Trace Id is missing
跳至主要內容

適用於資料科學家的機器學習

探索適用於資料科學家和機器學習工程師的機器學習工具,並了解如何在 Azure 上建置雲端規模的機器學習解決方案。

探索 Azure 上的機器學習

使用 Azure 工具和服務,以負責任的態度及您想要的方式,為任務關鍵性程序建置及部署機器學習模型。

以您想要的方式開發機器學習模型

使用您選擇的工具,以您慣用的開發語言、環境和機器學習架構建置機器學習模型,並透過 Azure AI 將您的模型部署到雲端、內部部署或邊緣。

以負責任的態度建置機器學習解決方案

了解您的機器學習模型、使用差異隱私權和機密運算保護資料,以及使用稽核試用和資料表控制機器學習生命週期。

自信地為業務關鍵程序部署機器學習模型

部署及管理可高度調整、容錯且可重現的機器學習解決方案。

了解其他資料科學家如何使用 Azure Machine Learning

了解組織如何使用 Azure 來支援自身的任務關鍵性工作負載。

Humana

了解 Humana 如何提供具備 AI 功能的任務關鍵性醫療保健體驗。

AGL

了解 AGL 如何使用 Azure Machine Learning 實作 MLOps。

UCLA

探索 UCLA 如何創先使用 AI 以協助其醫生。

返回索引標籤

透過影片探索機器學習

探索使用機器學習解決方案支援任務關鍵性應用程式的方法。

大規模訓練機器學習模型

了解如何利用 Azure 上的正確計算來調整訓練作業的規模。

模型的部署及推斷

了解適用於大規模模型推斷的各種部署選項與最佳化。

MLOps 說明

了解 MLOps 的重要性以及其相關程序。

保護您的機器學習環境

了解如何使用 Azure 獲得企業級的安全性與治理。

混合式及多雲端的機器學習

了解如何佈建混合式及多雲端的機器學習環境。

開放且可互通的機器學習

了解 Azure Machine Learning 如何與開放原始碼技術搭配運作,並與其他的 Azure 服務整合。

返回索引標籤

使用 Azure Machine Learning 的 MLOps

加速大規模建置、訓練及部署機器學習模型的程序。

具有企業級安全性與規模的機器學習解決方案

了解如何使用 Azure Machine Learning 建置安全且可擴充,同時又合理的機器學習解決方案。

使用 Azure Machine Learning 的負責任 AI

探索可協助您理解、保護及控制機器學習模型的工具與方法。

深入了解範例解決方案架構

探索使用 Azure Machine Learning 的不同案例。

Machine Learning

使用稱為超參數的可調式參數來控制模型訓練程序。探索調整 Python 模型超參數的建議做法,並了解如何自動調整超參數以及平行執行實驗,更有效率地將超參數最佳化。

深度學習

請參閱如何在具備 GPU 功能的虛擬機器叢集之間,進行深度學習模型的分散式訓練。該案例是影像分類,但此解決方案也可以概括其他深度學習案例,例如分割和物件偵測。

MLOps

了解如何使用 Azure DevOps 與 Azure Machine Learning,針對 AI 應用程式實作持續整合 (CI)、持續傳遞 (CD) 以及重新訓練管線。此解決方案建基於 scikit-learn 糖尿病資料集,但可輕鬆地應用於任何 AI 案例和其他熱門組建系統。

Edge 部署

請參閱如何使用 Azure Stack Edge 將快速的機器學習服務推斷,從雲端延伸至內部部署或邊緣案例。使用 Azure Stack Edge 可對所有邊緣位置善加利用 Azure 功能,例如計算、儲存體、網路和硬體加速機器學習。

批次評分

了解如何使用 Azure Machine Learning 來套用神經風格轉移。此為以另一個影像風格將現有影像組成為影片的深度學習技術。

即時評分

探索如何使用 Azure Kubernetes Service (AKS) 將 Python 模型部署為 Web 服務,以進行即時預測。部署在 AKS 上的機器學習模型,適用於大規模的生產環境部署。