Trace Id is missing
Przejdź do głównej zawartości
Azure

Uczenie maszynowe dla badaczy danych

Poznaj narzędzia uczenia maszynowego dla badaczy danych oraz inżynierów uczenia maszynowego i dowiedz się, jak tworzyć rozwiązania do uczenia maszynowego w skali chmury na platformie Azure.

Odkryj funkcje uczenia maszynowego na platformie Azure

Odpowiedzialnie twórz i wdrażaj modele uczenia maszynowego na potrzeby procesów o krytycznym znaczeniu i na własnych warunkach za pomocą narzędzi i usług platformy Azure.

Opracowuj modele uczenia maszynowego na własnych warunkach

Twórz modele uczenia maszynowego w preferowanym języku programowania, środowisku i strukturach uczenia maszynowego przy użyciu wybranych przez siebie narzędzi i wdrażaj modele w chmurze, w środowisku lokalnym lub na brzegu sieci za pomocą platformy Azure AI.

Odpowiedzialnie twórz rozwiązania uczenia maszynowego

Poznaj modele uczenia maszynowego, chroń dane przy użyciu prywatności różnicowej i poufnego przetwarzania oraz kontroluj cykl życia uczenia maszynowego za pomocą dzienników inspekcji i arkuszy danych.

Bezpiecznie wdrażaj modele uczenia maszynowego na potrzeby procesów krytycznych dla działalności biznesowej

Wdrażaj wysoce skalowalne, odporne na uszkodzenia i odtwarzalne rozwiązania uczenia maszynowego oraz zarządzaj nimi.

Zobacz, jak inni badacze danych korzystają z rozwiązania Azure Machine Learning

Zobacz, jak organizacje obsługują obciążenia o krytycznym znaczeniu przy użyciu platformy Azure.

Humana

Zobacz, jak Humana dostarcza środowiska opieki zdrowotnej o kluczowym znaczeniu z obsługą sztucznej inteligencji.

AGL

Dowiedz się, w jaki sposób firma AGL zaimplementowała metodykę MLOps za pomocą rozwiązania Azure Machine Learning.

UCLA

Dowiedz się, jak na uniwersytecie UCLA w pionierski sposób sztuczna inteligencja wspomaga pracę lekarzy.

Powrót do kart

Poznaj uczenie maszynowe za pośrednictwem wideo

Dowiedz się, jak używać rozwiązań z zakresu uczenia maszynowego do obsługi aplikacji o znaczeniu krytycznym.

Trenowanie modeli uczenia maszynowego na dużą skalę

Dowiedz się, jak wykorzystywać właściwe zasoby obliczeniowe na platformie Azure do skalowania zadań trenowania.

Wdrażanie i wnioskowanie modelu

Poznaj różne opcje wdrażania i optymalizacje wnioskowania modelu na dużą skalę.

Wyjaśnienia dotyczące metodyki MLOps

Dowiedz się więcej o znaczeniu metodyki MLOps i powiązanych z nią procesach.

Zabezpieczanie środowisk uczenia maszynowego

Zobacz, jak za pomocą platformy Azure można uzyskać dostęp do zabezpieczeń i ładu klasy korporacyjnej.

Hybrydowe i wielochmurowe środowiska uczenia maszynowego

Zobacz, jak aprowizować hybrydowe i wielochmurowe środowiska uczenia maszynowego.

Otwartość i międzyoperacyjność uczenia maszynowego

Zobacz, jak rozwiązanie Azure Machine Learning współpracuje z technologiami open-source i integruje się z innymi usługami platformy Azure.

Powrót do kart

Metodyka MLOps w usłudze Azure Machine Learning

Przyspiesz proces tworzenia, trenowania i wdrażania modeli uczenia maszynowego na dużą skalę.

Rozwiązania uczenia maszynowego z zabezpieczeniami i skalą przedsiębiorstwa

Dowiedz się, jak tworzyć bezpieczne, skalowalne i sprawiedliwe rozwiązania uczenia maszynowego przy użyciu usługi Azure Machine Learning.

Odpowiedzialne stosowanie sztucznej inteligencji przy użyciu usługi Azure Machine Learning

Poznaj narzędzia i metody, które pomogą Ci zrozumieć, chronić i kontrolować modele uczenia maszynowego.

Dowiedz się więcej, przeglądając przykładowe architektury rozwiązań

Poznaj różne scenariusze zastosowania usługi Azure Machine Learning.

Uczenie maszynowe

Kontroluj proces trenowania modelu za pomocą dostosowywanych parametrów nazywanych hiperparametrami. Zapoznaj się z zalecanymi rozwiązaniami w zakresie dostrajania hiperparametrów modeli języka Python i zobacz, jak zautomatyzować dostrajanie hiperparametrów i uruchamiać eksperymenty równolegle w celu ich wydajnej optymalizacji.

Uczenie głębokie

Zobacz, jak przeprowadzić trenowanie rozproszone modeli maszynowego uczenia głębokiego w klastrach maszyn wirtualnych z włączoną obsługą procesorów GPU. Ten scenariusz dotyczy klasyfikacji obrazów, ale rozwiązanie można uogólnić do innych scenariuszy uczenia głębokiego, takich jak segmentacja lub wykrywanie obiektów.

MLOps

Dowiedz się, jak zaimplementować ciągłą integrację, ciągłe dostarczanie i potok ponownego trenowania dla aplikacji AI przy użyciu usług Azure DevOps i Azure Machine Learning. Rozwiązanie jest zbudowane na zestawie danych scikit-learn dotyczącym cukrzycy, ale można je łatwo dostosować do dowolnego scenariusza sztucznej inteligencji i innych popularnych systemów kompilacji.

Wdrażanie usługi Edge

Zobacz, jak używać usługi Azure Stack Edge, aby rozszerzać błyskawiczne wnioskowanie uczenia maszynowego z chmury na scenariusze obejmujące środowisko lokalne lub brzegowe. Używaj usługi Azure Stack Edge, aby korzystać z możliwości platformy Azure, takich jak obliczanie, magazyn, sieć oraz przyspieszone sprzętowo uczenie maszynowe w dowolnej lokalizacji brzegowej.

Ocenianie usługi Batch

Dowiedz się, jak używać usługi Azure Machine Learning, aby stosować w klipach wideo przekształcanie w stylu sieci neuronowych — technikę uczenia głębokiego, która komponuje istniejący obraz w stylu innego obrazu.

Ocenianie w czasie rzeczywistym

Dowiedz się, jak wdrażać modele języka Python jako usługi internetowe w celu prognozowania w czasie rzeczywistym przy użyciu usługi Azure Kubernetes Service (AKS). Modele uczenia maszynowego wdrożone w usłudze AKS są odpowiednie dla wdrożeń produkcyjnych na dużą skalę.

Aktualizacje, blogi i ogłoszenia dotyczące sztucznej inteligencji