在工作區中將模型定型

已完成

若要使用 Azure Machine Learning 工作區來訓練模型，您有數個選項：

• 使用自動化機器學習。
• 執行 Jupyter Notebook。
• 以作業的形式執行指令碼。

使用自動化機器學習探索演算法和超參數值

當您有訓練資料集，且負責尋找效能最佳的模型時，您可能想要實驗各種演算法和超參數值。

手動試驗不同的設定來訓練模型可能需要很長的時間。 或者，您可以使用自動化機器學習來加速流程。

自動化 Machine Learning 會逐一查看與特徵選取配對的演算法，以尋找資料的最佳執行模型。

執行筆記本

當您偏好在筆記本中執行程式碼進行開發時，可以使用工作區中的內建筆記本功能。

工作室中的 [筆記本] 頁面可讓您編輯和執行 Jupyter Notebook。

您在 Notebooks 區段中複製或建立的所有檔案都會儲存在以工作區建立的 Azure 儲存體帳戶檔案共用中。

若要執行筆記本，則您需使用計算執行個體，因為它們很適合用於開發和運作，類似於虛擬機器。

您也可以選擇在 Visual Studio Code 中編輯和執行筆記本，同時仍使用計算執行個體來執行筆記本。

以作業身分執行指令碼

當您想要準備程式碼以備妥生產環境時，最好使用指令碼。 您可以輕鬆地自動執行指令碼，將任何機器學習工作負載自動化。

您可以在 Azure Machine Learning 中以作業的形式執行指令碼。 當您將作業提交至工作區時，所有輸入和輸出都會儲存在工作區中。

視您想要執行工作負載的方式而定，有不同類型的作業：

• 命令：執行單一指令碼。
• 掃掠：執行單一指令碼時執行超參數微調。
• 管線：執行由多個指令碼或元件組成的管線。

注意

當您提交您使用設計工具建立的管線時，它會以管線作業的形式執行。 當您提交自動化機器學習實驗時，它也會以作業的形式執行。