Usar a atividade do Azure Machine Learning para executar um trabalho em uma instância do Azure Machine Learning

A atividade do Azure Machine Learning no Data Factory for Microsoft Fabric permite executar um trabalho em uma instância do Azure Machine Learning.

Pré-requisitos

Para começar, você deve preencher os seguintes pré-requisitos:

• Uma conta de locatário com uma assinatura ativa. Crie uma conta gratuitamente.
• Um espaço de trabalho é criado.

Adicionar uma atividade do Azure Machine Learning a um pipeline com a interface do usuário

Para usar uma atividade do Azure Machine Learning em um pipeline, conclua as seguintes etapas:

Criar a atividade

1. Crie um novo pipeline em seu espaço de trabalho.

2. Pesquise o Azure Machine Learning no painel Atividades do pipeline e selecione-o para adicioná-lo à tela do pipeline.

   Nota

   Talvez seja necessário expandir o menu e rolar para baixo para ver a atividade do Azure Machine Learning, conforme destacado na captura de tela a seguir.

   

3. Selecione a nova atividade do Lote do Azure na tela do editor de pipeline se ela ainda não estiver selecionada.

   

Consulte as orientações de configurações gerais para configurar a guia Configurações gerais.

Configurações de atividade do Azure Machine Learning

1. Selecione a guia Configurações e, em seguida, você pode escolher uma conexão existente ou criar uma nova conexão do Azure Machine Learning.
2. Escolha e Tipo de ponto final, Batch Endpoint ou Pipeline (v1).
3. Forneça um ponto de extremidade de lote e uma implantação de lote e configure as configurações de **Trabalho para o tipo de ponto de extremidade de lote ou forneça os detalhes do pipeline para executar um pipeline de aprendizado de máquina do Azure (v1).

Salvar e executar ou agendar o pipeline

Depois de configurar quaisquer outras atividades necessárias para o pipeline, alterne para a guia Página Inicial na parte superior do editor de pipeline e selecione o botão Salvar para salvar o pipeline. Selecione Executar para executá-lo diretamente ou Agendar para agendá-lo. Você também pode visualizar o histórico de execução aqui ou definir outras configurações.

Conteúdos relacionados

• Como monitorar execuções de pipeline