Machine Learning Studio (klasik) web hizmeti dağıtma

Uygulama hedefi: Machine Learning Studio (klasik) Azure Machine Learning

Machine Learning Studio (klasik), tahmine dayalı analitik çözüm oluşturmanıza ve test etmenize olanak sağlar. Daha sonra çözümü bir Web hizmeti olarak dağıtabilirsiniz.

Machine Learning studio (klasik) web hizmetleri, bir uygulama ile Machine Learning Studio (klasik) iş akışı puanlama modeli arasında bir arabirim sağlar. dış uygulama, Machine Learning Studio (klasik) iş akışı puanlama modeliyle gerçek zamanlı olarak iletişim kurabilir. Machine Learning Studio (klasik) web hizmetine yapılan bir çağrı, bir dış uygulamaya tahmin sonuçları döndürür. Bir web hizmetine çağrı yapmak için web hizmeti dağıtılırken oluşturulan bir API anahtarını geçirirsiniz. Machine Learning Studio (klasik) web hizmeti, web programlama projeleri için popüler bir mimari seçimi olan REST 'i temel alır.

Machine Learning Studio (klasik) iki tür web hizmetine sahiptir:

• Request-Response Service (RR): tek bir veri kaydına puan veren düşük gecikmeli, yüksek düzeyde ölçeklenebilir bir hizmet.
• Toplu yürütme hizmeti (BES): veri kayıtlarını toplu olarak alan bir zaman uyumsuz hizmettir.

BES girişi, RRS’nin kullandığı veri girişi gibidir. Aralarındaki temel fark, BES'nin Azure Blob depolama, Azure Tablo depolama, Azure SQL Veritabanı, HDInsight (hive sorgusu) ve HTTP kaynakları gibi çeşitli kaynaklardan bir kayıt bloğunu okumasıdır.

Üst düzey bir görünümden, modelinizi üç adımda dağıtırsınız:

• [Eğitim denemesi oluşturun] (klasik), büyük bir yerleşik makine öğrenimi algoritması kümesi kullanarak, sağladığınız eğitim verilerini kullanarak tahmine dayalı analiz modelini eğitebilirsiniz ve test edebilirsiniz.
• [Bunu tahmine dayalı bir deneyle dönüştürün] . modelinizin mevcut verilerle eğitilirken ve yeni veri puanlaması için kullanmaya hazırsanız, tahminlere yönelik denemenizi hazırlayın ve kolaylaştırın.
• [Yeni bir Web hizmeti] veya Klasik Web hizmeti olarak dağıtma -tahmine dayalı denemenizi bir Azure Web hizmeti olarak dağıttığınızda, kullanıcılar modelinize veri gönderebilir ve modelinizin tahminlerinizi alabilir.

Eğitim denemesi oluşturma

tahmine dayalı analiz modelini eğmek için Azure Machine Learning Studio 'yu (klasik) kullanarak eğitim verilerini yükleme, verileri gereken şekilde hazırlama, makine öğrenimi algoritmaları uygulama ve sonuçları değerlendirme gibi çeşitli modüller dahil ettiğiniz bir eğitim denemesi oluşturursunuz. Bir deneme üzerinde yineleyebilir ve sonuçları karşılaştırmak ve değerlendirmek için farklı makine öğrenimi algoritmaları deneyebilirsiniz.

Eğitim denemeleri oluşturma ve yönetme işlemi daha kapsamlı bir yerde ele alınmıştır. Daha fazla bilgi için şu makalelere bakın:

• Machine Learning Studio 'da basit bir deneme oluşturma (klasik)
• Machine Learning Studio ile tahmine dayalı bir çözüm geliştirme (klasik)
• eğitim verilerinizi Machine Learning Studio 'ya aktarın (klasik)
• Machine Learning Studio 'da deneme yinelemelerini yönetme (klasik)

Eğitim denemesini tahmine dayalı bir deneyle Dönüştür

Modelinizi eğittikten sonra, yeni verileri almak için eğitim denemenizi tahmine dayalı bir deneyle dönüştürmeye hazırsınız demektir.

Tahmine dayalı bir deneye dönüştürerek, eğitilen modelinizi bir Puanlama Web hizmeti olarak dağıtılmaya hazırsınız demektir. Web hizmetinin kullanıcıları, modelinize giriş verileri gönderebilir ve modeliniz tahmin sonuçlarını geri gönderir. Tahmine dayalı bir deneyiye dönüştürme yaparken, modelinizin başkaları tarafından kullanılmasını nasıl beklediğinizi göz önünde bulundurun.

Bir öngörülü deneye Eğitim denemesini dönüştürme işlemi üç adımdan oluşur:

1. Machine Learning algoritması modüllerini eğitilen modellerinizle değiştirin.
2. Denemeyi yalnızca Puanlama için gereken modüllerle kırpın. Eğitim denemesi, eğitim için gerekli olan, ancak model eğitilen bir kez gerekli olmayan birkaç modül içerir.
3. Modelinizin Web hizmeti kullanıcıdan verileri kabul edip etmeyeceğini ve hangi verilerin döndürüleceğini tanımlayın.

Web hizmeti ayarlama düğmesi

Denemenizi çalıştırdıktan sonra (deneme tuvalinin alt kısmındaki Çalıştır ' a tıklayın), Web hizmeti ayarla düğmesine tıklayın (tahmine dayalı Web hizmeti seçeneğini belirleyin). Web hizmeti 'ni, eğitim denemenizi bir tahmine dayalı deneyle dönüştürmenin üç adımı sizin için gerçekleştirir:

1. Eğitilen modelinizi modül paleti (deneme tuvalinin sol tarafında) eğitilen modeller bölümüne kaydeder. Ardından makine öğrenimi algoritmasını değiştirir ve model modüllerini kaydedilen eğitilen modelle eğitme .
2. Denemenizin analiz edildiği ve yalnızca eğitim için açıkça kullanılan ve artık gerekli olmayan modülleri kaldıran.
3. Web hizmeti giriş ve Çıkış modüllerini denemenizin varsayılan konumlarına ekler (Bu modüller Kullanıcı verilerini kabul eder ve döndürür).

Örneğin, aşağıdaki deneme, örnek görselleştirmenizdeki verilerini kullanarak iki sınıf bir önceden maliyetli karar ağacı modeli ister:

Bu deneydeki modüller temelde dört farklı işlevi gerçekleştirir:

Bu eğitim denemesini tahmine dayalı bir deneyle dönüştürdüğünüzde, bu modüllerden bazıları artık gerekli değildir veya artık farklı bir amaç sunar:

• Veri -Bu örnek veri kümesindeki veriler Puanlama sırasında kullanılmaz; Web hizmeti kullanıcısı puanlanmayacak verileri sağlar. Ancak, veri türleri gibi bu veri kümesindeki meta veriler eğitilen model tarafından kullanılır. Bu nedenle, bu meta verileri sağlayabilmesi için veri kümesini tahmine dayalı deneyde tutmanız gerekir.

• Prep -Puanlama için gönderilecek kullanıcı verilerine bağlı olarak, bu modüller gelen verileri işlemek için gerekli olmayabilir veya olmayabilir. Web hizmeti ayarlama düğmesine dokunmaz. bunları nasıl işlemek istediğinize karar vermeniz gerekir.

  Örneğin, bu örnekte örnek veri kümesinde eksik değerler olabilir, bu nedenle bunlarla başa çıkmak için bir Temizleme eksik veri modülü eklenmiştir. Ayrıca, örnek veri kümesi, modeli eğitmek için gerekli olmayan sütunları içerir. Bu nedenle, veri akışından bu ek sütunları hariç tutmak için DataSet modülünde bir Select sütunları eklenmiştir. Puanlama için Web hizmeti üzerinden gönderilecek verilerin eksik değerlere sahip olmadığını biliyorsanız, eksik veri modülünü Temizleme seçeneğini kaldırabilirsiniz. Ancak, veri kümesi modülündeki sütunları seç , eğitilen modelin beklediği veri sütunlarını tanımlamaya yardımcı olduğundan, Bu modülün kalması gerekir.

• Eğitme -bu modüller modeli eğiteiçin kullanılır. Web hizmeti ayarla' ya tıkladığınızda, bu modüller, eğitilen modeli içeren tek bir modülle değiştirilmiştir. Bu yeni modül, modül paleti 'nin eğitilen modeller bölümüne kaydedilir.

• Puan -Bu örnekte, veri akışını test verilerine ve eğitim verilerine bölmek Için bölünmüş veri modülü kullanılır. Tahmine dayalı deneyde artık eğitim duymuyoruz, bu nedenle bölünmüş veriler kaldırılabilir. Benzer şekilde, ikinci puan modeli modülü ve modeli değerlendir modülü, sonuçları test verileriyle karşılaştırmak için kullanılır; bu nedenle, bu modüller tahmine dayalı deneyde gerekli değildir. Ancak, kalan puan modeli modülü, Web hizmeti aracılığıyla bir puan sonucu döndürmek için gereklidir.

Aşağıda, Web hizmeti ayarla' yı tıkladıktan sonra örneğimiz şöyle görünür:

Web hizmeti ayarlama tarafından gerçekleştirilen iş, denemenizi bir Web hizmeti olarak dağıtılacak şekilde hazırlamak yeterli olabilir. Ancak, denemenize özgü bazı ek işler yapmak isteyebilirsiniz.

Giriş ve çıkış modüllerini ayarlama

Eğitim denemenizin deneme sürümünde bir dizi eğitim verisi kullandınız ve daha sonra Machine Learning algoritmasının gerek duyduğu bir formdaki verileri almak için bazı işlemler gerçekleştirirsiniz. Web hizmeti üzerinden almak istediğiniz verilerin bu işleme ihtiyacı yoksa, bu işlemi atlayabilirsiniz: Web Hizmeti Giriş modülünün çıkışını denemenizin farklı bir modülüne bağlama. Kullanıcının verileri şimdi bu konumdaki modele ulaşacaktır.

Örneğin, varsayılan olarak, Web hizmeti kurulumu , yukarıdaki şekilde gösterildiği gibi, Web hizmeti giriş modülünü veri akışınızı en üst kısmına koyar. Ancak, Web hizmeti girişini veri işleme modüllerinden geçmiş olarak el ile konumlandırabiliriz:

Web hizmeti üzerinden sunulan giriş verileri artık ön işleme olmadan doğrudan puan modeli modülüne geçirilecek.

Benzer şekilde, varsayılan olarak, Web hizmeti kurulumu , Web hizmeti çıkış modülünü veri akışınız altına koyar. Bu örnekte, Web hizmeti, tüm giriş verisi vektörünü ve Puanlama sonuçlarını içeren, kullanıcıya puan modeli modülünün çıktısını döndürür. Ancak, farklı bir şey döndürmeyi tercih ediyorsanız, Web hizmeti çıkış modülünden önce ek modüller ekleyebilirsiniz.

Örneğin, tüm giriş verileri vektörünü değil yalnızca Puanlama sonuçlarını döndürmek için, Puanlama sonuçları hariç tüm sütunları hariç tutmak için DataSet modülüne bir Select sütunları ekleyin. Daha sonra Web hizmeti çıkış modülünü veri kümesi modülündeki sütunları seçme modülüne taşıyın. Deneme şöyle görünür:

Ek veri işleme modülleri ekleme veya kaldırma

Denemenizin Puanlama sırasında gerekli olacağını bildiğiniz daha fazla modül varsa, bunlar kaldırılabilir. Örneğin, Web hizmeti giriş modülünü veri işleme modüllerinden sonra bir noktaya taşıdığımızda, eksik veri modülünü tahmine dayalı deneyden kaldırabiliriz.

Tahmine dayalı deneyimiz şu şekilde görünür:

İsteğe bağlı Web hizmeti parametreleri Ekle

Bazı durumlarda, hizmet erişildiğinde Web hizmetinizin kullanıcısına modüllerin davranışını değiştirmesine izin vermek isteyebilirsiniz. Web hizmeti parametreleri bunu yapmanıza olanak sağlar.

Ortak bir örnek, bir Içeri aktarma verileri modülü, dağıtılmış Web hizmeti kullanıcısının Web hizmetine erişildiğinde farklı bir veri kaynağı belirtmesini sağlayacak şekilde ayarlıyor. Veya farklı bir hedefin belirtilebilir olması için Bir Verileri Dışarı Aktar modülünü yapılandırabilirsiniz.

Web Hizmeti Parametrelerini tanımlayabilir ve bunları bir veya daha fazla modül parametresiyle ilişkilendirilerek bunların gerekli mi yoksa isteğe bağlı mı olduğunu belirtabilirsiniz. Web hizmetinin kullanıcısı hizmete erişildiğinde bu parametreler için değerler sağlar ve modül eylemleri buna göre değiştirilir.

Web Hizmeti Parametrelerinin ne olduğu ve nasıl kullanılaları hakkında daha fazla bilgi için bkz. Machine Learning Web Hizmeti Parametrelerini Kullanma.

Aşağıdaki adımlarda tahmine dayalı bir denemenin Yeni web hizmeti olarak dağıtımı açıkmektedir. Denemeyi Klasik web hizmeti olarak da dağıtabilirsiniz.

Bunu Yeni web hizmeti olarak dağıtma

Tahmine dayalı deneme hazırlanmıştır. Şimdi bunu yeni (Resource Manager tabanlı) bir Azure web hizmeti olarak dağıtabilirsiniz. Kullanıcılar web hizmetini kullanarak modelinize veri gönderebilir ve model tahminlerini geri gönderir.

Tahmine dayalı denemenizi dağıtmak için deneme tuvali altındaki Çalıştır'a tıklayın. Denemenin çalıştırması tamam olduktan sonra Web Hizmetini Dağıt'a tıklayın ve Yeni Web Hizmeti Dağıt'ı [seçin.] Machine Learning Studio (klasik) Web Hizmeti portalının dağıtım sayfası açılır.

Web Hizmeti portalı Deneme Dağıtma Sayfası

Denemeyi Dağıt sayfasında web hizmeti için bir ad girin. Bir fiyatlandırma planı seçin. Mevcut bir fiyatlandırma planınız varsa bunu seçin, aksi takdirde hizmet için yeni bir fiyat planı oluşturmanız gerekir.

1. Fiyat Planı açılan listesinde var olan bir planı seçin veya Yeni plan seç seçeneğini belirleyin.
2. Plan Adı'nın altında, faturanıza göre planı tanımacak bir ad yazın.
3. Aylık Plan Katmanlarından birini seçin. Plan katmanları varsayılan olarak varsayılan bölgenize göre planlarınızı kullanır ve web hizmetiniz bu bölgeye dağıtılır.

Dağıt'a tıklar ve web hizmetinizin Hızlı Başlangıç sayfası açılır.

Web hizmeti Hızlı Başlangıç sayfası, bir web hizmeti oluşturduk sonra gerçekleştirecekleri en yaygın görevlere erişme ve rehberlik sağlar. Buradan hem Test sayfasına hem de Tüket sayfasına kolayca erişebilirsiniz.

Yeni web hizmetinizi test edin

Yeni web hizmetinizi test etmek için ortak görevler altında Web hizmetini test edin'e tıklayın. Test sayfasında, web hizmetinizi bir Request-Response Hizmeti (RRS) veya Batch Yürütme hizmeti (BES) olarak test edebilirsiniz.

RRS test sayfasında deneme için tanımlandığı gibi girişler, çıkışlar ve genel parametreler görüntülenir. Web hizmetini test etmek için girişlere uygun değerleri el ile girebilirsiniz veya test değerlerini içeren virgülle ayrılmış değer (CSV) biçimli bir dosya sekleyebilirsiniz.

RRS kullanarak test etmek için, liste görünümü modunda girişler için uygun değerleri girin ve İstek-Yanıtını Test'e tıklayın. Tahmin sonuçlarınız, sol tarafta çıkış sütununda görüntülenir.

BES'nizi test etmek için Batch'e tıklayın. Batch testi sayfasında, girdinizin altında Gözat'a tıklayın ve uygun örnek değerleri içeren bir CSV dosyası seçin. CSV dosyanız yoksa ve tahmine dayalı denemenizi Machine Learning Studio (klasik) kullanarak oluşturduysanız, tahmine dayalı denemeniz için veri kümesi indirip kullanabilirsiniz.

Veri kümesi indirmek için Machine Learning Studio(klasik) 'i açın. Tahmine dayalı denemenizi açın ve denemenizin girişine sağ tıklayın. Bağlam menüsünden veri kümesi'yi ve ardından İndir'i seçin.

Test 'e tıklayın. Batch Yürütme işnizin durumu, Batch İşlerini Sına altında sağda görüntülenir.

YAPıLANDıRMA sayfasında açıklamayı, başlığı değiştirebilir, depolama hesabı anahtarını güncelleştirebilirsiniz ve web hizmetiniz için örnek verileri etkinleştirebilirsiniz.

Yeni web hizmetinize erişme

Web hizmetinizi Machine Learning Studio'dan (klasik) dağıttıktan sonra hizmete veri gönderebilir ve program aracılığıyla yanıtlar gönderebilirsiniz.

Tüket sayfası, web hizmetinize erişmek için ihtiyacınız olan tüm bilgileri sağlar. Örneğin API anahtarı, hizmete yetkili erişim izni vermek için sağlanır.

Machine Learning Studio (klasik) web hizmetine erişme hakkında daha fazla bilgi için bkz. Machine Learning Studio (klasik) Web hizmetini tüketme.

Yeni web hizmetinizi yönetme

Machine Learning Studio (klasik) Web Hizmetleri portalını kullanarak Yeni web hizmetlerinizi yönetebilirsiniz. Ana portal sayfasında Web Hizmetleri'ne tıklayın. Web hizmetleri sayfasından bir hizmeti silebilir veya kopyaleyebilirsiniz. Belirli bir hizmeti izlemek için hizmete ve ardından Pano'ya tıklayın. Web hizmetiyle ilişkili toplu işleri izlemek için Batch İstek Günlüğü'ne tıklayın.

Yeni web hizmetinizi birden çok bölgeye dağıtma

Yeni web hizmetini birden fazla abonelik veya çalışma alanına gerek kalmadan kolayca birden çok bölgeye dağıtabilirsiniz.

Fiyatlandırma bölgeye özgü olduğundan, web hizmetini dağıtacak her bölge için bir faturalama planı tanımlamanız gerekir.

Başka bir bölgede plan oluşturma

1. Web Hizmetleri'Machine Learning oturum açma.
2. Planlar menü seçeneğine tıklayın.
3. Görünüm üzerinden planlar sayfasında Yeni'ye tıklayın.
4. Abonelik açılan listesinden, yeni planın içinde yer alan aboneliği seçin.
5. Bölge açılan listesinden yeni plan için bir bölge seçin. Seçilen bölge için Plan Seçenekleri, sayfanın Plan Seçenekleri bölümünde görüntülenir.
6. Kaynak Grubu açılan listesinden plan için bir kaynak grubu seçin. Kaynak grupları hakkında daha fazla bilgi için bkz. Azure Resource Manager genel bakış.
7. Plan Adı'nın altında planın adını yazın.
8. Plan Seçenekleri'nin altında, yeni planın faturalama düzeyine tıklayın.
9. Oluştur’a tıklayın.

Web hizmetini başka bir bölgeye dağıtma

1. Web Machine Learning sayfasında Web Hizmetleri menü seçeneğine tıklayın.
2. Yeni bir bölgeye dağıtın Web Hizmetini seçin.
3. Kopyala'ya tıklayın.
4. Web Hizmeti Adı'nın altında, web hizmeti için yeni bir ad yazın.
5. Web hizmeti açıklaması'nın içinde, web hizmeti için bir açıklama yazın.
6. Abonelik açılan listesinden, yeni web hizmetinin içinde yer alan aboneliği seçin.
7. Kaynak Grubu açılan listesinden web hizmeti için bir kaynak grubu seçin. Kaynak grupları hakkında daha fazla bilgi için bkz. Azure Resource Manager genel bakış.
8. Bölge açılan listesinden, web hizmetinin dağıtılal olduğu bölgeyi seçin.
9. Hesap Depolama açılan listesinden, web hizmetinin depolanması için bir depolama hesabı seçin.
10. Fiyat Planı açılan listesinde, 8. adımda seçtiğiniz bölgede bir plan seçin.
11. Kopyala'ya tıklayın.

Klasik web hizmeti olarak dağıtma

Tahmine dayalı deneme yeterince hazırlanmıştır. Şimdi bunu Klasik Azure web hizmeti olarak dağıtabilirsiniz. Kullanıcılar web hizmetini kullanarak modelinize veri gönderebilir ve model tahminlerini geri gönderir.

Tahmine dayalı denemenizi dağıtmak için deneme tuvali alt kısmında Çalıştır'a ve ardından Web Hizmetini Dağıt'a tıklayın. Web hizmeti ayarlanır ve web hizmeti panosuna yerleştirilirsiniz.

Klasik web hizmetinizi test edin

Web hizmetini Machine Learning Studio (klasik) Web Hizmetleri portalında veya Machine Learning Studio'da (klasik) test edebilirsiniz.

İstek Yanıtı web hizmetini test etmek için web hizmeti panosunda Test düğmesine tıklayın. Hizmet için giriş verilerini istemek için bir iletişim kutusu açılır. Bunlar puanlama denemesi tarafından beklenen sütunlardır. Bir veri kümesi girin ve ardından Tamam'a tıklayın. Web hizmeti tarafından oluşturulan sonuçlar panonun alt kısmında görüntülenir.

Hizmetinizi daha önce Yeni web hizmeti bölümünde gösterildiği gibi Machine Learning Studio (klasik) Web Hizmetleri portalında test etmek için Önizlemeyi test edin bağlantısına tıklarsınız.

Batch Yürütme Hizmetini test etmek için Önizlemeyi test edin bağlantısına tıklayın. Batch testi sayfasında, girdinizin altında Gözat'a tıklayın ve uygun örnek değerleri içeren bir CSV dosyası seçin. bir CSV dosyanız yoksa ve Machine Learning Studio 'yu (klasik) kullanarak tahmine dayalı denemeniz oluşturduysanız, tahmine dayalı denemenize yönelik veri kümesini indirebilir ve kullanabilirsiniz.

Yapılandırma sayfasında, hizmetin görünen adını değiştirebilir ve bir açıklama verebilirsiniz. Ad ve açıklama, Web hizmetlerinizi yönettiğiniz Azure Portal görüntülenir.

Giriş şeması, Çıkış ŞEMASı ve Web hizmeti parametresi altındaki her bir sütun için bir dize girerek giriş verileriniz, çıkış verileriniz ve Web hizmeti parametreleriniz için bir açıklama sağlayabilirsiniz. Bu açıklamalar, Web hizmeti için sunulan örnek kod belgelerinde kullanılır.

Web hizmetinize erişildiğinde gördüğünüz herhangi bir başarısızlığı tanılamak için günlüğe kaydetmeyi etkinleştirebilirsiniz. daha fazla bilgi için bkz. Machine Learning Studio (klasik) web hizmetleri için günlüğü etkinleştirme.

web hizmeti için uç noktalarını, daha önce yeni web hizmeti bölümünde gösterilen yordama benzer Machine Learning web hizmetleri portalında da yapılandırabilirsiniz. Seçenekler farklıdır, hizmet açıklaması ekleyebilir veya değiştirebilir, günlüğe kaydetmeyi etkinleştirebilir ve test için örnek verileri etkinleştirebilirsiniz.

Klasik Web hizmetinize erişin

web hizmetinizi Machine Learning Studio 'dan (klasik) dağıttıktan sonra, hizmete veri gönderebilir ve yanıtları programlı bir şekilde alabilirsiniz.

Pano, Web hizmetinize erişmek için gereken tüm bilgileri sağlar. Örneğin, API anahtarı hizmete yetkisiz erişime izin vermek için sağlanır ve kodunuzu yazmaya başlamanıza yardımcı olmak için API Yardım sayfaları sağlanır.

Machine Learning studio (klasik) web hizmetine erişme hakkında daha fazla bilgi için bkz. Machine Learning Studio (klasik) web hizmeti kullanma.

Klasik Web hizmetinizi yönetme

Bir Web hizmetini izlemek için gerçekleştirebileceğiniz çeşitli eylemler vardır. Güncelleştirebilir ve silebilirsiniz. Ayrıca, dağıtırken oluşturulan varsayılan uç noktaya ek olarak klasik bir Web hizmetine ek uç noktalar ekleyebilirsiniz.

daha fazla bilgi için bkz. Machine Learning studio (klasik) çalışma alanını yönetme ve Machine Learning Studio (klasik) web hizmetleri portalını kullanarak bir web hizmetini yönetme.

Web hizmetini güncelleştirme

Web hizmetinizde, modeli ek eğitim verileriyle güncelleştirmek ve özgün Web hizmetinin üzerine yazarak yeniden dağıtmak gibi değişiklikler yapabilirsiniz.

Web hizmetini güncelleştirmek için, Web hizmetini dağıtmak için kullandığınız özgün tahmine dayalı denemeyi açın ve farklı kaydet' e tıklayarak düzenlenebilir bir kopya oluşturun. Değişikliklerinizi yapın ve ardından Web Hizmeti Dağıt' a tıklayın.

Bu denemeyi daha önce dağıttığınıza göre, mevcut hizmeti (Klasik Web hizmeti) veya güncelleştirme (yeni Web hizmeti) üzerine yazmak isteyip istemediğiniz sorulur. Evet veya Güncelleştir ' i tıklatmak, mevcut Web hizmetini sonlandırır ve yeni tahmine dayalı denemeyi dağıttığı yerde dağıtılır.

Web hizmetinizi güncelleştirmek için bir seçenek, modeli programlı bir şekilde yeniden eğitmenize yöneliktir. daha fazla bilgi için bkz. Machine Learning Studio (klasik) modellerini programlama yoluyla yeniden eğitme.

Sonraki adımlar

• dağıtımın nasıl çalıştığı hakkında daha fazla teknik bilgi için, bkz. Machine Learning Studio (klasik) modelinin bir deneyden bir çalışılan Web hizmetine nasıl ilerlediği.

• modelinizi dağıtıma nasıl hazırlayacağınız hakkında ayrıntılı bilgi için, bkz. Machine Learning Studio 'da (klasik) modelinize dağıtım için nasıl hazırlanacağı.

• REST API’sini kullanmanın ve web hizmetine erişmenin birkaç yolu vardır. bkz. Machine Learning Studio (klasik) web hizmetini kullanma.