Co to jest automatyczne Uczenie maszynowe (AutoML)?What is automated machine learning (AutoML)?

Zautomatyzowana Uczenie maszynowe, nazywana również automatycznym ML lub AutoML, jest procesem automatyzacji czasochłonnych, iteracyjnych zadań tworzenia modelu uczenia maszynowego.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. Umożliwia ona analitykom danych, specjalistom i deweloperom tworzenie modeli ML o wysokiej skalowalności, wydajności i produktywności, a jednocześnie zapewnia wysoką jakość modelu.It allows data scientists, analysts, and developers to build ML models with high scale, efficiency, and productivity all while sustaining model quality. Automatyczna ML w Azure Machine Learning opiera się na przełomie naszego działu badawczego firmy Microsoft.Automated ML in Azure Machine Learning is based on a breakthrough from our Microsoft Research division.

Tradycyjny rozwój modelu uczenia maszynowego jest czasochłonny i wymaga znacznej wiedzy o domenie oraz czasu na wyprodukowanie i porównanie dziesiątek modeli.Traditional machine learning model development is resource-intensive, requiring significant domain knowledge and time to produce and compare dozens of models. Dzięki automatycznemu uczeniu maszynowego skracasz czas potrzebny do uzyskania gotowych do produkcji modeli ML z doskonałą prostotą i wydajnością.With automated machine learning, you'll accelerate the time it takes to get production-ready ML models with great ease and efficiency.

Kiedy używać AutoML: klasyfikowanie, regresja, & prognozowanieWhen to use AutoML: classify, regression, & forecast

Zastosuj automatyczne ML, gdy chcesz, aby Azure Machine Learning szkolić i dostrajania model przy użyciu określonej metryki docelowej.Apply automated ML when you want Azure Machine Learning to train and tune a model for you using the target metric you specify. Zautomatyzowana tablica demokratyzuje proces tworzenia modelu uczenia maszynowego i umożliwia jego użytkownikom, bez względu na swoją wiedzę o nauce danych, identyfikację kompleksowego potoku uczenia maszynowego dla każdego problemu.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.

Analitycy danych, analitykowie i deweloperzy w różnych branżach mogą używać zautomatyzowanych ML do:Data scientists, analysts, and developers across industries can use automated ML to:

  • Wdrażanie rozwiązań ML bez obszernej wiedzy programistycznejImplement ML solutions without extensive programming knowledge
  • Oszczędność czasu i zasobówSave time and resources
  • Korzystanie z najlepszych rozwiązań dotyczących analizy danychLeverage data science best practices
  • Zapewnianie problemu Agile — Rozwiązywanie problemówProvide agile problem-solving

KlasyfikacjaClassification

Klasyfikacja to typowe zadanie uczenia maszynowego.Classification is a common machine learning task. Klasyfikacja to typ nadzorowanych szkoleń, w których modele uczyją się korzystać z danych szkoleniowych i stosują te informacje do nowych danych.Classification is a type of supervised learning in which models learn using training data, and apply those learnings to new data. Azure Machine Learning oferuje featurizations dla tych zadań, takich jak głębokie neuronowych Network Text featurizers for klasyfikacji.Azure Machine Learning offers featurizations specifically for these tasks, such as deep neural network text featurizers for classification. Dowiedz się więcej o opcjach cechowania.Learn more about featurization options.

Głównym celem modeli klasyfikacji jest przewidywanie, do których kategorii nowe dane będą się opierać na podstawie informacji szkoleniowych.The main goal of classification models is to predict which categories new data will fall into based on learnings from its training data. Typowe przykłady klasyfikacji obejmują wykrywanie oszustw, rozpoznawanie pisma ręcznego i wykrywanie obiektów.Common classification examples include fraud detection, handwriting recognition, and object detection. Dowiedz się więcej i zapoznaj się z przykładem na temat tworzenia modelu klasyfikacji przy użyciu zautomatyzowanejtablicy.Learn more and see an example at Create a classification model with automated ML.

Zobacz przykłady klasyfikacji i zautomatyzowane Uczenie maszynowe w tych notesach języka Python: wykrywanie oszustw, prognozowanie marketingowei Klasyfikacja danych grupy dyskusyjnejSee examples of classification and automated machine learning in these Python notebooks: Fraud Detection, Marketing Prediction, and Newsgroup Data Classification

RegresjaRegression

Podobnie jak w przypadku klasyfikacji, zadania regresji są również typowym nadzorowanym zadaniem szkoleniowym.Similar to classification, regression tasks are also a common supervised learning task. Azure Machine Learning oferuje featurizations dla tych zadań.Azure Machine Learning offers featurizations specifically for these tasks.

Różni się od klasyfikacji, w której przewidywane wartości wyjściowe to kategorii, modele regresji przewidywania liczbowych wartości wyjściowych na podstawie niezależnych predykcyjnych.Different from classification where predicted output values are categorical, regression models predict numerical output values based on independent predictors. W regresji celem jest pomoc w ustaleniu relacji między niezależnymi zmiennymi predykcyjnymi przez oszacowanie wpływu jednej zmiennej na inne.In regression, the objective is to help establish the relationship among those independent predictor variables by estimating how one variable impacts the others. Na przykład cena na urządzeniach przenośnych oparta na funkcjach takich jak, kilometry gazu, Ocena bezpieczeństwa itp.For example, automobile price based on features like, gas mileage, safety rating, etc. Dowiedz się więcej i zobacz przykład regresji przy użyciu automatycznej uczenia maszynowego.Learn more and see an example of regression with automated machine learning.

Zobacz przykłady regresji i zautomatyzowane Uczenie maszynowe na potrzeby prognoz w tych notesach języka Python: Prognoza wydajności procesora CPU,See examples of regression and automated machine learning for predictions in these Python notebooks: CPU Performance Prediction,

Prognozowanie szeregów czasowychTime-series forecasting

Tworzenie prognoz jest integralną częścią dowolnej firmy, bez względu na to, czy chodzi o dochody, spisy, sprzedaż czy zapotrzebowanie na klienta.Building forecasts is an integral part of any business, whether it's revenue, inventory, sales, or customer demand. Możesz użyć zautomatyzowanej ML do łączenia technik i podejścia i uzyskania zalecanej wysokiej jakości prognozy szeregów czasowych.You can use automated ML to combine techniques and approaches and get a recommended, high-quality time-series forecast. Dowiedz się więcej, korzystając z tej procedury: Automatyczne Uczenie maszynowe na potrzeby prognozowania szeregów czasowych.Learn more with this how-to: automated machine learning for time series forecasting.

Zautomatyzowany eksperyment szeregów czasowych jest traktowany jako problem z regresją wieloczynnikowa.An automated time-series experiment is treated as a multivariate regression problem. Poprzednie wartości serii czasowych są "przestawne", aby stać się dodatkowymi wymiarami regresor wraz z innymi predykcyjnymi.Past time-series values are "pivoted" to become additional dimensions for the regressor together with other predictors. Takie podejście, w przeciwieństwie do klasycznych metod szeregów czasowych, ma zaletę naturalnie dołączania wielu zmiennych kontekstowych i ich relacji do siebie podczas uczenia się.This approach, unlike classical time series methods, has an advantage of naturally incorporating multiple contextual variables and their relationship to one another during training. Zautomatyzowana ML zdobywa pojedynczy, ale często wewnętrznie rozgałęzienie modelu dla wszystkich elementów w zestawie danych i prognozowanie Horizons.Automated ML learns a single, but often internally branched model for all items in the dataset and prediction horizons. W tym celu można uzyskać więcej danych w celu oszacowania parametrów modelu i generalizacji do niewidocznej serii.More data is thus available to estimate model parameters and generalization to unseen series becomes possible.

Zaawansowana konfiguracja prognozowania obejmuje:Advanced forecasting configuration includes:

  • Wykrywanie świąt i cechowaniaholiday detection and featurization
  • DNN (autoARIMA, Prophet, ForecastTCN)time-series and DNN learners (Auto-ARIMA, Prophet, ForecastTCN)
  • wiele modeli obsługuje grupowaniemany models support through grouping
  • krzyżowe sprawdzanie poprawności źródłarolling-origin cross validation
  • Konfigurowalne spowolnieniaconfigurable lags
  • funkcje agregujące okna stopniowegorolling window aggregate features

Zobacz przykłady regresji i zautomatyzowane Uczenie maszynowe na potrzeby prognoz w tych notesach w języku Python: prognozowanie sprzedaży, prognozowanie popytui prognoza produkcji napojów.See examples of regression and automated machine learning for predictions in these Python notebooks: Sales Forecasting, Demand Forecasting, and Beverage Production Forecast.

Jak działa zautomatyzowany MLHow automated ML works

Podczas uczenia Azure Machine Learning tworzy wiele potoków równolegle, które próbują wykonać różne algorytmy i parametry.During training, Azure Machine Learning creates a number of pipelines in parallel that try different algorithms and parameters for you. Usługa wykonuje iterację przez algorytmy ML sparowane z opcjami wyboru funkcji, gdzie każda iteracja tworzy model z wynikiem uczenia.The service iterates through ML algorithms paired with feature selections, where each iteration produces a model with a training score. Im wyższy wynik, tym lepszy model jest traktowany jako "dopasowane" do danych.The higher the score, the better the model is considered to "fit" your data. Zostanie ona zatrzymana po trafieniu kryteriów zakończenia zdefiniowanych w eksperymentie.It will stop once it hits the exit criteria defined in the experiment.

Korzystając z Azure Machine Learning, można projektować i uruchamiać zautomatyzowane eksperymenty szkoleniowe ml z następującymi krokami:Using Azure Machine Learning, you can design and run your automated ML training experiments with these steps:

  1. Określ problem związany z ml , który ma zostać rozwiązany: Klasyfikacja, prognozowanie lub regresjaIdentify the ML problem to be solved: classification, forecasting, or regression

  2. Wybierz, czy chcesz używać zestawu SDK języka Python, czy środowiska sieci Web programu Studio: Poznaj informacje o parzystości między środowiskiem websdk i Studio w sieci Web.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. Określ źródło i format etykiet danych szkoleniowych: Numpy Arrays lub Pandas DataframeSpecify the source and format of the labeled training data: Numpy arrays or Pandas dataframe

  4. Skonfiguruj cel obliczeń dla szkolenia modelu, takiego jak komputer lokalny, Azure Machine Learning obliczeń, zdalnych maszyn wirtualnych lub Azure Databricks.Configure the compute target for model training, such as your local computer, Azure Machine Learning Computes, remote VMs, or Azure Databricks. Dowiedz się więcej o zautomatyzowanym szkoleniu dla zasobu zdalnego.Learn about automated training on a remote resource.

  5. Skonfiguruj zautomatyzowane parametry uczenia maszynowego , które określają, ile iteracji przekroczy różne modele, ustawienia parametrów, zaawansowane przetwarzanie wstępne/cechowania i jakie metryki mają być sprawdzane podczas określania najlepszego modelu.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. Prześlij przebieg szkoleniowy.Submit the training run.

  7. Przejrzyj wynikiReview the results

Na poniższym diagramie przedstawiono ten proces.The following diagram illustrates this process. Automatyczne Uczenie maszynoweAutomated Machine learning

Możesz również sprawdzić zarejestrowane informacje o uruchomieniu, które zawierają metryki zebrane podczas uruchamiania.You can also inspect the logged run information, which contains metrics gathered during the run. Uruchomienie szkoleniowe powoduje utworzenie serializowanego obiektu języka Python ( .pkl plik) zawierającego model i przetwarzanie wstępne przetwarzania danych.The training run produces a Python serialized object (.pkl file) that contains the model and data preprocessing.

Chociaż Kompilowanie modelu jest zautomatyzowane, można również dowiedzieć się, jak ważne lub istotne funkcje są wygenerowane modele.While model building is automated, you can also learn how important or relevant features are to the generated models.

Dowiedz się, jak używać zdalnego obiektu docelowego obliczeń.Learn how to use a remote compute target.

Inżynieria cechFeature engineering

Inżynieria funkcji to proces polegający na użyciu znajomości domeny danych w celu utworzenia funkcji, które pomagają algorytmom ML uczyć się.Feature engineering is the process of using domain knowledge of the data to create features that help ML algorithms learn better. W Azure Machine Learning są stosowane techniki skalowania i normalizacji w celu ułatwienia inżynierii funkcji.In Azure Machine Learning, scaling and normalization techniques are applied to facilitate feature engineering. Wspólnie te techniki i inżynieria funkcji są określane jako cechowania.Collectively, these techniques and feature engineering are referred to as featurization.

W przypadku zautomatyzowanych eksperymentów usługi Machine Learning cechowania jest stosowana automatycznie, ale można ją również dostosować na podstawie danych.For automated machine learning experiments, featurization is applied automatically, but can also be customized based on your data. Dowiedz się więcej na temat tego, co obejmuje cechowania.Learn more about what featurization is included.

Uwaga

Zautomatyzowane kroki cechowania uczenia maszynowego (normalizacja funkcji, obsługa brakujących danych, konwertowanie tekstu na liczbowe itp.) staje się częścią modelu źródłowego.Automated machine learning featurization steps (feature normalization, handling missing data, converting text to numeric, etc.) become part of the underlying model. Korzystając z modelu dla prognoz, te same kroki cechowania stosowane podczas uczenia są automatycznie stosowane do danych wejściowych.When using the model for predictions, the same featurization steps applied during training are applied to your input data automatically.

Automatyczna cechowania (standardowa)Automatic featurization (standard)

W każdym automatycznym doświadczeniu uczenia maszynowego Twoje dane są automatycznie skalowane lub znormalizowane w celu zapewnienia prawidłowego wykonywania algorytmów.In every automated machine learning experiment, your data is automatically scaled or normalized to help algorithms perform well. Podczas uczenia modelu jedna z następujących technik skalowania lub normalizacji zostanie zastosowana do każdego modelu.During model training, one of the following scaling or normalization techniques will be applied to each model. Dowiedz się, w jaki sposób usługa AutoML pomaga zapobiegać nadmiernemu dopasowywaniu i niezrównoważonym danych w modelach.Learn how AutoML helps prevent over-fitting and imbalanced data in your models.

  &   Normalizacja skalowaniaScaling & normalization OpisDescription
StandardScaleWrapperStandardScaleWrapper Ujednolicenie funkcji przez usunięcie średniej i skalowania do wariancji jednostekStandardize features by removing the mean and scaling to unit variance
MinMaxScalarMinMaxScalar Przekształca funkcje, przeskalowane każdą funkcję według minimalnej i maksymalnej wartości tej kolumnyTransforms features by scaling each feature by that column's minimum and maximum
MaxAbsScalerMaxAbsScaler Skaluj każdą funkcję przez maksymalną wartość bezwzględnąScale each feature by its maximum absolute value
RobustScalarRobustScalar Ta funkcja skalowania według ich zakresu quantileThis Scaler features by their quantile range
ZPCA Zmniejszenie liczby liniowej przy użyciu jednoznacznej dekompozycji danych w celu ich zaprojektowania do mniejszej przestrzeni wymiarowejLinear dimensionality reduction using Singular Value Decomposition of the data to project it to a lower dimensional space
TruncatedSVDWrapperTruncatedSVDWrapper Ta metoda przekształcania dokonuje redukcji liniowej, dzięki obcięciu pojedynczej dekompozycji wartości (SVD).This transformer performs linear dimensionality reduction by means of truncated singular value decomposition (SVD). W przeciwieństwie do UPW, ten szacowania nie Wyśrodkowuje danych przed wdrożeniem wielowartościowej dekompozycji, co oznacza, że może wydajnie współpracować z scipy. rozrzedzonych macierzyContrary 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 Każdy przykład (to oznacza, że każdy wiersz macierzy danych) z co najmniej jednym składnikiem niezerowym jest ponownie skalowany niezależnie od innych próbek, tak aby jego norma (L1 lub L2) była równa 1Each 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

Dostosuj cechowaniaCustomize featurization

Dostępne są również dodatkowe techniki inżynieryjne funkcji, takie jak kodowanie i transformacje.Additional feature engineering techniques such as, encoding and transforms are also available.

Włącz to ustawienie przy użyciu:Enable this setting with:

  • Azure Machine Learning Studio: Włącz Automatyczne cechowania w sekcji Wyświetl dodatkową konfigurację , wykonując następujące kroki.Azure Machine Learning studio: Enable Automatic featurization in the View additional configuration section with these steps.

  • Zestaw SDK języka Python: Określ "feauturization": 'auto' / 'off' / 'FeaturizationConfig' w obiekcie AutoMLConfig .Python SDK: Specify "feauturization": 'auto' / 'off' / 'FeaturizationConfig' in your AutoMLConfig object. Dowiedz się więcej na temat włączania cechowania.Learn more about enabling featurization.

Modele kompletówEnsemble models

Automatyczne Uczenie maszynowe obsługuje modele kompletów, które są domyślnie włączone.Automated machine learning supports ensemble models, which are enabled by default. Program dblearning podnosi wyniki uczenia maszynowego i wydajność predykcyjną przez połączenie wielu modeli w przeciwieństwie do korzystania z pojedynczych modeli.Ensemble learning improves machine learning results and predictive performance by combining multiple models as opposed to using single models. Iteracje kompletka są wyświetlane jako ostateczne iteracje przebiegu.The ensemble iterations appear as the final iterations of your run. Automatyczne Uczenie maszynowe używa metody "głosowania" i "stosu" do łączenia modeli:Automated machine learning uses both voting and stacking ensemble methods for combining models:

  • Głosowanie: przewidywania w oparciu o średnią ważoną przewidywanych prawdopodobieństw zajęć (dla zadań klasyfikacji) lub przewidywane cele regresji (dla zadań regresji).Voting: predicts based on the weighted average of predicted class probabilities (for classification tasks) or predicted regression targets (for regression tasks).
  • Stosowanie: stosy łączy heterogenicznych modele i pociąga za siebie model na podstawie danych wyjściowych z poszczególnych modeli.Stacking: stacking combines heterogenous models and trains a meta-model based on the output from the individual models. Bieżące domyślne meta models to LogisticRegression dla zadań klasyfikacji i ElasticNet dla zadań regresji/prognozowania.The current default meta-models are LogisticRegression for classification tasks and ElasticNet for regression/forecasting tasks.

Algorytm wyboru Caruana DBZ posortowaną inicjalizacją kompletną służy do decydowania, które modele mają być używane w ramach tego modułu.The Caruana ensemble selection algorithm with sorted ensemble initialization is used to decide which models to use within the ensemble. Na wysokim poziomie ten algorytm inicjuje zespół z maksymalnie pięcioma modelami z najlepszymi wynikami i sprawdza, czy te modele mieszczą się w przedziale od 5% do największej wartości, aby uniknąć słabego początkowego elementu.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. Następnie dla każdej iteracji, nowy model jest dodawany do istniejącej, a wynik jest obliczany.Then for each ensemble iteration, a new model is added to the existing ensemble and the resulting score is calculated. Jeśli nowy model poprawi istniejący wynik, jego kompletność zostanie zaktualizowana w celu uwzględnienia nowego modelu.If a new model improved the existing ensemble score, the ensemble is updated to include the new model.

Zapoznaj się z tematem jak zmienić domyślne ustawienia zestawu w usłudze automat Machine Learning.See the how-to for changing default ensemble settings in automated machine learning.

Wskazówki dotyczące lokalnego i zdalnego zarządzania ML obiektów docelowych obliczeńGuidance on local vs. remote managed ML compute targets

Interfejs sieci Web dla zautomatyzowanej ML zawsze używa zdalnego miejsca docelowego obliczeń.The web interface for automated ML always uses a remote compute target. Ale w przypadku korzystania z zestawu SDK języka Python należy wybrać lokalne obliczenia lub zdalne miejsce docelowe obliczeń na potrzeby automatycznego szkolenia ML.But when you use the Python SDK, you will choose either a local compute or a remote compute target for automated ML training.

  • Lokalne Obliczanie: szkolenie odbywa się na lokalnym komputerze przenośnym lub w ramach obliczeń dotyczących maszyn wirtualnych.Local compute: Training occurs on your local laptop or VM compute.
  • Zdalne Obliczanie: szkolenie odbywa się w przypadku Machine Learning klastrów obliczeniowych.Remote compute: Training occurs on Machine Learning compute clusters.

Wybierz element docelowy obliczeńChoose compute target

Należy wziąć pod uwagę te czynniki podczas wybierania obiektu docelowego obliczeń:Consider these factors when choosing your compute target:

  • Wybierz lokalne obliczenie: Jeśli Twój scenariusz dotyczy wstępnych eksploracji lub pokazów przy użyciu małych danych i krótkich pociągów (tj. sekund lub kilku minut na uruchomienie podrzędne), szkolenie na komputerze lokalnym może być lepszym wyborem.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. Nie ma czasu instalacji, zasoby infrastruktury (komputer lub maszyna wirtualna) są dostępne bezpośrednio.There is no setup time, the infrastructure resources (your PC or VM) are directly available.
  • Wybierz klaster obliczeniowy zdalnego ml: w przypadku szkoleń z większymi zestawami danych, takimi jak w szkoleniu produkcyjnym tworzenie modeli, które wymagają dłuższych pociągów, usługa zdalne obliczenia zapewnia znacznie lepszą wydajność, ponieważ AutoML zrównoleglanie pociąga w węzłach klastra.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. W przypadku zdalnego obliczenia czas rozpoczęcia dla infrastruktury wewnętrznej zostanie dodany około 1,5 minut na uruchomienie podrzędne, a także dodatkowe minuty dla infrastruktury klastra, jeśli maszyny wirtualne nie są jeszcze uruchomione.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.

Specjaliści i wadyPros and cons

Należy wziąć pod uwagę te zalety i wady, gdy wybierzesz opcję używania lokalnego i zdalnego.Consider these pros and cons when choosing to use local vs. remote.

Specjaliści (zalety)Pros (Advantages) Wady (wady)Cons (Handicaps)
Lokalne miejsce docelowe obliczeńLocal compute target
  • Brak czasu uruchamiania środowiskaNo environment start-up time
  • Podzbiór funkcjiSubset of features
  • Nie można zrównoleglanie przebiegówCan't parallelize runs
  • Gorsz w przypadku dużych ilości danych.Worse for large data.
  • Brak przesyłania strumieniowego danych podczas uczeniaNo data streaming while training
  • Brak cechowania opartych na DNNNo DNN-based featurization
  • Tylko zestaw SDK języka PythonPython SDK only
  • Klastry obliczeniowe zdalnej MLRemote ML compute clusters
  • Pełny zestaw funkcjiFull set of features
  • Uruchomienia podrzędne zrównoleglanieParallelize child runs
  • Obsługa dużych ilości danychLarge data support
  • Cechowania DNNDNN-based featurization
  • Dynamiczna skalowalność klastra obliczeniowego na żądanieDynamic scalability of compute cluster on demand
  • Dostępne są również środowiska bez kodu (interfejs użytkownika sieci Web)No-code experience (web UI) also available
  • Czas uruchamiania węzłów klastraStart-up time for cluster nodes
  • Czas uruchamiania każdego uruchomienia podrzędnegoStart-up time for each child run
  • Dostępność funkcjiFeature availability

    Więcej funkcji jest dostępnych w przypadku korzystania ze zdalnych obliczeń, jak pokazano w poniższej tabeli.More features are available when you use the remote compute, as shown in the table below.

    CechyFeature ZdalneRemote LokalneLocal
    Przesyłanie strumieniowe danych (obsługa dużej ilości danych, do 100 GB)Data streaming (Large data support, up to 100 GB)
    DNN BERT tekstu cechowania i szkoleniaDNN-BERT-based text featurization and training
    Wbudowana obsługa procesora GPU (szkolenia i wnioskowanie)Out-of-the-box GPU support (training and inference)
    Obsługa klasyfikacji i etykietowania obrazówImage Classification and Labeling support
    Modele autoARIMA, Prophet i ForecastTCN do prognozowaniaAuto-ARIMA, Prophet and ForecastTCN models for forecasting
    Wiele przebiegów/iteracji równolegleMultiple runs/iterations in parallel
    Tworzenie modeli z możliwością interpretacji w interfejsie użytkownika środowiska Web AutoML StudioCreate models with interpretability in AutoML studio web experience UI
    Dostosowywanie inżynierii funkcji w interfejsie użytkownika programu Studio Web ExperienceFeature engineering customization in studio web experience UI
    Dostrajanie parametru do usługi Azure MLAzure ML hyperparameter tuning
    Obsługa przepływu pracy potoku usługi Azure MLAzure ML Pipeline workflow support
    Kontynuuj przebiegContinue a run
    PrognozowanieForecasting
    Twórz i uruchamiaj eksperymenty w notesachCreate and run experiments in notebooks
    Zarejestruj i Wizualizuj informacje i metryki eksperymentu w interfejsie użytkownikaRegister and visualize experiment's info and metrics in UI
    Guardrails danychData guardrails

    Wiele modeliMany models

    Akcelerator rozwiązań wielu modeli (wersja zapoznawcza) jest oparty na Azure Machine Learning i umożliwia korzystanie z zautomatyzowanej ml do uczenia i obsługi setek, a nawet tysięcy modeli uczenia maszynowego.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.

    Na przykład Kompilowanie modelu dla każdego wystąpienia lub poszczególnych osób w następujących scenariuszach może prowadzić do udoskonalonych wyników:For example, building a model for each instance or individual in the following scenarios can lead to improved results:

    • Przewidywanie sprzedaży dla poszczególnych magazynówPredicting sales for each individual store
    • Konserwacja predykcyjna dla setek ropy naftowejPredictive maintenance for hundreds of oil wells
    • Dostosowanie środowiska dla poszczególnych użytkowników.Tailoring an experience for individual users.

    AutoML w Azure Machine LearningAutoML in Azure Machine Learning

    Azure Machine Learning oferuje dwa środowiska do pracy z zautomatyzowanymi ML:Azure Machine Learning offers two experiences for working with automated ML:

    Ustawienia eksperymentuExperiment settings

    Poniższe ustawienia umożliwiają skonfigurowanie zautomatyzowanego eksperymentu ML.The following settings allow you to configure your automated ML experiment.

    Zestaw SDK języka PythonThe Python SDK Środowisko sieci Web programu StudioThe studio web experience
    Dzielenie danych na zestawy uczenia/walidacjiSplit data into train/validation sets
    Obsługuje zadania ML: klasyfikacje, regresje i prognozowanieSupports ML tasks: classification, regression, and forecasting
    Optymalizuje na podstawie metryki podstawowejOptimizes based on primary metric
    Obsługuje obliczenia z platformy Azure ML jako element docelowy obliczeńSupports Azure ML compute as compute target
    Konfigurowanie horyzontu prognoz, Target spowolnienia & przedziałuConfigure forecast horizon, target lags & rolling window
    Ustawianie kryteriów zakończeniaSet exit criteria
    Ustaw współbieżne iteracjeSet concurrent iterations
    Usuwanie kolumnDrop columns
    Algorytmy blokowaniaBlock algorithms
    Krzyżowe sprawdzanie poprawnościCross validation
    Obsługuje szkolenia dotyczące klastrów Azure DatabricksSupports training on Azure Databricks clusters
    Przeglądanie nazw projektowanych funkcjiView engineered feature names
    Podsumowanie cechowaniaFeaturization summary
    Cechowania dla świątFeaturization for holidays
    Poziomy szczegółowości pliku dziennikaLog file verbosity levels

    Ustawienia modeluModel settings

    Te ustawienia mogą być stosowane do najlepszego modelu w wyniku zautomatyzowanego eksperymentu ML.These settings can be applied to the best model as a result of your automated ML experiment.

    Zestaw SDK języka PythonThe Python SDK Środowisko sieci Web programu StudioThe studio web experience
    Najlepsza Rejestracja modelu, wdrażanie, wyjaśnienieBest model registration, deployment, explainability
    Włącz głosujący zestawy kompletów & stosują modeleEnable voting ensemble & stack ensemble models
    Pokaż najlepszy model na podstawie metryki innej niż podstawowaShow best model based on non-primary metric
    Włącz/Wyłącz zgodność modelu ONNXEnable/disable ONNX model compatibility
    Testowanie modeluTest the model

    Uruchom ustawienia kontrolkiRun control settings

    Te ustawienia umożliwiają przeglądanie i kontrolowanie przebiegów eksperymentów oraz ich przebiegów podrzędnych.These settings allow you to review and control your experiment runs and its child runs.

    Zestaw SDK języka PythonThe Python SDK Środowisko sieci Web programu StudioThe studio web experience
    Uruchom tabelę podsumowaniaRun summary table
    Anulowanie przebiegów & podrzędnych przebiegówCancel runs & child runs
    Pobierz guardrailsGet guardrails
    Wstrzymywanie przebiegów & wznawianiaPause & resume runs

    AutoML & ONNXAutoML & ONNX

    Za pomocą Azure Machine Learning można użyć zautomatyzowanej ML do skompilowania modelu języka Python i przekonwertowania go na format ONNX.With Azure Machine Learning, you can use automated ML to build a Python model and have it converted to the ONNX format. Gdy modele są w formacie ONNX, można je uruchamiać na różnych platformach i urządzeniach.Once the models are in the ONNX format, they can be run on a variety of platforms and devices. Dowiedz się więcej na temat przyspieszania modeli ml za pomocą ONNX.Learn more about accelerating ML models with ONNX.

    Zobacz jak skonwertować do formatu ONNX w tym przykładzie notesu Jupyter.See how to convert to ONNX format in this Jupyter notebook example. Dowiedz się, które algorytmy są obsługiwane w ONNX.Learn which algorithms are supported in ONNX.

    Środowisko uruchomieniowe ONNX obsługuje również język C#, dzięki czemu można użyć modelu skompilowanego automatycznie w aplikacjach C# bez konieczności ponownego kodowania lub dowolnych opóźnień sieci, które wprowadzają punkty końcowe 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. Dowiedz się więcej o korzystaniu z modelu ONNX AutoML w aplikacji .NET z modelami ml.NET i inferencing ONNX za pomocą interfejsu API języka C# środowiska uruchomieniowego 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.

    Następne krokiNext steps

    Istnieje wiele zasobów ułatwiających rozpoczęcie pracy z usługą AutoML.There are multiple resources to get you up and running with AutoML.

    Samouczki/poradyTutorials/ how-tos

    Samouczki to kompleksowe przykładowe scenariusze AutoML.Tutorials are end-to-end introductory examples of AutoML scenarios.

    Jak artykuły zawierają dodatkowe informacje o oferowanych funkcjach AutoML.How to articles provide additional detail into what functionality AutoML offers. Przykład:For example,

    Przykłady notesu JupyterJupyter notebook samples

    Zapoznaj się ze szczegółowymi przykładami kodu i przypadkami użycia w repozytorium notesu usługi GitHub w celu uzyskania automatycznych próbek usługi Machine Learning.Review detailed code examples and use cases in the GitHub notebook repository for automated machine learning samples.

    Dokumentacja zestawu SDK języka PythonPython SDK reference

    Pogłębij wiedzę o wzorcach projektowych zestawu SDK i specyfikacjach klas przy użyciu dokumentacji dotyczącej klasy AutoML.Deepen your expertise of SDK design patterns and class specifications with the AutoML class reference documentation.

    Uwaga

    Funkcje automatycznego uczenia maszynowego są również dostępne w innych rozwiązaniach firmy Microsoft, takich jak ml.NET, HDInsight, Power BI i SQL ServerAutomated machine learning capabilities are also available in other Microsoft solutions such as, ML.NET, HDInsight, Power BI and SQL Server