Dane wejściowe i wyjściowe

  • Artykuł

Ważne

Obsługa programu Machine Learning Studio (wersja klasyczna) zakończy się 31 sierpnia 2024 r. Zalecamy przejście do usługi Azure Machine Learning przed tym terminem.

Od 1 grudnia 2021 r. nie będzie można tworzyć nowych zasobów programu Machine Learning Studio (wersja klasyczna). Do 31 sierpnia 2024 r. można będzie nadal korzystać z istniejących zasobów programu Machine Learning Studio (wersja klasyczna).

Dokumentacja programu ML Studio (wersja klasyczna) jest wycofywana i może nie być aktualizowana w przyszłości.

Uwaga

Dotyczy: tylko Machine Learning Studio (klasyczne)

Podobne moduły przeciągania i upuszczania są dostępne w Azure Machine Learning projektanta.

W tym artykule wymieniono moduły, których można używać do importowania i eksportowania danych oraz modeli w programie Machine Learning Studio (wersja klasyczna).

Oprócz korzystania z modułów można bezpośrednio przekazywać i pobierać zestawy danych z plików lokalnych na komputerze lub w sieci. Aby uzyskać więcej informacji, zobacz Upload istniejących danych do Machine Learning eksperymentu.

Oto niektóre źródła, których można użyć do importowania i eksportowania danych oraz modeli w programie Machine Learning Studio (wersja klasyczna):

  • Pobierz dane ze źródeł w chmurze, takich jak Azure SQL Database, Azure SQL Data Warehouse, Azure Storage i Azure Cosmos DB. Możesz również zaimportować dane dostarczone jako publiczny internetowy adres URL, pobrać dane z usługi Hadoop przy użyciu zapytania programu Hive lub utworzyć zapytanie dotyczące lokalnego SQL internetowego.
  • Załaduj kolekcję obrazów z usługi Azure Blob Storage do użycia w zadaniach klasyfikacji obrazów.
  • Wyodrębnij dane z plików mapowanych przekazanych do Machine Learning. Zestawów danych można używać w eksperymentach.
  • Utwórz małe zestawy danych, wpisując w interfejsie użytkownika Machine Learning Studio (wersja klasyczna). Może to być przydatne podczas tworzenia małych testowych zestawów danych.
  • Zapisz wyniki lub dane pośrednie w usłudze Azure Table Storage, Blob Storage, SQL bazy danych lub zapytaniu Programu Hive.
  • Pobierz wytrenowany model z adresu URL lub magazynu obiektów blob, a następnie użyj go w eksperymencie.

Uwaga

Moduły w tej grupie tylko przekierowywają dane do lub Machine Learning Studio (wersja klasyczna). Nie można używać modułów do filtrowania, rzutowania ani przekształcania danych podczas procesu importowania lub eksportowania.

Aby uzyskać więcej informacji na temat przekształcania i filtrowania danych w programie Machine Learning Studio (wersja klasyczna), zobacz Data Transformation (Przekształcanie danych).

Zasoby

W następujących artykułach przedstawiono typowe scenariusze dotyczące danych w uczeniu maszynowym:

Rozpoczęcie pracy

Dowiedz się, jak zarządzać danymi uczenia maszynowego w chmurze. Informacje zawarte w tym artykule są oparte na standardzie BRANŻOWYM, KTÓRY jest standardem w branży. Ten artykuł zawiera szczegółowe wskazówki, które pokazują integrację uczenia maszynowego z rozwiązaniami danych w chmurze, takimi jak Azure HDInsight i SQL Database.

W tym artykule opisano, jak pobrać dane na platformę Azure, a następnie utworzyć eksperyment.

Zaawansowana nauka o danych

Dowiedz się, jak zainstalować bibliotekę klienta Machine Learning Python, a następnie używać jej do uzyskiwania dostępu do metadanych i pracy z zestawami danych.

Przykładowe eksperymenty

Lista modułów

Kategoria Data Input (Dane wejściowe) i Output ( Dane wyjściowe) obejmuje następujące moduły:

  • Wprowadź dane ręcznie: umożliwia tworzenie małych zestawów danych przez wpisanie wartości.
  • Eksportowanie danych: zapisuje zestaw danych w internetowych adresach URL lub w różnych formach magazynu opartego na chmurze na platformie Azure, takich jak tabele, obiekty blob lub SQL danych.
  • Importuj dane: ładuje dane ze źródeł zewnętrznych w Internecie i z różnych form magazynu opartego na chmurze na platformie Azure, takich jak Table Storage, Blob Storage, SQL Database, SQL Data Warehouse, Azure Cosmos DB lub zapytanie Hive. Możesz również zaimportować dane z lokalnej bazy SQL Server danych.
  • Load Trained Model (Ładowanie wytrenowany model): pobiera wytrenowany model z adresu URL lub magazynu obiektów blob do użycia w eksperymencie oceniania.
  • Rozpakowywanie zamapowanych zestawów danych: dekompresuje zestaw danych, który został zapisany w formacie zmapowanych, a następnie dodaje zestaw danych do obszaru roboczego.

Zobacz też