Trace Id is missing
跳转至主内容
Azure

适用于数据科学家的机器学习

探索适用于数据科学家和机器学习工程师的机器学习工具,并了解如何在 Azure 上构建云规模机器学习解决方案。

探索 Azure 上的机器学习

通过 Azure 工具和服务,根据自身情况,负责任地为任务关键型流程构建并部署机器学习模型。

根据自身情况开发机器学习模型

使用所选的工具以首选的开发语言、环境和机器学习框架构建机器学习模型,并使用 Azure AI 将模型部署到云、本地或边缘。

负责任地构建机器学习解决方案

了解机器学习模型,运用差别隐私和机密计算来保护数据,并通过试查和数据表来控制机器学习生命周期。

自信从容地为业务关键型流程部署机器学习模型

部署和管理高度可缩放、容错且可重现的机器学习解决方案。

了解其他数据科学家如何使用 Azure 机器学习

了解组织如何利用 Azure 来支持其任务关键型工作负载。

Humana

了解 Humana 如何提供受 AI 支持的任务关键型医疗保健体验。

AGL

了解 AGL 如何使用 Azure 机器学习实现 MLOps。

UCLA

了解 UCLA 如何开创性使用 AI 来帮助其医生。

返回到标签页

通过视频了解机器学习

了解如何使用机器学习解决方案来支持任务关键型应用程序。

大规模训练机器学习模型

了解如何利用 Azure 上的正确计算来缩放训练作业。

模型部署和推理

了解用于大规模模型推理的各种部署选项和优化。

MLOps 介绍

了解 MLOps 的重要性以及与其关联的流程。

保护机器学习环境

了解如何使用 Azure 访问企业级安全性和治理。

混合和多云机器学习

了解如何预配混合和多云机器学习环境。

开放的可互操作的机器学习

了解 Azure 机器学习如何使用开源技术,并与其他 Azure 服务集成。

返回到标签页

使用 Azure 机器学习的 MLOps

加速大规模构建、训练和部署机器学习模型的过程。

具有企业安全性和规模的机器学习解决方案

了解如何使用 Azure 机器学习构建安全、可缩放且公平合理的机器学习解决方案。

使用 Azure 机器学习的负责任的 AI

探索有助于你理解、保护和控制机器学习模型的工具和方法。

通过示例解决方案体系结构了解详细信息

探索使用 Azure 机器学习的不同场景。

机器学习

使用称为超参数的可调整参数控制模型训练过程。探索调整 Python 模型超参数的推荐做法,并了解如何自动调整超参数和并行运行实验以高效优化超参数。

深度学习

了解如何跨已启用 GPU 的虚拟机的群集,开展深度机器学习模型的分布式训练。此场景用于图像分类,但该解决方案可推广到其他深度学习场景(例如分段或对象检测)。

MLOps

了解如何使用 Azure DevOps 和 Azure 机器学习为 AI 应用程序实现持续集成 (CI)、持续交付 (CD) 和重新训练管道。该解决方案建立在 scikit-learn 糖尿病数据集的基础上,但可轻松针对任何 AI 场景和其他常用的生成系统进行调整。

Edge 部署

了解如何使用 Azure Stack Edge 将快速机器学习推理从云扩展到本地场景或边缘场景。使用 Azure Stack Edge 为任何边缘位置利用 Azure 功能,例如计算、存储、网络和硬件加速机器学习。

批处理评分

了解如何使用 Azure 机器学习将神经风格迁移(一种深度学习技术,以另一个图像的样式构成现有图像)应用于视频。

实时评分

探索如何将 Python 模型部署为 Web 服务,以使用 Azure Kubernetes 服务 (AKS) 进行实时预测。部署在 AKS 上的机器学习模型适用于大规模生产部署。