Introduktion
I Azure Machine Learning kan du experimentera i notebook-filer och träna (och träna om) maskininlärningsmodeller genom att köra skript som jobb.
I en datavetenskapsprocess för företag vill du dela upp den övergripande processen i enskilda uppgifter. Du kan gruppera uppgifter som pipelines. Pipelines är nyckeln till att implementera en effektiv MLOps-lösning (Machine Learning Operations) i Azure.
Du får lära dig hur du skapar komponenter i enskilda uppgifter, vilket gör det enklare att återanvända och dela kod. Sedan kombinerar du komponenter till en Azure Machine Learning-pipeline som du kör som ett pipelinejobb.
Kommentar
Termen pipeline används i stor utsträckning över olika domäner, inklusive maskininlärning och programvaruutveckling. I Azure Machine Learning innehåller en pipeline steg som rör träning av en maskininlärningsmodell. I Azure DevOps eller GitHub kan en pipeline referera till en bygg- eller versionspipelines som utför de bygg- och konfigurationsuppgifter som krävs för att leverera programvara. I Azure Synapse Analytics används en pipeline för att definiera datainmatnings- och transformeringsprocessen. Fokus för den här modulen ligger på Azure Machine Learning-pipelines. Tänk dock på att det är möjligt att låta pipelines mellan tjänster interagera med varandra. Till exempel kan en Azure DevOps- eller Azure Synapse Analytics-pipeline utlösa en Azure Machine Learning-pipeline.
Dricks
Läs mer om MLOps i förhållande till Azure Machine Learning med en introduktion till maskininlärningsåtgärder
Utbildningsmål
I den här modulen kommer du att:
- Skapa komponenter.
- Skapa en Azure Machine Learning-pipeline.
- Kör en Azure Machine Learning-pipeline.