Een machine learning-model trainen en beheren met Azure Machine Learning

  • Leertraject
  • 7 Modules
beginner
data-scientist
azure-machine-learning

In een oogopslag

Als u een machine learning-model wilt trainen met Azure Machine Learning, moet u gegevens beschikbaar maken en de benodigde rekenkracht configureren. Nadat u uw model hebt getraind en metrische modelgegevens hebt bijgehouden met MLflow, kunt u besluiten uw model te implementeren op een online-eindpunt voor realtime voorspellingen. In dit leertraject verkent u hoe u uw Azure Machine Learning-werkruimte instelt, waarna u een machine learning-model traint en beheert.

Vereisten

Geen

Modules in dit leertraject

Gegevens beschikbaar maken in Azure Machine Learning

Meer informatie over het maken van verbinding met gegevens vanuit de Azure Machine Learning-werkruimte. U hebt kennis gemaakt met gegevensarchieven en gegevensassets.

Werken met rekendoelen in Azure Machine Learning

Meer informatie over het werken met rekendoelen in Azure Machine Learning. Met rekendoelen kunt u uw machine learning-workloads uitvoeren. Ontdek hoe en wanneer u een rekenproces of rekencluster kunt gebruiken.

Werken met omgevingen in Azure Machine Learning

Meer informatie over het gebruik van omgevingen in Azure Machine Learning om scripts uit te voeren op elk rekendoel.

Een trainingsscript uitvoeren als een opdrachttaak in Azure Machine Learning

Meer informatie over het converteren van uw code naar een script en het uitvoeren als een opdrachttaak in Azure Machine Learning.

Modeltraining bijhouden met MLflow in taken

Informatie over het bijhouden van modeltraining met MLflow in taken bij het uitvoeren van scripts.

Een MLflow-model registreren in Azure Machine Learning

Meer informatie over het registreren en registreren van een MLflow-model in Azure Machine Learning.

Een model implementeren op een beheerd online-eindpunt

Meer informatie over het implementeren van modellen naar een beheerd online-eindpunt voor realtime deductie.