Trace Id is missing
Ugrás a tartalomtörzsre
Azure

Gépi tanulás adatszakértők számára

Megismerheti az adatszakértők és a gépi tanulási mérnökök számára készült gépi tanulási eszközöket, és megtudhatja, hogyan hozhat létre felhőméretű gépi tanulási megoldásokat az Azure-ban.

Ismerje meg az Azure-beli gépi tanulást

Az Azure-eszközökkel és-szolgáltatásokkal felelősségteljesen hozhat létre és helyezhet üzembe gépi tanulási modelleket üzleti szempontból kritikus fontosságú folyamatokhoz a saját igényei szerint.

Gépi tanulási modellek fejlesztése saját igényei szerint

Az Azure AI használatával a gépi tanulási modelleket az Ön által választott fejlesztői nyelven, környezettel és gépi tanulási keretrendszerekkel hozhatja létre szabadon választott eszközökkel, a modelleket pedig üzembe helyezheti a felhőben, a helyszínen vagy a peremhálózaton.

Gépi tanulási megoldások felelősségteljes létrehozása

Megismerheti a gépi tanulási modelleket, megvédheti az adatokat differenciált adatvédelemmel és bizalmas számítástechnikával, a gépi tanulási életciklust pedig vizsgálati kísérletek és adatlapok használatával irányíthatja.

Gépi tanulási modellek magabiztos üzembe helyezése üzleti szempontból kritikus fontosságú folyamatokhoz

Nagy mértékben skálázható, hibatűrő és reprodukálható gépi tanulási megoldásokat helyezhet üzembe és kezelhet.

Ismerje meg, hogyan használják más adatszakértők az Azure Machine Learninget

Megtudhatja, hogyan használják a szervezetek az Azure-t az alapvető fontosságú számítási feladatok támogatásához.

Humana

Ismerje meg, hogyan kínál a Humana AI-alapú kritikus fontosságú egészségügyi élményeket.

AGL

Ismerje meg, hogyan valósította meg az AGL az MLOps-ot az Azure Machine Learning használatával.

UCLA

Ismerje meg, hogyan végez úttörő jellegű munkát a UCLA a mesterséges intelligenciával az orvosok támogatása érdekében.

Vissza a lapokra

Ismerkedjen meg a gépi tanulással videók segítségével

Megtudhatja, hogyan használhatók a gépi tanulási megoldások a kritikus fontosságú alkalmazásokhoz.

Gépi tanulási modellek betanítása nagy méretekben

Ismerje meg, hogyan használhatja a megfelelő számítási kapacitást az Azure-ban a betanítási feladatok skálázása érdekében.

Modell-üzembehelyezés és dedukció

Megismerkedhet a nagy méretű modelldedukciók különböző üzembe helyezési és optimalizálási lehetőségeivel.

Az MLOps bemutatása

Megismerheti az MLOps fontosságát és a hozzá kapcsolódó folyamatokat.

A gépi tanulási környezetek biztonságossá tétele

Megtudhatja, hogyan használható az Azure a nagyvállalati szintű biztonsághoz és a cégirányításhoz.

Hibrid és többfelhős gépi tanulás

Megtudhatja, hogyan lehet kiépíteni hibrid és többfelhős gépi tanulási környezeteket.

Nyitott és együttműködésre alkalmas gépi tanulás

Megtudhatja, hogyan működik együtt az Azure Machine Learning a nyílt forráskódú technológiákkal, és hogyan integrálható más Azure-szolgáltatásokkal.

Vissza a lapokra

MLOps az Azure Machine Learning szolgáltatással

Felgyorsíthatja a gépi tanulási modellek létrehozásának, képzésének és üzembe helyezésének folyamatát.

Gépi tanulási megoldások vállalati biztonsággal és skálázhatósággal

Megtudhatja, hogyan hozhat létre biztonságos, skálázható és méltányos gépi tanulási megoldásokat az Azure Machine Learning segítségével.

Felelős mesterséges intelligencia az Azure Machine Learning használatával

Felfedezheti a gépi tanulási modellek megértését, védelmét és ellenőrzését segítő eszközöket és módszereket.

További információ példa megoldásarchitektúrákon keresztül

Felfedezheti az Azure Machine Learning használatának különböző forgatókönyveit.

Gépi tanulás

A modell betanítási folyamatát állítható paraméterekkel, úgynevezett hiperparaméterekkel szabályozhatja. Felfedezheti a Python-modellek hiperparamétereinek hangolásához ajánlott eljárásokat, és megtudhatja, hogyan automatizálhatja a hiperparaméterek hangolását és futtathatja párhuzamosan a kísérleteket a hiperparaméterek hatékony optimalizálása érdekében.

Mély tanulás

Megtudhatja, hogyan végezheti el a mély gépi tanulási modellek elosztott betanítását GPU-kompatibilis virtuális gépekből álló fürtökön. Ez a forgatókönyv képbesorolásra vonatkozik, de a megoldás más mély tanulási forgatókönyvekre, például szegmentálásra vagy objektumészlelésre is alkalmazható.

MLOps

Megtudhatja, hogyan valósíthatja meg a folyamatos integrációt (CI), a folyamatos teljesítést (CD) és az újratanítási folyamat bevezetését egy Azure DevOpsot és Azure Machine Learninget használó AI-alkalmazáshoz. A megoldás a scikit-learn diabetes adatkészletére épül, de könnyen módosítható bármilyen MI-használati forgatókönyvhöz és más népszerű felépítési rendszerhez.

Peremhálózat üzembe helyezése

Megtudhatja, hogyan használhatja az Azure Stack Edge szolgáltatást a gyors gépi tanulási következtetéseknek a felhőből a helyi környezetbe vagy a peremhálózatokra történő kiterjesztésére. Az Azure Stack Edge segítségével az Azure olyan képességeinek előnyeit aknázhatja ki, mint a számítás, a tárolás, a hálózatkezelés és a hardveresen gyorsított gépi tanulás – mindezt bármelyik peremhelyszínen.

Kötegelt kiértékelés

Megtudhatja, hogyan alkalmazhatja az Azure Machine Learning segítségével a neurális stílusátvitelt, egy olyan mély tanulási technikát, amely egy meglévő képet egy másik kép stílusában alakít át videóvá.

Valós idejű pontozás

Felfedezheti, hogyan telepítheti a Python-modelleket webszolgáltatásként valós idejű előrejelzések készítéséhez az Azure Kubernetes Service (AKS) segítségével. Az AKS-ben üzembe helyezett gépi tanulási modellek megfelelőek a magas skálázhatóságú, éles környezetekben üzemelő példányokhoz.