Публикации по теме 'azure-machine-learning'
Рэй в Azure ML
Всем привет,
Я хотел бы продвигать работу команды Ray в Azure ML.
Ниже приведен текст , который я извлек из блога технического сообщества Microsoft.
Ray и Dask — две самые популярные платформы для распараллеливания и масштабирования вычислений Python. Они очень помогают ускорить вычисления для обработки данных, настройки гиперпараметров, обучения с подкреплением, обслуживания моделей и многих других сценариев.
Для вычислительного экземпляра Azure ML мы можем легко установить Ray..
Создание конвейера машинного обучения в Azure
Что такое конвейер машинного обучения? Это цепочка шагов! Но какие шаги? Какая цепь? Читатель : Вы говорите об ожерелье или о чем-то еще? Я : Нет, но может быть да с точки зрения взаимосвязи вещей. Читатель : Хорошо, мистер 2Chains! Я : Что? В любом случае, предположим, что конвейер — это просто взаимосвязанные шаги, где каждый шаг принимает входные данные и производит выходные данные. Читатель : это слишком широкое определение! Я : Эй, моя цель здесь не в том, чтобы дать..
Регрессионная модель, предсказывающая цену автомобиля на основе его характеристик…
В этом руководстве мы развертываем простую модель машинного обучения (линейную регрессию) в Microsoft Azure ML Studio.
Подведение итогов. Алгоритм линейной регрессии — это линейный подход к моделированию отношений между зависимыми и независимыми переменными.
Шаг 1 — создание рабочей области машинного обучения Azure – стандартные элементы
Войдите на Портал Azure , используя свои учетные данные Microsoft. Выберите + Создать ресурс, найдите Машинное обучение и создайте новый..
Машинное обучение Azure: первые впечатления
Введение
Текущий проект Лаборатории информатики Метеобюро на протяжении всего ее существования заключался в описании, прототипировании и оценке того, как могут выглядеть масштабируемые интерактивные вычисления , которые позволяют проводить научный анализ следующего поколения. Это привело к созданию фреймворка и сообщества Pangeo, которые позволяют развертывать такую вычислительную службу с помощью стека стандартных взаимозаменяемых инструментов, выбранных для удовлетворения..
От блокнота до базы кода машинного обучения с помощью MLflow и Azure ML
Как перейти от модели обработки данных в записной книжке к базе кода для моделей обучения с помощью служб машинного обучения Azure и MLflow.
Краткое содержание
В этом четырехэтапном руководстве я возьму на себя роль инженера по машинному обучению и проведу вас через процесс преобразования блокнота по обработке данных в код многократного использования. В конце этого руководства мы вызовем конечную точку для обученной модели машинного обучения из информационной панели на основе Python...
Xgboost в блоках данных Azure для начинающих.
Xgboost в блоках данных Azure для начинающих.
Как запустить xgboost в кластере Azure Databricks. когда я писал эту статью, xgboost уже был включен в бета-кластер Azure Databricks 4.1 ML с spark 2.3. Потребовалось некоторое время, чтобы понять это, поэтому я подумал о том, чтобы поделиться шагами, как начать работу с xgboost в лазурных блоках данных.
Предварительное требование: убедитесь, что у вас есть рабочая область Azure Databricks.
Шаг 1. Создайте новый кластер, выбрав Standard с..
Машинное обучение Azure | Машинное обучение Azure для науки о данных
Введение
Основная цель машинного обучения — обучать модели и прогнозировать результаты, которые могут использоваться приложениями. В Машинном обучении Azure мы используем сценарии для обучения моделей с помощью таких платформ машинного обучения, как Scikit-Learn, Tensorflow, PyTorch, SparkML и других. В этом руководстве мы подробно расскажем о Машинном обучении Azure, его возможностях, экосистеме Azure, которая поддерживает действия по машинному обучению, а также о различных способах..
