Machine Learning Studio (clássico): ajuda com algoritmos e módulos
Importante
O suporte para o Machine Learning Studio (clássico) terminará em 31 de agosto de 2024. É recomendável fazer a transição para o Azure Machine Learning até essa data.
A partir de 1º de dezembro de 2021, você não poderá criar recursos do Machine Learning Studio (clássico). Até 31 de agosto de 2024, você pode continuar usando os recursos existentes do Machine Learning Studio (clássico).
- Confira informações sobre como mover projetos de machine learning do ML Studio (clássico) para o Azure Machine Learning.
- Saiba mais sobre o Azure Machine Learning.
A documentação do ML Studio (clássico) está sendo desativada e pode não ser atualizada no futuro.
Dica
Os clientes que usam ou avaliam atualmente o Machine Learning Studio (clássico) são incentivados a experimentar o designer do Azure Machine Learning, que fornece módulos de ML do tipo "arrastar e soltar", além de escalabilidade, controle de versão e segurança empresarial.
O Machine Learning Studio (clássico) é um serviço de análise preditiva na nuvem que permite criar rapidamente modelos preditivos e implantá-los como soluções de análise. As ferramentas de aprendizado de máquina são principalmente serviços baseados em nuvem, o que elimina problemas de instalação e configuração, pois é possível trabalhar no navegador da Web em qualquer PC conectado à Internet. Consulte o artigo " O que é o Studio (clássico)?" para obter mais detalhes.
Esta documentação contém informações detalhadas de caráter técnico e instrutivo para os módulos que estão disponíveis no Machine Learning Studio (clássico).
- Entre em seu workspace do Machine Learning Studio (clássico) e comece agora mesmo.
O que é um módulo?
Cada módulo no Machine Learning Studio (clássico) representa um conjunto de códigos que podem ser executados de modo independente e executar uma tarefa de aprendizado de máquina, quando fornecidas as entradas necessárias. Um módulo pode conter um algoritmo específico ou executar uma tarefa que seja importante no aprendizado de máquina, tal como substituição de um valor ausente ou análise estatística.
No Studio (clássico), os módulos são organizados por funcionalidade:
Os módulos de entrada e saída de dados fazem o trabalho de mover dados de fontes de nuvem para seu experimento. Durante a execução de um experimento, é possível não apenas usar o armazenamento em nuvem para trocar dados entre os experimentos, mas também gravar os resultados ou dados intermediários no Armazenamento do Azure, em um banco de dados SQL ou em um Hive.
Os módulos de transformação de dados oferecem suporte a operações usando dados que são exclusivos para o aprendizado de máquina, tais como normalização ou compartimentalização de dados, seleção de recursos e redução de dimensionalidade.
Os algoritmos de aprendizado de máquina, tais como clustering, computador de vetor de suporte ou redes neurais, estão disponíveis em módulos individuais que permitem personalizar a tarefa de aprendizado de máquina com os parâmetros apropriados. Para tarefas de classificação, é possível escolher entre algoritmos binários ou multiclasse.
Depois de configurar o modelo, use um módulo de treinamento para executar dados por meio do algoritmo e meça a precisão do modelo treinado usando um dos módulos de avaliação. Para obter previsões do modelo que você acabou de treinar, use um dos módulos de pontuação.
Detecção de anomalias: O Machine Learning Studio (clássico) inclui vários algoritmos especializados para essas tarefas.
Os módulos de análise de texto oferecem suporte a várias tarefas de processamento de linguagem natural.
O suporte a Vowpal Wabbit facilita o uso dessa plataforma escalonável.
Os módulos do Python e da linguagem R facilitam a execução de uma função personalizada. Você escreve o código e o incorpora em um módulo para integrar o Python e o R a um serviço de experimento.
A biblioteca OpenCV fornece módulos para usar em tarefas de reconhecimento de imagem específicas.
A análise de série temporal oferece suporte à detecção de anomalias na série temporal.
Os módulos estatísticos fornecem uma ampla variedade de métodos numéricos relacionados à ciência de dados. Examine esse grupo para obter métodos de correlação, resumos de dados e operações estatísticas e matemáticas.
Nesta seção de referência, você encontrará informações técnicas sobre os algoritmos de aprendizado de máquina, detalhes de implementação, se disponíveis, e links para experimentos de exemplo que demonstram como o módulo é usado. É possível baixar exemplos da Galeria de IA do Azure para seu workspace. Esses exemplos são para uso público.
Dica
Caso esteja conectado ao Machine Learning Studio (clássico) e tenha criado um experimento, será possível obter informações sobre um módulo específico. Selecione o módulo e, em seguida, selecione o link mais ajuda no painel Ajuda Rápida.
Outras referências técnicas
| Seção | Descrição |
|---|---|
| Lista de tipos de dados | Esta seção contém tópicos de referência que descrevem as interfaces do aluno e o DataTable formato usado para conjuntos de dados. |
| Lista de Exceções | Esta seção lista os erros que os módulos podem gerar, com as causas e possíveis soluções alternativas. Para obter a lista de códigos de erro relacionados à API do serviço Web, confira Códigos de Erro da API REST do Machine Learning. |