Trainieren des Modells

  • 5 Minuten

Es stehen viele Dienste zum Trainieren von Machine Learning-Modellen zur Verfügung. Welchen Dienst Sie verwenden, hängt z. B. von folgenden Faktoren ab:

  • Welchen Typ von Modell Sie trainieren müssen
  • Ob Sie die volle Kontrolle über das Modelltraining benötigen
  • Wie viel Zeit Sie in das Modelltraining investieren möchten
  • Welche Dienste Ihre Organisation bereits verwendet
  • Mit welcher Programmiersprache Sie vertraut sind

In Azure stehen mehrere Dienste zum Trainieren von Machine Learning-Modellen zur Verfügung. Einige häufig verwendete Dienste sind:

Schaltfläche Beschreibung
Symbol von Azure Machine Learning Azure Machine Learning bietet Ihnen viele verschiedene Optionen zum Trainieren und Verwalten Ihrer Machine Learning-Modelle. Sie können Studio für eine benutzeroberflächenbasierte Umgebung auswählen oder Ihre Machine Learning-Workloads mit dem Python SDK oder der CLI verwalten, um eine Code-First-Umgebung zu erhalten. Weitere Informationen zu Azure Machine Learning.
Symbol von Azure Databricks. Azure Databricks ist eine Datenanalyseplattform, die Sie für Datentechnik und Data Science verwenden können. Azure Databricks verwendet verteilte Spark-Compute-Instanzen, um Ihre Daten effizient zu verarbeiten. Sie können Modelle mit Azure Databricks trainieren und verwalten oder Azure Databricks in andere Dienste wie Azure Machine Learning integrieren. Erfahren Sie mehr über Azure Databricks.
Symbol von Microsoft Fabric. Microsoft Fabric ist eine integrierte Analyseplattform zur Optimierung von Datenworkflows zwischen Datenanalysierenden, technischen Fachkräften für Daten und wissenschaftlichen Fachkräften für Daten. Mit Microsoft Fabric können Sie Daten vorbereiten, ein Modell trainieren, das trainierte Modell zum Generieren von Vorhersagen verwenden und die Daten in Power BI-Berichten visualisieren. Erfahren Sie mehr über Microsoft Fabric und insbesondere über die Data Science-Features in Microsoft Fabric.
Symbol der Gießereitools. Foundry Tools ist eine Sammlung vordefinierter Machine Learning-Modelle, die Sie für allgemeine Machine Learning-Aufgaben wie die Objekterkennung in Bildern verwenden können. Die Modelle werden als Anwendungsprogrammierschnittstelle (API) angeboten, sodass Sie ein Modell problemlos in Ihre Anwendung integrieren können. Einige Modelle können mit Ihren eigenen Trainingsdaten angepasst werden, was Zeit und Ressourcen spart, um ein neues Modell von Grund auf neu zu trainieren. Weitere Informationen zu Foundry Tools.

Features und Funktionen von Azure Machine Learning

Konzentrieren wir uns auf Azure Machine Learning. Microsoft Azure Machine Learning ist ein Clouddienst für Schulungen, Bereitstellung und Verwaltung von Machine Learning-Modellen. Es wurde entwickelt, um von Datenwissenschaftlern, Softwareingenieuren, Devops-Experten und anderen verwendet zu werden, um den End-to-End-Lebenszyklus von Machine Learning-Projekten zu verwalten.

Azure Machine Learning unterstützt Aufgaben, einschließlich:

  • Untersuchen von Daten und Vorbereiten der Daten für die Modellierung.
  • Schulung und Auswertung von Machine Learning-Modellen.
  • Registrieren und Verwalten trainierter Modelle.
  • Bereitstellen von trainierten Modellen für die Verwendung durch Anwendungen und Dienste.
  • Überprüfen und Anwenden verantwortungsvoller KI-Prinzipien und -Praktiken.

Azure Machine Learning bietet die folgenden Features und Funktionen zur Unterstützung von Arbeitslasten für maschinelles Lernen:

  • Zentrale Speicherung und Verwaltung von Datasets für Modellschulungen und -auswertungen.
  • On-Demand-Computeressourcen, auf denen Sie Machine Learning-Aufträge ausführen können, z. B. das Trainieren eines Modells.
  • Automatisiertes maschinelles Lernen (AutoML), wodurch es einfach ist, mehrere Schulungsaufträge mit verschiedenen Algorithmen und Parametern auszuführen, um das beste Modell für Ihre Daten zu finden.
  • Visuelle Tools zum Definieren von orchestrierten Pipelines für Prozesse wie Modellschulungen oder Ableitungen.
  • Integration in gängige Machine Learning Frameworks wie MLflow, wodurch die Verwaltung von Modellschulungen, Evaluierungen und Bereitstellungen im großen Maßstab erleichtert wird.
  • Integrierte Unterstützung für die Visualisierung und Auswertung von Metriken für verantwortungsvolle KI, einschließlich Modellerklärbarkeit, Fairnessbewertung und anderen.

Als Nächstes sehen wir, wie wir mit Azure Machine Learning in einer Benutzeroberfläche beginnen können.