.
  • Sla uw resultaten of tussenliggende gegevens op in azure-tabel opslag, Blob-opslag, een SQL database of een Hive-query.
  • Haal een getraind model op uit een URL of Blob-opslag en gebruik dit vervolgens in een experiment.

Notitie

De modules in deze groep verplaatsen alleen gegevens naar of van Machine Learning Studio (klassiek). U kunt de modules niet gebruiken om de gegevens tijdens het import-of export proces te filteren, te casten of te transformeren.

Zie Data Transformation(Engelstalig) voor meer informatie over het transformeren en filteren van uw gegevens in machine learning Studio (klassiek).

Resources

In de volgende artikelen worden veelvoorkomende gegevens scenario's in machine learning geïntroduceerd:

Aan de slag

Meer informatie over het beheren van gegevens voor machine learning in de Cloud. De informatie in dit artikel is gebaseerd op heldere DM, een industrie standaard. Het artikel bevat end-to-end-instructies voor het demonstreren van de integratie van machine learning met Cloud gegevens oplossingen zoals Azure HDInsight en SQL Database.

In dit artikel wordt beschreven hoe u uw gegevens ophaalt in Azure en vervolgens een experiment maakt.

Geavanceerde gegevens wetenschap

Informatie over het installeren van de Machine Learning python-client bibliotheek en deze vervolgens gebruiken om toegang te krijgen tot meta gegevens en te werken met gegevens sets.

Voorbeeldexperimenten

Lijst met modules

De categorie gegevens invoer en-uitvoer bevat de volgende modules:

  • Gegevens hand matig invoeren: Hiermee kunt u kleine gegevens sets maken door waarden te typen.
  • Gegevens exporteren: schrijft een gegevensset naar web-url's of naar verschillende vormen van Cloud opslag in azure, zoals tabellen, blobs of een SQL database.
  • Gegevens importeren: laadt gegevens uit externe bronnen op internet en uit verschillende soorten Cloud opslag in azure, zoals Table Storage, Blob storage, SQL Database, SQL Data Warehouse, Azure Cosmos DB of een Hive-query. U kunt ook gegevens importeren uit een on-premises SQL Server Data Base.
  • Getraind model laden: haalt een getraind model op uit een URL of Blob-opslag om te gebruiken in een score experiment.
  • Gezipte gegevens sets uitpakken: decomprimeert een gegevensset die is opgeslagen in gezipte indeling en voegt de gegevensset vervolgens toe aan uw werk ruimte.

Zie ook