Gegevensinvoer en -uitvoer
Belangrijk
De ondersteuning voor Azure Machine Learning-studio (klassiek) eindigt op 31 augustus 2024. U wordt aangeraden om vóór die datum over te stappen naar Azure Machine Learning.
Vanaf 1 december 2021 kunt u geen nieuwe resources voor Azure Machine Learning-studio (klassiek) meer maken. Tot en met 31 augustus 2024 kunt u de bestaande resources van Azure Machine Learning-studio (klassiek) blijven gebruiken.
- Zie informatie over het verplaatsen machine learning van ML Studio (klassiek) naar Azure Machine Learning.
- Meer informatie over Azure Machine Learning.
De documentatie van ML-studio (klassiek) wordt buiten gebruik gesteld en wordt in de toekomst mogelijk niet meer bijgewerkt.
Notitie
Van toepassing op: Machine Learning Studio (klassiek)
Vergelijkbare modules met slepen en neerzetten zijn beschikbaar in Azure Machine Learning designer.
In dit artikel worden de modules beschreven die u kunt gebruiken voor het importeren en exporteren van gegevens en modellen in Machine Learning Studio (klassiek).
Naast het gebruik van modules kunt u gegevenssets rechtstreeks uploaden en downloaden van lokale bestanden op uw computer of netwerk. Zie bestaande gegevens Upload in een experiment voor Machine Learning informatie.
Hier zijn enkele van de bronnen die u kunt gebruiken voor het importeren en exporteren van gegevens en modellen in Machine Learning Studio (klassiek):
- Haal gegevens op uit bronnen in de cloud, zoals Azure SQL Database, Azure SQL Data Warehouse, Azure Storage en Azure Cosmos DB. U kunt ook gegevens importeren die zijn opgegeven als een openbare web-URL, gegevens uit Hadoop halen met behulp van een Hive-query of een query uitvoeren op een on-premises SQL server.
- Laad een verzameling afbeeldingen uit Azure Blob Storage voor gebruik in taken voor afbeeldingsclassificatie.
- Extraheerde de gegevens uit ingepakte bestanden die u hebt geüpload naar Machine Learning. U kunt de gegevenssets gebruiken in experimenten.
- Maak kleine gegevenssets door te typen in Machine Learning Studio -gebruikersinterface (klassiek). Dit kan handig zijn voor het maken van kleine testsets.
- Sla uw resultaten of tussenliggende gegevens op in Azure Table Storage, Blob Storage, SQL database of een Hive-query.
- Haal een getraind model op uit een URL of Blob-opslag en gebruik het vervolgens in een experiment.
Notitie
De modules in deze groep verplaatsen alleen gegevens van of naar Machine Learning Studio (klassiek). U kunt de modules niet gebruiken om de gegevens te filteren, casten of transformeren tijdens het import- of exportproces.
Zie Gegevenstransformatie voor meer informatie over het transformeren en filteren van uw gegevens in Machine Learning Studio (klassiek).
Resources
In de volgende artikelen worden algemene gegevensscenario's in machine learning:
Aan de slag
Meer informatie over het beheren van gegevens machine learning in de cloud. De informatie in dit artikel is gebaseerd op DEP-DM, een industriestandaard. Het artikel bevat end-to-end-scenario's die de integratie van machine learning met cloudgegevensoplossingen zoals Azure HDInsight en SQL Database.
In dit artikel wordt beschreven hoe u uw gegevens naar Azure kunt verplaatsen en vervolgens een experiment kunt maken.
Geavanceerde gegevenswetenschap
Informatie over het installeren van de Machine Learning Python-clientbibliotheek en deze vervolgens gebruiken om toegang te krijgen tot metagegevens en te werken met gegevenssets.
Voorbeeldexperimenten
Lijst met modules
De categorie Gegevensinvoer en -uitvoer bevat de volgende modules:
- Gegevens handmatig invoeren: hiermee kunt u kleine gegevenssets maken door waarden te typen.
- Gegevens exporteren: schrijft een gegevensset naar web-URL's of naar verschillende vormen van cloudopslag in Azure, zoals tabellen, blobs of een SQL database.
- Gegevens importeren: laadt gegevens uit externe bronnen op internet en uit verschillende vormen van cloudopslag in Azure, zoals Table Storage, Blob Storage, SQL Database, SQL Data Warehouse, Azure Cosmos DB of een Hive-query. U kunt ook gegevens importeren uit een on-premises SQL Server database.
- Getraind model laden: haalt een getraind model op uit een URL of Blob-opslag om te gebruiken in een score-experiment.
- Uitgepakte gegevenssets uitpakken: hiermee wordt een gegevensset gedecomprimeerd die is opgeslagen in de ingepakte indeling en wordt de gegevensset vervolgens toegevoegd aan uw werkruimte.