Dados de entrada e saída
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.
Observação
aplica-se a: somente Machine Learning Studio (clássico)
Módulos semelhantes do tipo "arrastar e soltar" estão disponíveis no designer do Azure Machine Learning.
este artigo lista os módulos que você pode usar para importar e exportar dados e modelos no Machine Learning Studio (clássico).
Além de usar os módulos, você pode carregar e baixar diretamente conjuntos de os arquivos locais em seu computador ou rede. para obter mais informações, consulte Upload dados existentes em um experimento de Machine Learning.
aqui estão algumas das fontes que você pode usar para importar e exportar dados e modelos no Machine Learning Studio (clássico):
- obtenha dados de fontes na nuvem, como Banco de Dados SQL do Azure, SQL do Azure Data Warehouse, Armazenamento do Azure e Azure Cosmos DB. você também pode importar dados fornecidos como uma URL da web pública, obter dados do Hadoop usando uma consulta do Hive ou consultar um servidor de SQL local.
- Carregue uma coleção de imagens do armazenamento de BLOBs do Azure para usar em tarefas de classificação de imagem.
- Extraia os dados de arquivos compactados que você carregou para Machine Learning. Você pode usar os conjuntos de valores em experimentos.
- crie pequenos conjuntos de valores digitando na interface do usuário do Machine Learning Studio (clássico). Isso pode ser útil para a criação de pequenos conjuntos de testes.
- salve os resultados ou os dados intermediários no armazenamento de tabelas do Azure, no armazenamento de blobs, em um banco de SQL ou em uma consulta de Hive.
- Obtenha um modelo treinado de uma URL ou armazenamento de BLOBs e, em seguida, use-o em um experimento.
Observação
os módulos neste grupo só movem dados para ou do Machine Learning Studio (clássico). Você não pode usar os módulos para filtrar, converter ou transformar os dados durante o processo de importação ou exportação.
para obter mais informações sobre como transformar e filtrar seus dados no Machine Learning Studio (clássico), consulte data transformation.
Recursos
Os artigos a seguir apresentam cenários de dados comuns no aprendizado de máquina:
Introdução
Saiba como gerenciar dados para o aprendizado de máquina na nuvem. As informações neste artigo se baseiam em nítido-DM, um padrão do setor. o artigo fornece orientações de ponta a ponta que demonstram a integração do machine learning com soluções de dados de nuvem, como Azure HDInsight e Banco de Dados SQL.
Este artigo descreve como colocar seus dados no Azure e, em seguida, criar um experimento.
Ciência de dados avançada
saiba como instalar a biblioteca de cliente do Machine Learning Python e, em seguida, usá-la para acessar metadados e trabalhar com conjuntos de os.
Testes de amostra
Lista de módulos
A categoria entrada e saída de dados inclui os seguintes módulos:
- Inserir dados manualmente: permite que você crie pequenos conjuntos de dados digitando valores.
- exportar dados: grava um dataset em URLs da web ou em várias formas de armazenamento baseado em nuvem no Azure, como tabelas, blobs ou um banco de dados SQL.
- importar dados: carrega dados de fontes externas na web e de várias formas de armazenamento baseado em nuvem no Azure, como armazenamento de tabelas, armazenamento de blobs, Banco de Dados SQL, SQL Data Warehouse, Azure Cosmos DB ou uma consulta de Hive. você também pode importar dados de um banco de dado SQL Server local.
- Modelo treinado para carga: Obtém um modelo treinado de uma URL ou armazenamento de BLOBs para usar em um experimento de pontuação.
- Descompactar conjuntos de valores compactados: descompacta um conjunto de um que foi armazenado no formato compactado e, em seguida, adicione o conjunto de um ao seu espaço de trabalho.