Öğretici: otomatik makine öğrenimi ile ilk sınıflandırma modelinizi oluşturmaTutorial: Create your first classification model with automated machine learning

Uygulama hedefi: temel sürümü EvetEnterprise edition                       (kuruluşa yükseltme)APPLIES TO: noBasic edition yesEnterprise edition                       (Upgrade to Enterprise)

Bu öğreticide, tek bir kod satırı yazmadan Azure Machine Learning Studio aracılığıyla ilk otomatik makine öğrenimi denemenizi oluşturmayı öğreneceksiniz.In this tutorial, you learn how to create your first automated machine learning experiment through Azure Machine Learning studio without writing a single line of code. Bu örnek, bir istemcinin bir mali kurum ile sabit bir depozito 'e abone olup olmadığını tahmin etmek için bir sınıflandırma modeli oluşturur.This example creates a classification model to predict if a client will subscribe to a fixed term deposit with a financial institution.

Otomatik makine öğrenimi sayesinde yoğun zamanda yoğun görevleri otomatik hale getirebilirsiniz.With automated machine learning, you can automate away time intensive tasks. Otomatikleştirilmiş makine öğrenimi, seçtiğiniz başarı ölçümünü temel alarak en iyi modeli bulmanıza yardımcı olmak üzere birçok algoritma ve hiper parametre kombinasyonu üzerinde hızlı bir şekilde yinelenir.Automated machine learning rapidly iterates over many combinations of algorithms and hyperparameters to help you find the best model based on a success metric of your choosing.

Bu öğreticide, aşağıdaki görevleri nasıl gerçekleştireceğinizi öğreneceksiniz:In this tutorial, you learn how to do the following tasks:

  • Bir Azure Machine Learning çalışma alanı oluşturun.Create an Azure Machine Learning workspace.
  • Otomatik makine öğrenimi denemesinin çalıştırın.Run an automated machine learning experiment.
  • Deneme ayrıntılarını görüntüleyin.View experiment details.
  • Model dağıtma.Deploy the model.

ÖnkoşullarPrerequisites

  • Azure aboneliği.An Azure subscription. Azure aboneliğiniz yoksa ücretsiz bir hesapoluşturun.If you don’t have an Azure subscription, create a free account.

  • Bankmarketing_train. csv veri dosyasını indirin.Download the bankmarketing_train.csv data file. Y sütunu, bir müşterinin, daha sonra bu öğreticide tahmine yönelik hedef sütun olarak tanımlanan sabit bir dönem yatırma abone olup olmadığını gösterir.The y column indicates if a customer subscribed to a fixed term deposit, which is later identified as the target column for predictions in this tutorial.

Çalışma alanı oluşturmaCreate a workspace

Azure Machine Learning çalışma alanı, bulutta makine öğrenimi modellerini denemek, eğmek ve dağıtmak için kullandığınız temel bir kaynaktır.An Azure Machine Learning workspace is a foundational resource in the cloud that you use to experiment, train, and deploy machine learning models. Azure aboneliğiniz ve kaynak grubunuz, hizmette kolayca tüketilen bir nesne ile aynı olur.It ties your Azure subscription and resource group to an easily consumed object in the service.

Azure kaynaklarınızı yönetmek için Web tabanlı bir konsol olan Azure Machine Learning Studio aracılığıyla bir çalışma alanı oluşturursunuz.You create a workspace via the Azure Machine Learning studio, a web-based console for managing your Azure resources.

  1. Azure aboneliğinizin kimlik bilgilerini kullanarak Azure Portal oturum açın.Sign in to the Azure portal by using the credentials for your Azure subscription.

  2. Azure portal sol üst köşesinde + kaynak oluştur' u seçin.In the upper-left corner of the Azure portal, select + Create a resource.

    Yeni kaynak oluşturma

  3. Machine Learningbulmak için arama çubuğunu kullanın.Use the search bar to find Machine Learning.

  4. Machine Learningseçin.Select Machine Learning.

  5. Başlamak için Machine Learning bölmesinde Oluştur ' u seçin.In the Machine Learning pane, select Create to begin.

  6. Yeni çalışma alanınızı yapılandırmak için aşağıdaki bilgileri sağlayın:Provide the following information to configure your new workspace:

    AlanField AçıklamaDescription
    Çalışma alanı adıWorkspace name Çalışma alanınızı tanımlayan benzersiz bir ad girin.Enter a unique name that identifies your workspace. Bu örnekte docs-WSkullanıyoruz.In this example, we use docs-ws. Adlar, kaynak grubu genelinde benzersiz olmalıdır.Names must be unique across the resource group. Başkaları tarafından oluşturulan çalışma alanlarını birbirinden ayırmak ve geri çekmek için kolay bir ad kullanın.Use a name that's easy to recall and to differentiate from workspaces created by others.
    AbonelikSubscription Kullanmak istediğiniz Azure aboneliğini seçin.Select the Azure subscription that you want to use.
    Kaynak grubuResource group Aboneliğinizde var olan bir kaynak grubunu kullanın veya yeni bir kaynak grubu oluşturmak için bir ad girin.Use an existing resource group in your subscription, or enter a name to create a new resource group. Kaynak grubu, bir Azure çözümü için ilgili kaynakları barındırır.A resource group holds related resources for an Azure solution. Bu örnekte docs-AMLkullanılır.In this example, we use docs-aml.
    KonumLocation Çalışma alanınızı oluşturmak için kullanıcılarınıza en yakın konumu ve veri kaynaklarını seçin.Select the location closest to your users and the data resources to create your workspace.
    Çalışma alanı sürümüWorkspace edition Kurumsal' i seçin.Select Enterprise. Bu öğreticide Enterprise sürümünün kullanılması gerekir.This tutorial requires the use of the Enterprise edition. Enterprise Edition önizlemededir ve şu anda ek maliyet eklemez.The Enterprise edition is in preview and doesn't currently add any extra costs.
  7. Çalışma alanını yapılandırmayı tamamladıktan sonra Oluştur' u seçin.After you're finished configuring the workspace, select Create.

    Uyarı

    Çalışma alanınızı bulutta oluşturmak birkaç dakika sürebilir.It can take several minutes to create your workspace in the cloud.

    İşlem tamamlandığında, bir dağıtım başarı iletisi görüntülenir.When the process is finished, a deployment success message appears.

  8. Yeni çalışma alanını görüntülemek için Kaynağa Git' i seçin.To view the new workspace, select Go to resource.

Önemli

Çalışma alanınızı ve aboneliğinizibir yere göz atın.Take note of your workspace and subscription. Denemenizin doğru yerde oluşturulmasını sağlamak için bunlara ihtiyacınız olacaktır.You'll need these to ensure you create your experiment in the right place.

Deneme oluşturma ve çalıştırmaCreate and run the experiment

Tüm beceri seviyeleri için veri bilimi senaryoları gerçekleştirmek üzere Machine Learning araçları 'nı içeren birleştirilmiş bir arabirim olan Azure Machine Learning Studio 'da aşağıdaki deneme sürümü kurulumunu tamamlayıp adımları gerçekleştirin.You complete the following experiment set-up and run steps in Azure Machine Learning studio, a consolidated interface that includes machine learning tools to perform data science scenarios for data science practitioners of all skill levels. Studio, Internet Explorer tarayıcılarında desteklenmez.The studio is not supported on Internet Explorer browsers.

  1. Azure Machine Learning Studio'da oturum açın.Sign in to Azure Machine Learning studio.

  2. Aboneliğinizi ve oluşturduğunuz çalışma alanını seçin.Select your subscription and the workspace you created.

  3. Kullanmayabaşlayın ' ı seçin.Select Get started.

  4. Sol bölmede Yazar bölümü altında Otomatik ml ' yi seçin.In the left pane, select Automated ML under the Author section.

    Bu ilk otomatik ML denemenize ait olduğundan, boş bir liste ve belge bağlantıları görürsünüz.Since this is your first automated ML experiment, you'll see an empty list and links to documentation.

    Azure Machine Learning Studio

  5. Yeni OTOMATIK ml çalıştırması' nı seçin.Select New automated ML run.

  6. + Veri kümesi oluştur açılır listesinden yerel dosyalardan seçim yaparak yeni bir veri kümesi oluşturun.Create a new dataset by selecting From local files from the +Create dataset drop-down.

    1. Gözat'ı seçin.Select Browse.

    2. Yerel bilgisayarınızda bankmarketing_train. csv dosyasını seçin.Choose the bankmarketing_train.csv file on your local computer. Bu, bir Önkoşulolarak indirdiğiniz dosyadır.This is the file you downloaded as a prerequisite.

    3. Veri kümesi türü olarak tablosal ' ı seçin.Select Tabular as your dataset type.

    4. Veri kümenize benzersiz bir ad verin ve isteğe bağlı bir açıklama sağlayın.Give your dataset a unique name and provide an optional description.

    5. Çalışma alanı oluşturma sırasında otomatik olarak ayarlanan varsayılan kapsayıcıya yüklemek için sol alt kısımdaki İleri ' yi seçin.Select Next on the bottom left, to upload it to the default container that was automatically set up during your workspace creation.

      Karşıya yükleme tamamlandığında, ayarlar ve önizleme formu dosya türüne göre önceden doldurulur.When the upload is complete, the Settings and preview form is pre-populated based on the file type.

    6. Ayarlar ve önizleme formunun aşağıdaki gibi doldurulduğunu doğrulayın ve İleri ' yiseçin.Verify that the Settings and preview form is populated as follows and select Next.

      AlanField AçıklamaDescription Öğretici için değerValue for tutorial
      Dosya biçimiFile format Bir dosyada depolanan verilerin yerleşimini ve türünü tanımlar.Defines the layout and type of data stored in a file. TedDelimited
      SınırlayıcıDelimiter Düz metin veya diğer veri akışlarında  ayrı, bağımsız bölgeler arasındaki sınırı belirtmek için bir veya daha fazla karakter.One or more characters for specifying the boundary between  separate, independent regions in plain text or other data streams. VirgülleComma
      EncodingEncoding Veri kümenizi okumak için kullanılacak bit karakter şeması tablosunu belirler.Identifies what bit to character schema table to use to read your dataset. UTF-8UTF-8
      Sütun üstbilgileriColumn headers Veri kümesinin üst bilgilerinin (varsa) nasıl değerlendirileceğini gösterir.Indicates how the headers of the dataset, if any, will be treated. Tüm dosyaların aynı üst bilgileri varAll files have same headers
      Satırları atlaSkip rows Veri kümesinde kaç tane, ne varsa satırların atlandığını gösterir.Indicates how many, if any, rows are skipped in the dataset. Yok.None
    7. Şema formu, bu deneme için verilerinizin daha fazla yapılandırılmasını sağlar.The Schema form allows for further configuration of your data for this experiment. Bu örnek için day_of_week özelliği için geçiş anahtarını seçin. bu nedenle, bu deneme için dahil edilmez.For this example, select the toggle switch for the day_of_week feature, so as to not include it for this experiment. İleri’yi seçin.Select Next.

      Önizleme sekmesi yapılandırması

    8. Ayrıntıları Onayla formunda, bilgilerin daha önce temel bilgi ve Ayarlar ve önizleme formlarında doldurulduğu ile eşleştiğini doğrulayın.On the Confirm details form, verify the information matches what was previously populated on the Basic info and Settings and preview forms.

    9. Veri kümenizin oluşturulmasını gerçekleştirmek için Oluştur ' u seçin.Select Create to complete the creation of your dataset.

    10. Listede göründükten sonra veri kümenizi seçin.Select your dataset once it appears in the list.

    11. Day_of_week dahil etmediğinizden emin olmak için veri önizlemeyi gözden geçirin ve Tamam' ı seçin.Review the Data preview to ensure you didn't include day_of_week then, select OK.

    12. İleri’yi seçin.Select Next.

  7. Yapılandırma çalıştırması formunu aşağıdaki gibi doldurun:Populate the Configure Run form as follows:

    1. Bu deneme adını girin: my-1st-automl-experimentEnter this experiment name: my-1st-automl-experiment

    2. Hedef sütun olarak y ' yi, ne tahmin etmek istediğinizi seçin.Select y as the target column, what you want to predict. Bu sütun, istemcinin yatırma bir terime abone olup olmadığını gösterir.This column indicates whether the client subscribed to a term deposit or not.

    3. Yeni Işlem oluştur ' u seçin ve işlem hedefini yapılandırın.Select Create a new compute and configure your compute target. İşlem hedefi, eğitim betiğinizi çalıştırmak veya hizmet dağıtımınızı barındırmak için kullanılan yerel veya bulut tabanlı bir kaynak ortamıdır.A compute target is a local or cloud-based resource environment used to run your training script or host your service deployment. Bu deneme için bulut tabanlı bir işlem kullanıyoruz.For this experiment, we use a cloud-based compute.

      AlanField AçıklamaDescription Öğretici için değerValue for tutorial
      İşlem adıCompute name İşlem bağlamını tanımlayan benzersiz bir ad.A unique name that identifies your compute context. Oto ml-işlemautoml-compute
      Sanal makine boyutuVirtual machine size İşlem için sanal makine boyutunu seçin.Select the virtual machine size for your compute. Standard_DS12_V2Standard_DS12_V2
      En az/en fazla düğüm (Gelişmiş ayarlarda)Min / Max nodes (in Advanced Settings) Veri profili için, 1 veya daha fazla düğüm belirtmeniz gerekir.To profile data, you must specify 1 or more nodes. En az düğümler: 1Min nodes: 1
      En fazla düğüm: 6Max nodes: 6
      1. İşlem hedefini almak için Oluştur ' u seçin.Select Create to get the compute target.

        Bu, tamamlanacak birkaç dakika sürer.This takes a couple minutes to complete.

      2. Oluşturulduktan sonra, açılan listeden yeni işlem hedefini seçin.After creation, select your new compute target from the drop-down list.

    4. İleri’yi seçin.Select Next.

  8. Görev türü ve ayarlar formunda makine öğrenimi görev türü olarak Sınıflandırma ' yı seçin.On the Task type and settings form, select Classification as the machine learning task type.

    1. Ek yapılandırma ayarlarını görüntüle ' yi seçin ve alanları aşağıdaki gibi doldurun.Select View additional configuration settings and populate the fields as follows. Bu ayarlar, eğitim işini daha iyi denetliyor.These settings are to better control the training job. Aksi takdirde, denemeler seçimine ve verilerine göre varsayılan ayarlar uygulanır.Otherwise, defaults are applied based on experiment selection and data.

      Not

      Bu öğreticide, yineleme eşiğine göre ölçüm puanı veya en fazla çekirdek ayarlayamayacağız.In this tutorial, you won't set a metric score or max cores per iterations threshold. Ya da algoritmaların test edilmeye engel olursunuz.Nor will you block algorithms from being tested.

      Ek yapılandırmasıAdditional configurations AçıklamaDescription  öğreticisi için değer Value for tutorial
      Birincil ölçümPrimary metric Makine öğrenimi algoritmasının ölçülecek değerlendirme ölçümü.Evaluation metric that the machine learning algorithm will be measured by. AUC_weightedAUC_weighted
      Otomatik olarak korleştirmeAutomatic featurization Ön işleme etkinleştirilir.Enables preprocessing. Bu, yapay özellikler oluşturmak için otomatik veri temizleme, hazırlama ve dönüştürmeyi içerir.This includes automatic data cleansing, preparing, and transformation to generate synthetic features. EtkinleştirEnable
      Engellenen algoritmalarBlocked algorithms Eğitim işinden dışlamak istediğiniz algoritmalarAlgorithms you want to exclude from the training job Yok.None
      Çıkış ölçütüExit criterion Bir kriterle karşılanırsa eğitim işi durdurulur.If a criteria is met, the training job is stopped. Eğitim işi süresi (saat): 1Training job time (hours): 1
      Ölçüm puanı eşiği: yokMetric score threshold: None
      DoğrulamaValidation Çapraz doğrulama türü ve test sayısı seçin.Choose a cross-validation type and number of tests. Doğrulama türü:Validation type:
      çapraz doğrulama  k katlama k-fold cross-validation

      Doğrulama sayısı: 2Number of validations: 2
      EşzamanlılıkConcurrency Yürütülen en fazla paralel yineleme sayısı ve yineleme başına kullanılan çekirdeklerThe maximum number of parallel iterations executed and cores used per iteration En fazla eşzamanlı yineleme: 5Max concurrent iterations: 5
       yineleme başına en fazla çekirdek : yokMax cores per iteration: None

      Tamam’ı seçin.Select OK.

  9. Denemeyi çalıştırmak için Oluştur ' u seçin.Select Create to run the experiment. Deneme hazırlığı başladığında, çalışma durumu Ile birlikte çalıştırma ekranı açılır.The Run Detail screen opens with the Run status as the experiment preparation begins.

Önemli

Hazırlık, deneme çalıştırmasının hazırlanmasına 10-15 dakika sürer.Preparation takes 10-15 minutes to prepare the experiment run. Çalışmaya başladıktan sonra, her yinelemede 2-3 dakika dahasürer.Once running, it takes 2-3 minutes more for each iteration.
Deneme ilerledikçe çalıştırmanın durumunu görmek için düzenli aralıklarla Yenile ' yi seçin.Select Refresh periodically to see the status of the run as the experiment progresses.

Üretimde, büyük olasılıkla biraz daha fazla yol göstereceğiz.In production, you'd likely walk away for a bit. Ancak bu öğreticide, diğer kullanıcılar çalışmaya devam ederken, modeller sekmesinde sınanan algoritmaları keşfetmeye başlayacağız.But for this tutorial, we suggest you start exploring the tested algorithms on the Models tab as they complete while the others are still running.

Modelleri keşfetExplore models

Test edilen algoritmaları (modeller) görmek için modeller sekmesine gidin.Navigate to the Models tab to see the algorithms (models) tested. Modeller, varsayılan olarak, tamamlandığı gibi ölçüm puanına göre sıralanır.By default, the models are ordered by metric score as they complete. Bu öğretici için, seçili AUC_weighted ölçüsüne göre en yüksek düzeyde puan veren model listenin en üstünde yer alır.For this tutorial, the model that scores the highest based on the chosen AUC_weighted metric is at the top of the list.

Deneme modellerinin tümünün bitmesini beklerken, performans ayrıntılarını araştırmak için tamamlanmış bir modelin algoritma adını seçin.While you wait for all of the experiment models to finish, select the Algorithm name of a completed model to explore its performance details.

Aşağıdaki model ayrıntıları, ölçüm ve performans grafiklerini görüntülemek için model ayrıntıları ve görselleştirmeler sekmelerinde gezinir.The following navigates through the Model details and the Visualizations tabs to view the selected model's properties, metrics and performance charts.

Yineleme ayrıntısı Çalıştır

Modeli dağıtmaDeploy the model

Azure Machine Learning Studio 'da otomatik makine öğrenimi, birkaç adımda Web hizmeti olarak en iyi modeli dağıtmanıza olanak tanır.Automated machine learning in Azure Machine Learning studio allows you to deploy the best model as a web service in a few steps. Dağıtım, yeni verileri tahmin etmek ve potansiyel fırsat bölgelerini belirlemek için modelin Tümleştirmesidir.Deployment is the integration of the model so it can predict on new data and identify potential areas of opportunity.

Bu deneme için, bir Web hizmetine dağıtım, artık, potansiyel sabit depozito müşterilerinin tanımlanmasından sonra, mali kurumda yinelenen ve ölçeklenebilir bir Web çözümüne sahip olduğu anlamına gelir.For this experiment, deployment to a web service means that the financial institution now has an iterative and scalable web solution for identifying potential fixed term deposit customers.

Çalıştırma tamamlandıktan sonra, ayrıntıları Çalıştır sayfasına dönün ve modeller sekmesini seçin. Yenile'yi seçin.Once the run is complete, navigate back to the Run Detail page and select the Models tab. Select Refresh.

Bu deneme bağlamında, Votingensediskte AUC_weighted ölçüsüne göre en iyi model kabul edilir.In this experiment context, VotingEnsemble is considered the best model, based on the AUC_weighted metric. Bu modeli dağıyoruz ancak yapmanız önerilir, dağıtımın tamamlaması yaklaşık 20 dakika sürer.We deploy this model, but be advised, deployment takes about 20 minutes to complete. Dağıtım işlemi, modeli kaydetme, kaynakları oluşturma ve bunları Web hizmeti için yapılandırma dahil olmak üzere birkaç adım gerektirir.The deployment process entails several steps including registering the model, generating resources, and configuring them for the web service.

  1. Sol alt köşedeki En Iyi modeli dağıt düğmesini seçin.Select the Deploy Best Model button in the bottom-left corner.

  2. Model dağıt bölmesini aşağıdaki gibi doldurun:Populate the Deploy a model pane as follows:

    AlanField ValueValue
    Dağıtım adıDeployment name My-Oto ml-Deploymy-automl-deploy
    Dağıtım açıklamasıDeployment description İlk otomatik makine öğrenimi deneme dağıtımıMy first automated machine learning experiment deployment
    İşlem türüCompute type Azure Işlem örneği (acı) seçinSelect Azure Compute Instance (ACI)
    Kimlik doğrulamayı etkinleştirmeEnable authentication Dıı.Disable.
    Özel dağıtımlar kullanınUse custom deployments Dıı.Disable. Varsayılan sürücü dosyası (Puanlama betiği) ve ortam dosyasının yeniden oluşturulmasına izin verir.Allows for the default driver file (scoring script) and environment file to be autogenerated.

    Bu örnekte, Gelişmiş menüsünde belirtilen Varsayılanları kullanırız.For this example, we use the defaults provided in the Advanced menu.

  3. Dağıt'ı seçin.Select Deploy.

    Çalıştır ekranının üst kısmında yeşil başarı iletisi görünür ve Önerilen model bölmesinde, dağıtım durumualtında bir durum iletisi görüntülenir.A green success message appears at the top of the Run screen, and in the Recommended model pane, a status message appears under Deploy status. Dağıtım durumunu denetlemek için düzenli aralıklarla Yenile ' yi seçin.Select Refresh periodically to check the deployment status.

Artık tahminleri oluşturmak için işlemsel bir Web hizmetiniz vardır.Now you have an operational web service to generate predictions.

Yeni Web hizmetinizi kullanma hakkında daha fazla bilgi edinmek için sonraki adımlara ilerleyin ve Power BI yerleşik Azure Machine Learning desteğini kullanarak tahminlerinizi test edin.Proceed to the Next Steps to learn more about how to consume your new web service, and test your predictions using Power BI's built in Azure Machine Learning support.

Kaynakları temizlemeClean up resources

Dağıtım dosyaları veri ve deneme dosyalarından daha büyüktür, bu nedenle daha fazla depolama alanı maliyetlidir.Deployment files are larger than data and experiment files, so they cost more to store. Hesap maliyetlerini en aza indirmek için yalnızca dağıtım dosyalarını silin veya çalışma alanınızı ve deneme dosyalarını korumak istiyorsanız.Delete only the deployment files to minimize costs to your account, or if you want to keep your workspace and experiment files. Aksi takdirde, herhangi bir dosyayı kullanmayı planlamıyorsanız tüm kaynak grubunu silin.Otherwise, delete the entire resource group, if you don't plan to use any of the files.

Dağıtım örneğini silmeDelete the deployment instance

Diğer öğreticiler ve araştırmayla ilgili kaynak grubunu ve çalışma alanını tutmak istiyorsanız, yalnızca Azure Machine Learning Studio 'dan dağıtım örneğini silin.Delete just the deployment instance from the Azure Machine Learning studio, if you want to keep the resource group and workspace for other tutorials and exploration.

  1. Azure Machine Learning Studio'ya gidin.Go to the Azure Machine Learning studio. Çalışma alanınıza gidin ve varlıklar bölmesinin sol tarafında uç noktalar' ı seçin.Navigate to your workspace and on the left under the Assets pane, select Endpoints.

  2. Silmek istediğiniz dağıtımı seçin ve Sil' i seçin.Select the deployment you want to delete and select Delete.

  3. Devam' ı seçin.Select Proceed.

Kaynak grubunu silmeDelete the resource group

Önemli

Oluşturduğunuz kaynaklar, diğer Azure Machine Learning öğreticileri ve nasıl yapılır makalelerinde önkoşul olarak kullanılabilir.The resources you created can be used as prerequisites to other Azure Machine Learning tutorials and how-to articles.

Oluşturduğunuz kaynakları kullanmayı planlamıyorsanız, hiçbir ücret ödemezsiniz:If you don't plan to use the resources you created, delete them, so you don't incur any charges:

  1. Azure portalının en sol tarafındaki Kaynak gruplarını seçin.In the Azure portal, select Resource groups on the far left.

    Azure portal silme Delete in the Azure portal

  2. Listeden oluşturduğunuz kaynak grubunu seçin.From the list, select the resource group you created.

  3. Kaynak grubunu sil'i seçin.Select Delete resource group.

  4. Kaynak grubu adını girin.Enter the resource group name. Ardından Sil’i seçin.Then select Delete.

Sonraki adımlarNext steps

Bu otomatik makine öğrenimi öğreticisinde, bir sınıflandırma modeli oluşturmak ve dağıtmak için Azure Machine Learning Studio 'yu kullandınız.In this automated machine learning tutorial, you used Azure Machine Learning studio to create and deploy a classification model. Daha fazla bilgi ve sonraki adımlar için aşağıdaki makalelere bakın:See these articles for more information and next steps:

Not

Bu banka pazarlama veri kümesi, Creative Commons (CCO: genel etki alanı) lisansıaltında kullanılabilir hale getirilir.This Bank Marketing dataset is made available under the Creative Commons (CCO: Public Domain) License. Veritabanının bireysel içeriklerinde her türlü hak, veritabanı Içeriği lisansı kapsamında lisanslanır ve kadamevcuttur.Any rights in individual contents of the database are licensed under the Database Contents License and available on Kaggle. Bu veri kümesi, ilk olarak UCI Machine Learning veritabanıdahilinde kullanılabilir.This dataset was originally available within the UCI Machine Learning Database.

[Moro et al., 2014] S. Moro, P. Cortez ve P. Rita.[Moro et al., 2014] S. Moro, P. Cortez and P. Rita. Banka telefonla Bansının başarısını tahmin etmeye yönelik veri odaklı bir yaklaşım.A Data-Driven Approach to Predict the Success of Bank Telemarketing. Karar destek sistemleri, Elsevier, 62:22-31 Haziran 2014.Decision Support Systems, Elsevier, 62:22-31, June 2014.