Entrada e saída de dados
Importante
O suporte para o Estúdio de ML (clássico) terminará a 31 de agosto de 2024. Recomendamos a transição para o Azure Machine Learning até essa data.
A partir de 1 de dezembro de 2021, não poderá criar novos recursos do Estúdio de ML (clássico). Até 31 de agosto de 2024, pode continuar a utilizar os recursos existentes do Estúdio de ML (clássico).
- Consulte informações sobre projetos de machine learning em movimento de ML Studio (clássico) para Azure Machine Learning.
- Saiba mais sobre Azure Machine Learning.
A documentação do Estúdio de ML (clássico) está a ser descontinuada e poderá não ser atualizada no futuro.
Nota
Aplica-se a: Machine Learning Studio (clássico) apenas
Módulos semelhantes de arrasto e queda estão disponíveis em Azure Machine Learning designer.
Este artigo lista os módulos que pode utilizar para importar e exportar dados e modelos em Machine Learning Studio (clássico).
Além de utilizar módulos, pode carregar e transferir diretamente conjuntos de dados a partir de ficheiros locais no seu computador ou rede. Para obter mais informações, consulte o Upload dos dados existentes numa experiência Machine Learning.
Estas são algumas das fontes que pode utilizar para importar e exportar dados e modelos em Machine Learning Studio (clássico):
- Obtenha dados de fontes na nuvem, tais como Base de Dados SQL do Azure, Azure SQL Data Warehouse, Azure Armazenamento e Azure Cosmos DB. Também pode importar dados fornecidos como URL web público, obter dados de Hadoop usando uma consulta de Hive, ou consultar um servidor SQL no local.
- Carregue uma coleção de imagens do armazenamento Azure Blob para utilizar em tarefas de classificação de imagem.
- Extrair os dados dos ficheiros fechados que carregou para Machine Learning. Pode utilizar os conjuntos de dados em experiências.
- Crie pequenos conjuntos de dados digitando no Machine Learning Studio (clássico) UI. Isto pode ser útil para criar pequenos conjuntos de dados de teste.
- Guarde os seus resultados ou dados intermédios para o armazenamento da Tabela Azure, armazenamento de blob, uma base de dados SQL ou uma consulta de Colmeia.
- Obtenha um modelo treinado a partir de um armazenamento de URL ou Blob, e use-o em uma experiência.
Nota
Os módulos deste grupo apenas movem dados de ou para Machine Learning Studio (clássico). Não é possível utilizar os módulos para filtrar, lançar ou transformar os dados durante o processo de importação ou exportação.
Para obter mais informações sobre como transformar e filtrar os seus dados no Machine Learning Studio (clássico), consulte a Transformação de Dados.
Recursos
Os seguintes artigos introduzem cenários de dados comuns na aprendizagem automática:
Introdução
Aprenda a gerir dados para aprendizagem automática na nuvem. A informação neste artigo baseia-se na CRISP-DM, um padrão da indústria. O artigo fornece passeios de ponta a ponta que demonstram a integração do machine learning com soluções de dados em nuvem como Azure HDInsight e Base de Dados SQL.
Este artigo descreve como obter os seus dados em Azure, e depois criar uma experiência.
Ciência avançada de dados
Saiba como instalar a biblioteca de clientes Machine Learning Python e, em seguida, use-a para aceder a metadados e trabalhar com conjuntos de dados.
Experimentações de exemplo
Lista de módulos
A categoria entrada e saída de dados inclui os seguintes módulos:
- Introduza os dados manualmente: Permite criar pequenos conjuntos de dados digitando valores.
- Dados de exportação: Escreve um conjunto de dados para URLs web ou para várias formas de armazenamento baseado na nuvem em Azure, tais como tabelas, bolhas ou uma base de dados SQL.
- Dados de Importação: Carrega dados de fontes externas na web e de várias formas de armazenamento em nuvem em Azure, tais como armazenamento de mesa, armazenamento de blob, Base de Dados SQL, SQL Data Warehouse, Azure Cosmos DB, ou uma consulta de Colmeia. Também pode importar dados de uma base de dados SQL Server no local.
- Modelo treinado para carga: obtém um modelo treinado a partir de um armazenamento URL ou Blob para usar numa experiência de pontuação.
- Desembalar conjuntos de dados zipped: Descomprime um conjunto de dados que foi armazenado em formato zipped e, em seguida, adiciona o conjunto de dados ao seu espaço de trabalho.