Hoppa över navigering

Azure Machine Learning-tjänster

Accelerera maskininlärning från molnet till gränsen

Varför ska jag använda Azure Machine Learning-tjänsten?

Produktivt

Öka mängden experiment och skapa modeller snabbare med automatiserad maskininlärning och hanterad databehandling.

Öppet

Använd de maskininlärningsbibliotek och IDE:er som du redan känner till.

Betrott

Dra fördel av färdiga lösningar för företag med säkerhets- och efterlevnadsfunktionerna i Azure och stöd för virtuella nätverk.

Hybrid

Skapa, träna, hantera och distribuera maskininlärningsmodeller från molnet till gränsenheterna.

Vad ingår i Azure Machine Learning-tjänsten

Automatisk maskininlärning och hyperparameterjustering

Identifiera de bästa algoritmerna snabbare med automatiserad maskininlärning, och hitta den bästa modellen effektivt med intelligent hyperparameterjustering.

Versionskontroll och reproducerbarhet

Öka mängden experiment genom att spåra och logga dina experiment för reproducerbarhet och enkel modifiering.

Stöd för bibliotek med öppen källkod och IDE:er

Använd maskininlärningsbibliotek som exempelvis Tensorflow, PyTorch och scikit-learn. Azure Machine Learning-tjänsten integreras i den Python-IDE som du föredrar, till exempel Visual Studio Code, Visual Studio, Azure Databricks Notebooks eller Jupyter Notebooks.

Modellhantering

Hantera och övervaka dina modeller proaktivt med hjälp av avbildnings- och modellregistret, och uppgradera dem via integrerad CI/CD.

Hybriddistribution

Distribuera modeller där du bäst behöver dem med hanterade distributioner till molnet och gränsenheter.

Distribuerad djupinlärning

Skapa bättre modeller snabbare med omfattande, hanterade GPU-kluster. Träna modeller snabbare med distribuerad djupinlärning och distribuera dem på FPGA:er.

Så här använder du Azure Machine Learning-tjänsten

Steg 1: Skapa en arbetsyta

Installera din SDK och skapa en arbetsyta där du kan lagra beräkningsresurser, modeller, distributioner och köra historik i molnet.

Steg 2: Träna en modell

Träna en modell lokalt eller i molnet med maskininlärningsbibliotek med öppen källkod. Spåra dina experiment och skala enkelt upp eller ut träningen med resurser för hanterad databehandling i molnet.

Steg 3: Distribuera och hantera

Distribuera modellen som ett test eller i produktionen för att generera förutsägelser. Distribuera till molnet eller gränsenheter, eller utnyttja maskinvaruaccelererade modeller på FPGA:er för supersnabb inferens. När modellen tillämpas i produktionen ska du övervaka den för prestanda och dataändringar, och omtrimma den efter behov.

Relaterade produkter och tjänster

Azure Databricks

Snabb och enkel Apache Spark-baserad analysplattform med samarbetsfunktioner

Machine Learning Studio

Skapa, distribuera och hantera enkelt lösningar för förutsägelseanalys

Datavetenskap – virtuella datorer

Detaljerad, förkonfigurerad miljö för AI-utveckling

Börja fatta bättre beslut med Azure Machine Learning-tjänsten