機器學習 Studio (傳統) ：演算法和模組說明
重要
Machine Learning 工作室 (傳統) 的支援將於 2024 年 8 月 31 日結束。 建議您在該日期之前轉換成 Azure Machine Learning。
自 2021 年 12 月 1 日起，您將無法建立新的 Machine Learning 工作室 (傳統) 資源。 在 2024 年 8 月 31 日之前，您可以繼續使用現有的 Machine Learning 工作室 (傳統) 資源。
ML 工作室 (傳統) 文件即將淘汰，未來將不再更新。
提示
我們鼓勵目前正在使用或評估 Machine Learning Studio (傳統) 的客戶嘗試使用 Azure Machine Learning 設計工具，這會提供拖放 ML 模組加上延展性、版本控制及企業安全性。
機器學習 Studio (傳統) 是雲端預測性分析服務，可讓您快速建立預測模型，並將其部署為分析解決方案。 機器學習工具大多是雲端式服務，因為可以在任何連線到網際網路的電腦上使用網頁瀏覽器即可使用，如此可排除設定和安裝的問題。 See the article, "What is Studio (classic)?" for more details.
本文件包含 Machine Learning Studio (傳統) 中可用模組的詳細技術和操作說明資訊。
- 登入您的 Machine Learning Studio (傳統) 工作區並開始使用。
什麼是課程模組？
Machine Learning Studio (傳統) 中的每個模組都代表一組程式碼，可以獨立執行；若提供必要的輸入內容也可執行機器學習工作。 模組可能包含特定的演算法，或執行在機器學習中很重要的工作，例如遺漏值取代或統計分析。
在 Studio (傳統) 中，模組是依功能加以安排：
資料輸入和輸出模組會將資料從雲端來源移至實驗。 您可以在執行實驗時，將結果或中繼資料寫入 Azure 儲存體、SQL 資料庫或 Hive，或使用雲端儲存體在實驗之間交換資料。
資料轉換模組支援對機器學習服務特有的資料進行作業，例如正規化或分類收納資料、特徵選取，以及維度縮減等。
您可以在個別模組中使用機器學習演算法，例如叢集、支援向量機器或類神經網路，讓您使用適當的參數自訂機器學習工作。 對於分類工作，您可以選擇二進位或多元演算法。
設定模型之後，請使用訓練模組透過演算法執行資料，並使用其中一個評估模組來測量定型模型的精確度。 若要從您剛定型的模型取得預測資料，請使用其中一個評分模組。
異常偵測：機器學習 Studio (傳統) 包含針對這些工作特製化的多個演算法。
文字分析模組支援各種自然語言處理工作。
Vowpal Wabbit 支援可讓您輕鬆地使用這個可擴充的平台。
Python 和 R 語言 模組可讓您輕鬆地執行自訂函式。 您可以撰寫程式碼並將它內嵌在模組中，以將 Python 和 R 與實驗服務整合。
OpenCV 程式庫會提供要在特定影像辨識工作中使用的模組。
時間序列分析支援在時間序列中進行異常偵測。
統計模組提供與資料科學相關的各種數值方法。 請查看此群組中的相互關聯方法、資料摘要，以及統計和數學運算。
在此參考區段中，您可以找到機器學習演算法的技術背景、可用的執行詳細資料，以及示範如何使用模組的範例實驗連結。 您可以將 Azure AI 資源庫 中的範例下載至您的工作區。 這些範例供公開使用。
提示
如果您已登入 Machine Learning Studio (傳統) 並已建立實驗，可以取得特定模組的相關資訊。 選取模組，然後在 [快速說明] 窗格中選取 [更多說明] 連結。
其他技術參考
| 區段 | 描述 |
|---|---|
| 資料類型清單 | 本節包含描述學習模組介面的參考主題，以及用於資料集的 DataTable 格式。 |
| 例外狀況清單 | 本節列出模組可能產生的錯誤，並包含原因和可能的因應措施。 如需與 Web 服務 API 相關的錯誤碼清單，請參閱 Machine Learning REST API 錯誤碼。 |