跳过导航

Azure 机器学习

企业级机器学习服务,可用于更快地构建和部署模型

加速端到端机器学习生命周期

使具有丰富生产经验的数据科学家和开发人员能够构建、训练和部署机器学习模型,并促进团队协作。借助业界领先的 MLOps(机器学习操作,又称面向机器学习的 DevOps)缩短上市时间。在受信任的安全平台(专为负责任的机器学习设计)上进行创新。

适合所有技能水平的机器学习

使用 Jupyter Notebook、拖放式设计器自动化机器学习提高所有技能水平的工作效率

端到端 MLOps

强大的 MLOps 功能,可通过自动且可复制的机器学习工作流来大规模创建和部署模型

负责任的机器学习创新

用于了解、保护以及控制数据、模型和流程的丰富内置负责任功能集

开放且可交互

一流的开放源代码框架和语言支持,包括 MLflow、Kubeflow、ONNX、PyTorch、TensorFlow、Python 和 R

利用适合所有技能水平的机器学习提高生产力

使用满足各种技能水平需求的工具,快速构建并部署机器学习模型。结合使用内置的 Jupyter 笔记本与 IntelliSense 或拖放式设计器。使用自动化机器学习加速模型创建,并访问强大的特征工程、算法选择和超参数清除功能。通过共享的数据集、笔记本、模型和可自定义的仪表板(可跟踪机器学习过程的各个方面)提高团队效率。

使用 MLOps 执行大规模操作

利用 MLOps 来简化从构建模型到部署和管理的整个机器学习生命周期。使用机器学习管道创建可复制的工作流,并大规模训练、验证和部署从云到边缘的任何位置的数千种模型。在无需管理底层基础结构的情况下即可使用托管的联机和批处理终结点无缝部署模型并对其评分。使用 Azure DevOps 或 GitHub Actions 来计划、管理和自动化机器学习管道,并使用高级数据偏移分析来逐步改善模型性能。

构建负责任的机器学习解决方案

访问最先进的负责任的机器学习功能,理解、控制并帮助保护你的数据、模型和流程。解释训练和推断过程中的模型行为,并通过检测和缓解模型偏见来建立公平性。使用不同的隐私技术在机器学习生命周期中保护数据隐私,并使用机密计算保护机器学习资产。自动维护审核线索、跟踪数据世系并使用模型数据表来实现问责制。

在灵活的开放平台上创新

获得对开放源代码工具和框架的内置支持,用于机器学习模型训练和推理。使用熟悉的框架,例如 PyTorch、TensorFlow 和 scikit-learn,或可互操作的开放 ONNX 格式。选择最能满足需求的开发工具(包括常用的 IDE、Visual Studio Code、Jupyter Notebook 和 CLI)或语言(如 Python 和 R)。使用 ONNX 运行时可优化和加速跨云和边缘设备的推理。使用 MLflow 跟踪训练实验的各个方面。

通过 Azure 培养机器学习技能

了解有关 Azure 上的机器学习的详细信息,并参与本次为期 30 天的学习旅程的实践教程。在本次学习旅程结束时,你就为参加 Azure 数据科学家助理认证做好了准备。

先进的安全、治理和混合基础结构

  • 在混合基础结构中,借助 Azure Arc 互操作性在本地、多云环境和边缘的 Kubernetes 群集上训练模型。
  • 访问安全功能,例如基于角色的访问、自定义机器学习角色、虚拟网络和专用链接。使用策略、审核线索、配额和成本管理来管理治理。
  • 通过 60 项认证(包括 FedRAMP High 和 DISA IL5)的综合产品组合,优化合规性。

主要服务功能

协作式笔记本

使用 IntelliSense、轻松计算和内核切换以及脱机笔记本编辑功能,最大限度地提高工作效率。在 Visual Studio Code 中启动笔记本以获得丰富的开发体验,包括安全调试和对 Git 源代码管理的支持。

自动执行机器学习

快速创建用于分类、回归和时序预测的准确模型。使用模型可解释性来了解构建模型的方式。

拖放式机器学习

使用机器学习工具(如设计器)和模块进行数据转换、模型训练和评估,或者轻松地创建和发布机器学习管道。

数据标签

快速准备数据、管理和监视标记项目,并借助机器学习辅助标记自动执行迭代任务。

MLOps

使用中心注册表来存储和跟踪数据、模型和元数据。自动捕获数据世系并调控数据。使用 Git 来跟踪工作和 GitHub Actions 以实现工作流。管理和监视运行,或比较多个运行以进行训练和试验。使用托管终结点使模型部署和评分可操作、记录指标,以及执行安全模型推出。

自动缩放计算

使用托管计算来分发训练并快速测试、验证和部署模型。在工作区内共享 CPU 和 GPU 群集并自动缩放,以满足机器学习需求。

与其他 Azure 服务深度集成

借助与 Microsoft Power BI 和一些服务(例如 Azure Synapse Analytics、Azure 认知搜索、Azure 数据工厂、Azure Data Lake、Azure Arc 和 Azure Databricks)的内置集成来提高工作效率。

混合和多云支持

使用 Azure Arc 在本地、多云环境和边缘的现有 Kubernetes 群集上运行机器学习。无论数据位于何处,都可以使用一键式机器学习代理更安全地开始训练模型。

强化学习

将强化学习扩展到强大的计算群集,支持多代理方案并访问开源强化学习算法、框架以及环境。

负责任的机器学习

借助可解释性功能在训练和推理时获取模型透明度。通过差异指标评估模型公平性并减少不公平性。通过差别隐私和机密机器学习管道帮助保护数据。

企业级安全

使用网络隔离和专用链接功能、资源和操作基于角色的访问控制、自定义角色以及计算资源的托管标识,更安全地构建和部署模型。

成本管理

使用工作区和资源级别配额限制,更好地管理 Azure 机器学习计算实例的资源分配。

仅对所需资源付费,无前期成本

查看 Azure 机器学习定价

掌握 Azure 机器学习

掌握使用 TensorFlow、Spark 和 Kubernetes 在 Azure 中生成高度可缩放的自动化端到端机器学习模型和管道的专家技术。

数据科学原理

许多从事数据工作的人已具备了数学、编程或域专业知识方面的技能,但对于严格意义上的数据科学而言,这三方面的技能缺一不可。这一综合性的电子书有助于填补这些空白。

Forrester Wave 2020 年度领导者

Forrester 在“The Forrester Wave™:基于笔记本的预测分析和机器学习,2020 年第 3 季度”中将 Microsoft Azure 机器学习评为“领导者”。

如何使用 Azure 机器学习

进入工作室 Web 体验

构建和定型

部署和管理

步骤 1(共 1 步)

创作新模型,并将计算目标、模型、部署、指标和运行历史记录存储在云中。

步骤 1(共 1 步)

使用自动化机器学习功能识别算法和超参数,并在云中跟踪试验。使用笔记本或拖放设计器来创作模型。

步骤 1(共 1 步)

将机器学习模型部署到云端或边缘,监视性能并根据需要重新训练。

立即开始使用 Azure 机器学习

通过注册 Azure 免费帐户获得即时访问权限和 $200 额度。

登录 Azure 门户

客户使用 Azure 机器学习

"The model we deployed on Azure Machine Learning helped us choose three new retail locations. Those stores exceeded their revenue plans by over 200 percent [that] December, the height of our season, and within months of opening were among the best-performing stores in their districts."

Jolie Vitale,Carhartt 公司的 BI 和分析主管
Carhartt

"MLOps is at the core of our product. Because of its reproducible ML pipelines, ... registered models, and automatic model scoring, we're definitely detecting things that we missed before. Which, in terms of risk management, is really, really important."

Ignasi Paredes-Oliva,雀巢全球安全运营中心首席数据科学家
Nestle Italia

"Azure Machine Learning allows us to manage the entire lifecycle, from experimentation and development to production and enhancements."

Joey Chua,AGL 机器学习工程高级经理
AGL

"With model interpretability in Azure Machine Learning, we have a high degree of confidence that our machine learning model is generating meaningful and fair results."

Scandinavian Airlines 数据分析与人工智能负责人 Daniel Engberg
Scandinavian Airlines

"We've used the MLOps capabilities in Azure Machine Learning to simplify the whole machine learning process. That allows us to focus more on data science and let Azure Machine Learning take care of end-to-end operationalization."

Michael Cleavinger,PepsiCo 购物者见解数据科学和高级分析高级总监
PepsiCo

"We see Azure Machine Learning and our partnership with Microsoft as critical to driving increased adoption and acceptance of AI from the regulators."

Alex Mohelsky,EY Canada 合作伙伴兼顾问、数据分析与 AI 负责人
EY

Azure 机器学习更新、博客和公告

有关 Azure 机器学习的常见问题

  • 该服务已在一些国家/地区正式发布,即将在其他国家/地区正式发布。
  • Azure 机器学习的服务级别协议 (SLA) 为 99.9% 运行时间。
  • Azure 机器学习工作室是机器学习的首要资源。此功能为数据科学家和开发人员提供了一个集中的场所,他们可使用其中的所有项目来构建、训练和部署机器学习模型。

你随时可以开始设置 Azure 免费帐户