Trace Id is missing
Zu Hauptinhalt springen
Azure

Machine Learning für Data Scientists

Hier lernen Sie Machine Learning-Tools für Data Scientists und Machine Learning-Entwickler kennen, und Sie erfahren, wie Sie mit Azure Machine Learning-Lösungen für die Cloud entwickeln.

Weitere Informationen zum Thema Machine Learning in Azure

Sorgen Sie für eine verantwortungsbewusste und individuelle Entwicklung und Bereitstellung von Machine Learning-Modellen für unternehmenskritische Prozesse. Unterstützt werden Sie dabei von Tools und Diensten von Azure.

Entwickeln Sie individuelle Machine Learning-Modelle

Sie können Machine Learning-Modelle in einer Vielzahl von Entwicklungssprachen und Umgebungen und mit den verschiedensten Machine Learning-Frameworks erstellen. Dafür können Sie Tools Ihrer Wahl verwenden und Ihre Modelle dank Azure KI in der Cloud, lokal oder am Edge bereitstellen.

Verantwortungsvolles Entwickeln von Machine Learning-Lösungen

Entwickeln Sie ein grundlegendes Verständnis für Ihre Machine Learning-Modelle, schützen Sie Daten mit Differential Privacy und Confidential Computing, und steuern Sie den Lebenszyklus von Machine Learning über Audit-Trails und Datenblätter.

Stellen Sie zuverlässige Machine Learning-Modelle für unternehmenskritische Prozesse bereit

Stellen Sie hochgradig skalierbare, fehlertolerante und reproduzierbare Machine Learning-Lösungen bereit, und verwalten Sie sie.

Sehen Sie sich an, wie andere Data Scientists Azure Machine Learning nutzen

Hier erfahren Sie, wie Organisationen Azure für ihre unternehmenskritischen Workloads einsetzen.

Humana

Sehen Sie sich an, wie Humana KI-fähige, unternehmenskritische Gesundheitsangebote liefert.

AGL

Erfahren Sie, wie AGL einen MLOps-Ansatz mit Azure Machine Learning eingeführt hat.

UCLA

Erfahren Sie, wie UCLA zum Vorreiter beim Einsatz von KI für medizinische Technologien wurde.

Zurück zu Registerkarten

Sehen Sie sich informative Videos zum Thema Machine Learning an

Erfahren Sie, wie Sie Machine Learning-Lösungen für unternehmenskritische Anwendungen verwenden.

Machine Learning-Modelle in jeder Größenordnung trainieren

Erfahren Sie, wie Sie die richtigen Computeressourcen in Azure verwenden, um Ihre Trainingsaufträge zu skalieren.

Modellimplementierung und -rückschlüsse

Lernen Sie die verschiedenen Bereitstellungsoptionen und Optimierungen für Modellrückschlüsse im großen Umfang kennen.

Erläuterung zu MLOps

Erfahren Sie mehr über die Bedeutung von MLOps und die damit verbundenen Prozesse.

Geschützte Machine Learning-Umgebungen

Sehen Sie sich an, wie Sie Azure für Sicherheit und Governance auf Unternehmensniveau verwenden können.

Hybrid Cloud und Multi Cloud für Machine Learning

Sehen Sie sich an, wie Sie Hybrid- und Multicloud-Umgebungen für Machine Learning bereitstellen.

Offenes und interoperables Machine Learning

Sehen Sie sich an, wie Azure Machine Learning mit Open-Source-Technologien funktioniert und mit anderen Azure-Dienste integriert werden kann.

Zurück zu Registerkarten

MLOps mit Azure Machine Learning

Beschleunigen Sie den Prozess des Erstellens, Trainierens und Bereitstellens von Machine Learning-Modellen im großen Umfang.

Machine Learning-Lösungen mit Sicherheit und Skalierung der Unternehmensklasse

Erfahren Sie, wie Sie mit Azure Machine Learning sichere, skalierbare und angemessene Lösungen für maschinelles Lernen erstellen.

Verantwortungsvolle KI mit Azure Machine Learning

Erkunden Sie Tools und Methoden, mit deren Hilfe Sie Ihre Machine Learning-Modelle besser verstehen, schützen und steuern können.

Mehr erfahren in den Beispielen für Lösungsarchitekturen

Erkunden Sie verschiedene Szenarien für die Verwendung von Azure Machine Learning.

Machine Learning

Steuern Sie den Modelltrainingsprozess mit anpassbaren Parametern, die als Hyperparameter bezeichnet werden. Erkunden Sie empfohlene Methoden zum Optimieren der Hyperparameter von Python-Modellen, und finden Sie heraus, wie Sie diese Optimierung automatisieren und Experimente parallel ausführen, um Hyperparameter effizient zu optimieren.

Deep Learning

Erfahren Sie, wie Sie ein verteiltes Training von Deep Machine Learning-Modellen in Clustern mit GPU-fähigen virtuellen Computern durchführen. Dieses Szenario gilt zwar für die Bildklassifizierung, aber die Lösung lässt sich für andere Deep Learning-Szenarien, wie z. B. die Segmentierung oder die Objekterkennung, verallgemeinern.

MLOps

Erfahren Sie, wie Sie mithilfe von Azure DevOps und Azure Machine Learning eine Pipeline für Continuous Integration (CI), Continuous Delivery (CD) und erneutes Training für eine KI-Anwendung implementieren. Die Lösung basiert auf dem Dataset „scikit-learn diabetes“, kann aber leicht an jedes KI-Szenario und andere gängige Buildsysteme angepasst werden.

Edgebereitstellung

Sehen Sie selbst, wie Sie Azure Stack Edge verwenden können, um schnelle Machine Learning-Rückschlüsse aus der Cloud auf lokale Szenarien oder Edgeszenarien zu erweitern. Nutzen Sie Azure Stack Edge, um an jedem Edgestandort von Azure-Funktionen wie Computing, Speicherung, Netzwerksfeatures und hardwarebeschleunigtem Machine Learning zu profitieren.

Batchbewertung

Erfahren Sie, wie Sie Azure Machine Learning verwenden, um die neuronale Stilübertragung auf ein Video anzuwenden – eine Deep Learning-Technik, die ein vorhandenes Bild im Stil eines anderen Bilds erstellt.

Echtzeitbewertung

Finden Sie heraus, wie Sie Python-Modelle als Webdienste bereitstellen, um mithilfe von Azure Kubernetes Service (AKS) Echtzeitvorhersagen zu treffen. In AKS bereitgestellte Machine Learning-Modelle eignen sich für sehr umfangreiche Produktionsbereitstellungen.