Referência de módulo e de algoritmo para o designer do Azure Machine Learning

Esse conteúdo de referência fornece a experiência técnica em cada um dos módulos e algoritmos de aprendizado de máquina disponíveis no designer do Azure Machine Learning.

Cada módulo representa um conjunto de códigos que podem ser executados de modo independente e executar uma tarefa de aprendizado de máquina, quando fornecidas as entradas necessárias. Um módulo pode conter um algoritmo específico ou executar uma tarefa que seja importante no aprendizado de máquina, tal como substituição de um valor ausente ou análise estatística.

Para obter ajuda com a escolha de algoritmos, consulte

Dica

Em qualquer pipeline no designer, é possível obter informações sobre um módulo específico. Escolha o link Saiba mais na placa do módulo ao passar o mouse sobre o módulo na lista de módulos ou no painel direito do módulo.

Módulos de preparação de dados

Funcionalidade Descrição Módulo
Dados de entrada e saída Mova dados de fontes de nuvem para seu pipeline. Durante a execução de um pipeline, é possível não apenas usar o armazenamento em nuvem para trocar dados entre os pipelines, mas também gravar os resultados ou dados intermediários no Armazenamento do Microsoft Azure, em um banco de dados SQL ou em um Hive. Inserir dados manualmente
Exportar dados
Importar dados
Transformação de dados Operações em dados que são exclusivos para o aprendizado de máquina, tais como normalização ou compartimentalização de dados, redução de dimensionalidade e conversão de dados entre vários formatos de arquivo. Adicionar Colunas
Adicionar Linhas
Aplicar Operação Matemática
Aplicar Transformação SQL
Limpar Dados Ausentes
Recortar Valores
Converter em CSV
Converter em Conjunto de Dados
Converter em Valores de Indicador
Editar Metadados
Agrupar Dados em Compartimentos
Unir Dados
Normalizar Dados
Particionar e Gerar Amostra
Remover Linhas Duplicadas
SMOTE
Selecionar Colunas para Transformação
Projetar Colunas no Conjunto de Dados
Dividir Dados
Seleção de recursos Escolha um subconjunto de recursos relevantes e úteis a serem usados na criação de um modelo analítico. Seleção de Recursos Baseada em Filtro
Importância do Recurso de Permuta
Funções estatísticas Forneça uma ampla variedade de métodos estatísticos relacionados à ciência de dados. Resumir Dados

Algoritmos de aprendizado de máquina

Funcionalidade Descrição Módulo
Regressão Prever um valor. Regressão de Árvore de Decisão Aumentada
Regressão de Floresta de Decisão
Regressão rápida de quantil de floresta
Regressão Linear
Regressão de Rede Neural
Regressão de Poisson
Clustering Agrupar dados juntos. Cluster K-Means
classificação Prever uma classe. Escolha entre os algoritmos binário (duas classes) ou multiclasse. Árvore de Decisão Aumentada Multiclasse
Floresta de Decisão Multiclasse
Regressão Logística Multiclasse
Rede Neural Multiclasse
Um contra Todas as Multiclasses
Multiclasse Um contra Um
Perceptron Médio de Duas Classes
Árvore de Decisão Aumentada de Duas Classes
Floresta de Decisão de Duas Classes
Regressão Logística de Duas Classes
Rede Neural de Duas Classes
Computador de Vetor de Suporte de Duas Classes

Módulos para criação e avaliação de modelos

Funcionalidade Descrição Módulo
Treinamento de modelo Execute os dados por meio do algoritmo. Treinar Modelo de Clustering
Treinar Modelo
Treinar Modelo do PyTorch
Ajustar os Hiperparâmetros de Modelo
Pontuação e Avaliação do Modelo Medir a precisão do modelo treinado. Aplicar Transformação
Atribuir Dados a Clusters
Modelo de Validação Cruzada
Avaliar Modelo
Pontuar Modelo de Imagem
Pontuar Modelo
Linguagem Python Grave o código e incorpore-o em um módulo para integrar o Python ao seu pipeline. Criar Modelo Python
Executar Script do Python
Linguagem R Grave o código e incorpore-o em um módulo para integrar o R ao seu pipeline. Executar Script R
Análise de texto Disponibilize ferramentas computacionais especializadas para trabalhar com texto estruturado e não estruturado. Converter Palavra em Vetor
Extrair Recursos N-Gram do Texto
Hash de Recursos
Pré-processar Texto
Alocação de Dirichlet Latente
Pontuar o modelo Vowpal Wabbit
Treinar o modelo Vowpal Wabbit
Pesquisa Visual Computacional Módulos relacionados ao pré-processamento de dados de imagem e ao reconhecimento de imagem. Aplicar Transformação de Imagem
Converter em Diretório de Imagem
Transformação da Imagem de Inicialização
Dividir Diretório de Imagens
DenseNet
ResNet
Recomendação Criar modelos de recomendação. Avaliar o Sistema de Recomendação
Pontuar o Sistema de Recomendação SVD
Pontuar o sistema de recomendação grande e profundo
Treinar o Sistema de Recomendação SVD
Treinar o sistema de recomendação grande e profundo
Detecção de anomalias Modelos de detecção de anomalias treinados. Detecção de Anomalias Baseada em PCA
Treinar um Modelo de Detecção de Anomalias

Serviço Web

Saiba mais sobre os módulos de serviço Web que são necessários para a inferência em tempo real no designer do Azure Machine Learning.

Mensagens de erro

Saiba mais sobre as mensagens de erro e os códigos de exceção que podem ser encontradas usando módulos no designer do Azure Machine Learning.

Próximas etapas