# లో కోడ్/నో కోడ్ డేటా సైన్స్ ప్రాజెక్ట్ ఆన్ అజ్యూర్ ML ## సూచనలు మేము అజ్యూర్ ML ప్లాట్‌ఫారమ్‌ను ఉపయోగించి లో కోడ్/నో కోడ్ విధానంలో మోడల్‌ను ట్రెయిన్ చేయడం, డిప్లాయ్ చేయడం మరియు వినియోగించడం ఎలా చేయాలో చూశాము. ఇప్పుడు మీరు మరొక మోడల్‌ను ట్రెయిన్ చేయడానికి, డిప్లాయ్ చేయడానికి మరియు వినియోగించడానికి ఉపయోగించగల డేటాను వెతకండి. మీరు [Kaggle](https://kaggle.com) మరియు [Azure Open Datasets](https://azure.microsoft.com/services/open-datasets/catalog?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) లో డేటాసెట్‌లను చూడవచ్చు. ## రూబ్రిక్ | ఉదాహరణాత్మక | సరిపడిన | మెరుగుదల అవసరం | |-----------|----------|-------------------| |డేటాను అప్‌లోడ్ చేస్తున్నప్పుడు అవసరమైతే ఫీచర్ రకాన్ని మార్చడం మీరు చూసుకున్నారు. అవసరమైతే డేటాను శుభ్రపరిచారు. AutoML ద్వారా డేటాసెట్‌పై ట్రెయినింగ్ నిర్వహించారు, మోడల్ వివరణలను పరిశీలించారు. ఉత్తమ మోడల్‌ను డిప్లాయ్ చేసి దాన్ని వినియోగించగలిగారు. | డేటాను అప్‌లోడ్ చేస్తున్నప్పుడు అవసరమైతే ఫీచర్ రకాన్ని మార్చడం మీరు చూసుకున్నారు. AutoML ద్వారా డేటాసెట్‌పై ట్రెయినింగ్ నిర్వహించారు, ఉత్తమ మోడల్‌ను డిప్లాయ్ చేసి దాన్ని వినియోగించగలిగారు. | మీరు AutoML ద్వారా ట్రెయిన్ చేసిన ఉత్తమ మోడల్‌ను డిప్లాయ్ చేసి దాన్ని వినియోగించగలిగారు. | --- **అస్పష్టత**: ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారుల కోసం మేము బాధ్యత వహించము.