Студия машинного обучения (классическая): справка по алгоритмам и модулям

  • Статья

Важно!

Поддержка Студии машинного обучения (классической) будет прекращена 31 августа 2024 г. До этой даты рекомендуется перейти на Машинное обучение Azure.

Начиная с 1 декабря 2021 года вы не сможете создавать новые ресурсы Студии машинного обучения (классической). Существующие ресурсы Студии машинного обучения (классическая версия) можно будет использовать до 31 августа 2024 г.

Поддержка документации по ML Studio (классической) прекращается, а сама документация может не обновляться в будущем.

Совет

Клиентам, которые сейчас используют или оценивают Студию машинного обучения (классическую), рекомендуется опробовать конструктор Машинного обучения Azure, который предоставляет перетаскиваемые модули Машинного обучения и обеспечивает масштабируемость, управление версиями и корпоративную безопасность.

Студия машинного обучения (классическая) — это облачная служба прогнозной аналитики, которая позволяет быстро создавать и развертывать прогнозные модели в качестве решений аналитики. Средства машинного обучения в основном представляют собой облачные службы, что устраняет проблемы с настройкой и установкой, так как вы можете работать через веб-браузер на любом ПК, подключенном к Интернету. Дополнительные сведения см. в статье "что такое студия (классическая модель)?" .

Эта документация содержит подробные технические и практические сведения о модулях, доступных в Студии машинного обучения (классической).

Что такое модуль?

Каждый модуль в Студии машинного обучения (классической) представляет собой набор кода, который может выполняться независимо для запуска задачи машинного обучения с учетом требуемых входных данных. Модуль может содержать определенный алгоритм или выполнять задачу, важную для машинного обучения, например, замена отсутствующего значения или статистический анализ.

В Студии (классической) модули упорядочены по функциональным возможностям:

  • Модули входных и выходных данных выполняют перенос данных из облачных источников в ваш эксперимент. Вы можете записать результаты или промежуточные данные в службу хранилища Azure, базу данных SQL или Hive во время выполнения эксперимента или использовать облачное хранилище для обмена данными между экспериментами.

  • Модули преобразования данных поддерживают операции с данными, которые являются уникальными для машинного обучения, такие как нормализация или группирование данных, выбор признаков и сокращение размерности.

  • Алгоритмы машинного обучения, такие как кластеризация, метод опорных векторов или нейронные сети, доступны в отдельных модулях, которые позволяют настроить задачу машинного обучения с помощью соответствующих параметров. Для задач классификации можно выбрать один из двоичных или многоклассовых алгоритмов.

    После настройки модели используйте модуль обучения для обработки данных с помощью алгоритма и измеряйте точность обученной модели с помощью одного из модулей вычисления. Чтобы получить прогнозы из модели, которую вы только что обучили, используйте один из модулей оценки.

  • Обнаружение аномалий. Студия машинного обучения (классическая) содержит несколько алгоритмов, специализированных для выполнения этих задач.

  • Модули текстовой аналитики поддерживают различные задачи обработки естественного языка.

  • Благодаря поддержке Vowpal Wabbit упрощается использование этой масштабируемой платформы.

  • Модули Python и R позволяют легко выполнять пользовательские функции. Вы записываете код и внедряете его в модуль, чтобы интегрировать Python и R со службой экспериментов.

  • Библиотека OpenCV предоставляет модули, подходящие для конкретных задач распознавания изображений.

  • Анализ временных рядов поддерживает обнаружение аномалий во временных рядах.

  • Статистические модули предоставляют широкий спектр числовых методов, относящихся к обработке и анализу данных. Найдите в этой группе методы корреляции, сводки данных, а также статистические и математические операции.

В этом разделе справки вы найдете техническое описание алгоритмов машинного обучения, сведения о реализации, если они доступны, и ссылки на примеры экспериментов, демонстрирующие использование модуля. Вы можете скачать примеры из Коллекции решений ИИ Azure в рабочую область. Эти примеры предназначены для общего использования.

Совет

Если вы вошли в Студию машинного обучения (классическую) и создали эксперимент, вы можете получить сведения о конкретном модуле. Выберите модуль, а затем щелкните ссылку more help (дополнительная помощь) в области Quick Help (Экспресс-справка).

Другие технические ссылки

Section Описание
Список типов данных В DataTable этом разделе содержатся справочные разделы, описывающие интерфейсы для обучения и формат, используемый для наборов данных.
Список исключений В этом разделе перечислены ошибки, которые могут возникнуть в модулях, а также причины и возможные обходные решения.

Список кодов ошибок, связанных с API веб-службы, см. в статье Azure Machine Learning Studio REST API Error Codes (Коды ошибок REST API Студии машинного обучения Azure).

См. также раздел

Документация по Студии машинного обучения (классическая версия)