Maskininlärnings- och datavetenskapsverktyg i Azure Datavetenskap Virtual Machines
Artikel
Azure Datavetenskap Virtual Machines (DSVMs) har en omfattande uppsättning verktyg och bibliotek för maskininlärning. Dessa resurser är tillgängliga på populära språk, till exempel Python, R och Julia.
DSVM stöder dessa maskininlärningsverktyg och bibliotek:
Du kan använda Azure Machine Learning-molntjänsten för att utveckla och distribuera maskininlärningsmodeller. Du kan använda Python SDK för att spåra dina modeller när du skapar, tränar, skalar och hanterar dem. Distribuera modeller som containrar och kör dem i molnet, lokalt eller på Azure IoT Edge.
Utgåvor som stöds
Windows (conda-miljö: AzureML), Linux (conda-miljö: py36)
Vanliga användningsområden
Allmän maskininlärningsplattform
Hur konfigureras eller installeras den?
Installerat med GPU-stöd
Så här använder eller kör du det
Som Python SDK och i Azure CLI. Aktivera till conda-miljön AzureML i Windows-utgåvan eller aktivera till py36 på Linux-utgåvan.
Länka till exempel
Hitta Jupyter-exempelanteckningsböcker i AzureML katalogen under notebook-filer.
H2O
Kategori
Värde
Vad är det?
En AI-plattform med öppen källkod som stöder distribuerad, snabb, minnesintern, skalbar maskininlärning.
Versioner som stöds
Linux
Vanliga användningsområden
Generell distribuerad, skalbar maskininlärning
Hur konfigureras eller installeras den?
H2O är installerat i /dsvm/tools/h2o.
Så här använder eller kör du det
Anslut till den virtuella datorn med X2Go. Starta en ny terminal och kör java -jar /dsvm/tools/h2o/current/h2o.jar. Starta sedan en webbläsare och anslut till http://localhost:54321.
Länka till exempel
Hitta exempel på den virtuella datorn i Jupyter under h2o katalogen.
Det finns flera andra maskininlärningsbibliotek på DSVM:er, till exempel det populära scikit-learn paketet som ingår i Anaconda Python-distributionen för DSVM:er. Kör respektive pakethanterare för en lista över paket som är tillgängliga i Python, R och Julia.
LightGBM
Kategori
Värde
Vad är det?
Ett snabbt, distribuerat, högpresterande gradient-boost-ramverk (GBDT, GBRT, GBM eller MART) baserat på beslutsträdsalgoritmer. Maskininlärningsuppgifter – rangordning, klassificering osv. – använd dem.
Versioner som stöds
Windows, Linux
Vanliga användningsområden
Ramverk för generell gradient-boost
Hur konfigureras eller installeras den?
LightGBM installeras som ett Python-paket i Windows. I Linux finns den körbara kommandoraden i /opt/LightGBM/lightgbm. R-paketet installeras och Python-paket installeras.
Ett grafiskt användargränssnitt för datautvinning som använder R.
Utgåvor som stöds
Windows, Linux
Vanliga användningsområden
Allmänt UI-datautvinningsverktyg för R
Så här använder eller kör du det
Som ett gränssnittsverktyg. I Windows startar du en kommandotolk, kör R och kör rattle()sedan i R. I Linux ansluter du med X2Go, startar en terminal, kör R och kör rattle()sedan i R.
En samling maskininlärningsalgoritmer för datautvinningsuppgifter. Du kan antingen tillämpa algoritmerna direkt eller anropa dem från din egen Java-kod. Weka innehåller verktyg för förbearbetning av data, klassificering, regression, klustring, associationsregler och visualisering.
Utgåvor som stöds
Windows, Linux
Vanliga användningsområden
Allmänt maskininlärningsverktyg
Så här använder eller kör du det
I Windows söker du efter Weka på Start-menyn . I Linux loggar du in med X2Go och går sedan till Programutvecklings-Weka>>.
Ett snabbt, bärbart och distribuerat gradient-boost-bibliotek (GBDT, GBRT eller GBM) för Python, R, Java, Scala, C++med mera. Den körs på en enda dator och på Apache Hadoop och Spark.
Utgåvor som stöds
Windows, Linux
Vanliga användningsområden
Allmänt maskininlärningsbibliotek
Hur konfigureras eller installeras den?
Installerat med GPU-stöd
Så här använder eller kör du det
Som ett Python-bibliotek (2.7 och 3.6+), R-paket och kommandoradsverktyg på sökvägen (C:\dsvm\tools\xgboost\bin\xgboost.exe för Windows och /dsvm/tools/xgboost/xgboost för Linux)
Länkar till exempel
Exempel ingår på den virtuella datorn, i /dsvm/tools/xgboost/demo i Linux och C:\dsvm\tools\xgboost\demo i Windows.