|
|
<!--
|
|
|
CO_OP_TRANSLATOR_METADATA:
|
|
|
{
|
|
|
"original_hash": "472d3fab1c5be50f387336e7a686dbe1",
|
|
|
"translation_date": "2025-09-05T16:01:33+00:00",
|
|
|
"source_file": "5-Data-Science-In-Cloud/19-Azure/README.md",
|
|
|
"language_code": "lt"
|
|
|
}
|
|
|
-->
|
|
|
# Duomenų mokslas debesyje: „Azure ML SDK“ būdas
|
|
|
|
|
|
| ](../../sketchnotes/19-DataScience-Cloud.png)|
|
|
|
|:---:|
|
|
|
| Duomenų mokslas debesyje: Azure ML SDK - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
|
|
|
|
|
|
Turinys:
|
|
|
|
|
|
- [Duomenų mokslas debesyje: „Azure ML SDK“ būdas](../../../../5-Data-Science-In-Cloud/19-Azure)
|
|
|
- [Prieš paskaitą: testas](../../../../5-Data-Science-In-Cloud/19-Azure)
|
|
|
- [1. Įvadas](../../../../5-Data-Science-In-Cloud/19-Azure)
|
|
|
- [1.1 Kas yra „Azure ML SDK“?](../../../../5-Data-Science-In-Cloud/19-Azure)
|
|
|
- [1.2 Širdies nepakankamumo prognozavimo projektas ir duomenų rinkinio pristatymas](../../../../5-Data-Science-In-Cloud/19-Azure)
|
|
|
- [2. Modelio mokymas naudojant „Azure ML SDK“](../../../../5-Data-Science-In-Cloud/19-Azure)
|
|
|
- [2.1 Sukurkite „Azure ML“ darbo sritį](../../../../5-Data-Science-In-Cloud/19-Azure)
|
|
|
- [2.2 Sukurkite skaičiavimo instanciją](../../../../5-Data-Science-In-Cloud/19-Azure)
|
|
|
- [2.3 Duomenų rinkinio įkėlimas](../../../../5-Data-Science-In-Cloud/19-Azure)
|
|
|
- [2.4 Užrašų knygų kūrimas](../../../../5-Data-Science-In-Cloud/19-Azure)
|
|
|
- [2.5 Modelio mokymas](../../../../5-Data-Science-In-Cloud/19-Azure)
|
|
|
- [2.5.1 Darbo srities, eksperimento, skaičiavimo klasterio ir duomenų rinkinio nustatymas](../../../../5-Data-Science-In-Cloud/19-Azure)
|
|
|
- [2.5.2 AutoML konfigūracija ir mokymas](../../../../5-Data-Science-In-Cloud/19-Azure)
|
|
|
- [3. Modelio diegimas ir galutinio taško naudojimas su „Azure ML SDK“](../../../../5-Data-Science-In-Cloud/19-Azure)
|
|
|
- [3.1 Geriausio modelio išsaugojimas](../../../../5-Data-Science-In-Cloud/19-Azure)
|
|
|
- [3.2 Modelio diegimas](../../../../5-Data-Science-In-Cloud/19-Azure)
|
|
|
- [3.3 Galutinio taško naudojimas](../../../../5-Data-Science-In-Cloud/19-Azure)
|
|
|
- [🚀 Iššūkis](../../../../5-Data-Science-In-Cloud/19-Azure)
|
|
|
- [Testas po paskaitos](../../../../5-Data-Science-In-Cloud/19-Azure)
|
|
|
- [Apžvalga ir savarankiškas mokymasis](../../../../5-Data-Science-In-Cloud/19-Azure)
|
|
|
- [Užduotis](../../../../5-Data-Science-In-Cloud/19-Azure)
|
|
|
|
|
|
## [Prieš paskaitą: testas](https://ff-quizzes.netlify.app/en/ds/quiz/36)
|
|
|
|
|
|
## 1. Įvadas
|
|
|
|
|
|
### 1.1 Kas yra „Azure ML SDK“?
|
|
|
|
|
|
Duomenų mokslininkai ir dirbtinio intelekto kūrėjai naudoja „Azure Machine Learning SDK“, kad sukurtų ir vykdytų mašininio mokymosi darbo eigas su „Azure Machine Learning“ paslauga. Su paslauga galima dirbti bet kurioje „Python“ aplinkoje, įskaitant „Jupyter Notebooks“, „Visual Studio Code“ ar jūsų mėgstamą „Python IDE“.
|
|
|
|
|
|
Pagrindinės SDK sritys:
|
|
|
|
|
|
- Tyrinėkite, paruoškite ir valdykite duomenų rinkinių, naudojamų mašininio mokymosi eksperimentuose, gyvavimo ciklą.
|
|
|
- Valdykite debesies išteklius stebėjimui, registravimui ir mašininio mokymosi eksperimentų organizavimui.
|
|
|
- Mokykite modelius vietoje arba naudodami debesies išteklius, įskaitant modelių mokymą su GPU.
|
|
|
- Naudokite automatizuotą mašininį mokymąsi, kuris priima konfigūracijos parametrus ir mokymo duomenis. Jis automatiškai iteruoja per algoritmus ir hiperparametrų nustatymus, kad rastų geriausią modelį prognozėms vykdyti.
|
|
|
- Diekite interneto paslaugas, kad paverstumėte savo apmokytus modelius į RESTful paslaugas, kurias galima naudoti bet kurioje programoje.
|
|
|
|
|
|
[Daugiau apie „Azure Machine Learning SDK“](https://docs.microsoft.com/python/api/overview/azure/ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109)
|
|
|
|
|
|
[Ankstesnėje pamokoje](../18-Low-Code/README.md) matėme, kaip mokyti, diegti ir naudoti modelį naudojant mažo kodo/nekodo metodą. Naudojome širdies nepakankamumo duomenų rinkinį, kad sukurtume širdies nepakankamumo prognozavimo modelį. Šioje pamokoje darysime tą patį, bet naudodami „Azure Machine Learning SDK“.
|
|
|
|
|
|
|
|
|
|
|
|
### 1.2 Širdies nepakankamumo prognozavimo projektas ir duomenų rinkinio pristatymas
|
|
|
|
|
|
Žr. [čia](../18-Low-Code/README.md) širdies nepakankamumo prognozavimo projekto ir duomenų rinkinio pristatymą.
|
|
|
|
|
|
## 2. Modelio mokymas naudojant „Azure ML SDK“
|
|
|
|
|
|
### 2.1 Sukurkite „Azure ML“ darbo sritį
|
|
|
|
|
|
Kad būtų paprasčiau, dirbsime „Jupyter Notebook“. Tai reiškia, kad jau turite darbo sritį ir skaičiavimo instanciją. Jei jau turite darbo sritį, galite pereiti tiesiai į skyrių 2.3 Užrašų knygų kūrimas.
|
|
|
|
|
|
Jei ne, vadovaukitės instrukcijomis skyriuje **2.1 Sukurkite „Azure ML“ darbo sritį** [ankstesnėje pamokoje](../18-Low-Code/README.md), kad sukurtumėte darbo sritį.
|
|
|
|
|
|
### 2.2 Sukurkite skaičiavimo instanciją
|
|
|
|
|
|
„Azure ML“ darbo srityje, kurią sukūrėme anksčiau, eikite į skaičiavimo meniu ir pamatysite įvairius skaičiavimo išteklius.
|
|
|
|
|
|
|
|
|
|
|
|
Sukurkime skaičiavimo instanciją, kad galėtume naudoti „Jupyter Notebook“.
|
|
|
1. Spustelėkite mygtuką + Naujas.
|
|
|
2. Suteikite pavadinimą savo skaičiavimo instancijai.
|
|
|
3. Pasirinkite parinktis: CPU arba GPU, VM dydį ir branduolių skaičių.
|
|
|
4. Spustelėkite mygtuką Sukurti.
|
|
|
|
|
|
Sveikiname, ką tik sukūrėte skaičiavimo instanciją! Šią instanciją naudosime užrašų knygų kūrimo skyriuje [Užrašų knygų kūrimas](../../../../5-Data-Science-In-Cloud/19-Azure).
|
|
|
|
|
|
### 2.3 Duomenų rinkinio įkėlimas
|
|
|
|
|
|
Jei dar neįkėlėte duomenų rinkinio, žr. [ankstesnę pamoką](../18-Low-Code/README.md) skyriuje **2.3 Duomenų rinkinio įkėlimas**.
|
|
|
|
|
|
### 2.4 Užrašų knygų kūrimas
|
|
|
|
|
|
> **_PASTABA:_** Kitam žingsniui galite sukurti naują užrašų knygą nuo nulio arba įkelti [užrašų knygą, kurią sukūrėme](../../../../5-Data-Science-In-Cloud/19-Azure/notebook.ipynb) į „Azure ML Studio“. Norėdami ją įkelti, tiesiog spustelėkite meniu „Notebook“ ir įkelkite užrašų knygą.
|
|
|
|
|
|
Užrašų knygos yra labai svarbi duomenų mokslo proceso dalis. Jos gali būti naudojamos duomenų tyrimui (EDA), skaičiavimo klasterio iškvietimui modelio mokymui, inferencijos klasterio iškvietimui galutinio taško diegimui.
|
|
|
|
|
|
Norėdami sukurti užrašų knygą, mums reikia skaičiavimo mazgo, kuris teikia „Jupyter Notebook“ instanciją. Grįžkite į [Azure ML darbo sritį](https://ml.azure.com/) ir spustelėkite Skaičiavimo instancijos. Skaičiavimo instancijų sąraše turėtumėte matyti [skaičiavimo instanciją, kurią sukūrėme anksčiau](../../../../5-Data-Science-In-Cloud/19-Azure).
|
|
|
|
|
|
1. Skiltyje Programos spustelėkite parinktį Jupyter.
|
|
|
2. Pažymėkite langelį „Taip, suprantu“ ir spustelėkite mygtuką Tęsti.
|
|
|
|
|
|
3. Tai turėtų atidaryti naują naršyklės skirtuką su jūsų „Jupyter Notebook“ instancija. Spustelėkite mygtuką „Naujas“, kad sukurtumėte užrašų knygą.
|
|
|
|
|
|
|
|
|
|
|
|
Dabar, kai turime užrašų knygą, galime pradėti mokyti modelį su „Azure ML SDK“.
|
|
|
|
|
|
### 2.5 Modelio mokymas
|
|
|
|
|
|
Visų pirma, jei kyla abejonių, žr. [Azure ML SDK dokumentaciją](https://docs.microsoft.com/python/api/overview/azure/ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). Joje pateikiama visa reikalinga informacija apie modulius, kuriuos aptarsime šioje pamokoje.
|
|
|
|
|
|
#### 2.5.1 Darbo srities, eksperimento, skaičiavimo klasterio ir duomenų rinkinio nustatymas
|
|
|
|
|
|
Turite įkelti `workspace` iš konfigūracijos failo naudodami šį kodą:
|
|
|
|
|
|
```python
|
|
|
from azureml.core import Workspace
|
|
|
ws = Workspace.from_config()
|
|
|
```
|
|
|
|
|
|
Tai grąžina objektą `Workspace`, kuris atspindi darbo sritį. Tada turite sukurti `experiment` naudodami šį kodą:
|
|
|
|
|
|
```python
|
|
|
from azureml.core import Experiment
|
|
|
experiment_name = 'aml-experiment'
|
|
|
experiment = Experiment(ws, experiment_name)
|
|
|
```
|
|
|
|
|
|
Norėdami gauti arba sukurti eksperimentą iš darbo srities, prašote eksperimento naudodami eksperimento pavadinimą. Eksperimento pavadinimas turi būti 3–36 simbolių, prasidėti raide arba skaičiumi ir gali turėti tik raides, skaičius, pabraukimus ir brūkšnelius. Jei eksperimentas nerandamas darbo srityje, sukuriamas naujas eksperimentas.
|
|
|
|
|
|
Dabar turite sukurti skaičiavimo klasterį mokymui naudodami šį kodą. Atkreipkite dėmesį, kad šis žingsnis gali užtrukti kelias minutes.
|
|
|
|
|
|
```python
|
|
|
from azureml.core.compute import AmlCompute
|
|
|
|
|
|
aml_name = "heart-f-cluster"
|
|
|
try:
|
|
|
aml_compute = AmlCompute(ws, aml_name)
|
|
|
print('Found existing AML compute context.')
|
|
|
except:
|
|
|
print('Creating new AML compute context.')
|
|
|
aml_config = AmlCompute.provisioning_configuration(vm_size = "Standard_D2_v2", min_nodes=1, max_nodes=3)
|
|
|
aml_compute = AmlCompute.create(ws, name = aml_name, provisioning_configuration = aml_config)
|
|
|
aml_compute.wait_for_completion(show_output = True)
|
|
|
|
|
|
cts = ws.compute_targets
|
|
|
compute_target = cts[aml_name]
|
|
|
```
|
|
|
|
|
|
Duomenų rinkinį galite gauti iš darbo srities naudodami duomenų rinkinio pavadinimą šiuo būdu:
|
|
|
|
|
|
```python
|
|
|
dataset = ws.datasets['heart-failure-records']
|
|
|
df = dataset.to_pandas_dataframe()
|
|
|
df.describe()
|
|
|
```
|
|
|
|
|
|
#### 2.5.2 AutoML konfigūracija ir mokymas
|
|
|
|
|
|
Norėdami nustatyti AutoML konfigūraciją, naudokite [AutoMLConfig klasę](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.automlconfig(class)?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
|
|
|
|
|
|
Kaip aprašyta dokumentacijoje, yra daug parametrų, su kuriais galite eksperimentuoti. Šiam projektui naudosime šiuos parametrus:
|
|
|
|
|
|
- `experiment_timeout_minutes`: Maksimalus laikas (minutėmis), kurį eksperimentas gali veikti prieš automatinį sustabdymą ir rezultatų pateikimą.
|
|
|
- `max_concurrent_iterations`: Maksimalus leidžiamų lygiagrečių mokymo iteracijų skaičius eksperimente.
|
|
|
- `primary_metric`: Pagrindinis metrikas, naudojamas eksperimento būsenai nustatyti.
|
|
|
- `compute_target`: „Azure Machine Learning“ skaičiavimo tikslas, kuriame vykdomas automatizuotas mašininio mokymosi eksperimentas.
|
|
|
- `task`: Užduoties tipas. Vertės gali būti „classification“, „regression“ arba „forecasting“, priklausomai nuo sprendžiamos automatizuoto ML problemos tipo.
|
|
|
- `training_data`: Mokymo duomenys, naudojami eksperimente. Jie turėtų turėti mokymo funkcijas ir etikečių stulpelį (pasirinktinai mėginių svorių stulpelį).
|
|
|
- `label_column_name`: Etikečių stulpelio pavadinimas.
|
|
|
- `path`: Pilnas kelias į „Azure Machine Learning“ projekto aplanką.
|
|
|
- `enable_early_stopping`: Ar įjungti ankstyvą sustabdymą, jei rezultatai trumpuoju laikotarpiu negerėja.
|
|
|
- `featurization`: Indikatorius, ar featurizacijos žingsnis turėtų būti atliekamas automatiškai, ar naudojama pritaikyta featurizacija.
|
|
|
- `debug_log`: Žurnalo failas, kuriame rašoma derinimo informacija.
|
|
|
|
|
|
```python
|
|
|
from azureml.train.automl import AutoMLConfig
|
|
|
|
|
|
project_folder = './aml-project'
|
|
|
|
|
|
automl_settings = {
|
|
|
"experiment_timeout_minutes": 20,
|
|
|
"max_concurrent_iterations": 3,
|
|
|
"primary_metric" : 'AUC_weighted'
|
|
|
}
|
|
|
|
|
|
automl_config = AutoMLConfig(compute_target=compute_target,
|
|
|
task = "classification",
|
|
|
training_data=dataset,
|
|
|
label_column_name="DEATH_EVENT",
|
|
|
path = project_folder,
|
|
|
enable_early_stopping= True,
|
|
|
featurization= 'auto',
|
|
|
debug_log = "automl_errors.log",
|
|
|
**automl_settings
|
|
|
)
|
|
|
```
|
|
|
|
|
|
Dabar, kai konfigūracija nustatyta, galite mokyti modelį naudodami šį kodą. Šis žingsnis gali užtrukti iki valandos, priklausomai nuo jūsų klasterio dydžio.
|
|
|
|
|
|
```python
|
|
|
remote_run = experiment.submit(automl_config)
|
|
|
```
|
|
|
|
|
|
Galite paleisti „RunDetails“ valdiklį, kad pamatytumėte skirtingus eksperimentus.
|
|
|
|
|
|
```python
|
|
|
from azureml.widgets import RunDetails
|
|
|
RunDetails(remote_run).show()
|
|
|
```
|
|
|
|
|
|
## 3. Modelio diegimas ir galutinio taško naudojimas su „Azure ML SDK“
|
|
|
|
|
|
### 3.1 Geriausio modelio išsaugojimas
|
|
|
|
|
|
`remote_run` yra objektas [AutoMLRun](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.run.automlrun?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). Šis objektas turi metodą `get_output()`, kuris grąžina geriausią eksperimentą ir atitinkamą pritaikytą modelį.
|
|
|
|
|
|
```python
|
|
|
best_run, fitted_model = remote_run.get_output()
|
|
|
```
|
|
|
|
|
|
Galite pamatyti geriausio modelio parametrus tiesiog atspausdindami `fitted_model` ir peržiūrėti geriausio modelio savybes naudodami [get_properties()](https://docs.microsoft.com/python/api/azureml-core/azureml.core.run(class)?view=azure-ml-py#azureml_core_Run_get_properties?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) metodą.
|
|
|
|
|
|
```python
|
|
|
best_run.get_properties()
|
|
|
```
|
|
|
|
|
|
Dabar užregistruokite modelį naudodami [register_model](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.run.automlrun?view=azure-ml-py#register-model-model-name-none--description-none--tags-none--iteration-none--metric-none-?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) metodą.
|
|
|
|
|
|
```python
|
|
|
model_name = best_run.properties['model_name']
|
|
|
script_file_name = 'inference/score.py'
|
|
|
best_run.download_file('outputs/scoring_file_v_1_0_0.py', 'inference/score.py')
|
|
|
description = "aml heart failure project sdk"
|
|
|
model = best_run.register_model(model_name = model_name,
|
|
|
model_path = './outputs/',
|
|
|
description = description,
|
|
|
tags = None)
|
|
|
```
|
|
|
|
|
|
### 3.2 Modelio diegimas
|
|
|
|
|
|
Kai geriausias modelis išsaugotas, galime jį diegti naudodami [InferenceConfig](https://docs.microsoft.com/python/api/azureml-core/azureml.core.model.inferenceconfig?view=azure-ml-py?ocid=AID3041109) klasę. „InferenceConfig“ atspindi konfigūracijos nustatymus, skirtus pritaikytai aplinkai, naudojamai diegimui. [AciWebservice](https://docs.microsoft.com/python/api/azureml-core/azureml.core.webservice.aciwebservice?view=azure-ml-py) klasė atspindi mašininio mokymosi modelį, diegtą kaip interneto paslaugos galutinį tašką „Azure Container Instances“. Diegta paslauga sukuriama iš modelio, scenarijaus ir susijusių failų. Rezultatas yra apkrovos balansavimo HTTP galutinio taško REST API. Galite siųsti duomenis į šią API ir gauti modelio grąžintą prognozę.
|
|
|
|
|
|
Modelis diegiamas naudojant [deploy](https://docs.microsoft.com/python/api/azureml-core/azureml.core.model(class)?view=azure-ml-py#deploy-workspace--name--models--inference-config-none--deployment-config-none--deployment-target-none--overwrite-false--show-output-false-?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) metodą.
|
|
|
|
|
|
```python
|
|
|
from azureml.core.model import InferenceConfig, Model
|
|
|
from azureml.core.webservice import AciWebservice
|
|
|
|
|
|
inference_config = InferenceConfig(entry_script=script_file_name, environment=best_run.get_environment())
|
|
|
|
|
|
aciconfig = AciWebservice.deploy_configuration(cpu_cores = 1,
|
|
|
memory_gb = 1,
|
|
|
tags = {'type': "automl-heart-failure-prediction"},
|
|
|
description = 'Sample service for AutoML Heart Failure Prediction')
|
|
|
|
|
|
aci_service_name = 'automl-hf-sdk'
|
|
|
aci_service = Model.deploy(ws, aci_service_name, [model], inference_config, aciconfig)
|
|
|
aci_service.wait_for_deployment(True)
|
|
|
print(aci_service.state)
|
|
|
```
|
|
|
|
|
|
Šis žingsnis turėtų užtrukti kelias minutes.
|
|
|
|
|
|
### 3.3 Galutinio taško naudojimas
|
|
|
|
|
|
Galutinį tašką naudojate sukurdami pavyzdinį įvestį:
|
|
|
|
|
|
```python
|
|
|
data = {
|
|
|
"data":
|
|
|
[
|
|
|
{
|
|
|
'age': "60",
|
|
|
'anaemia': "false",
|
|
|
'creatinine_phosphokinase': "500",
|
|
|
'diabetes': "false",
|
|
|
'ejection_fraction': "38",
|
|
|
'high_blood_pressure': "false",
|
|
|
'platelets': "260000",
|
|
|
'serum_creatinine': "1.40",
|
|
|
'serum_sodium': "137",
|
|
|
'sex': "false",
|
|
|
'smoking': "false",
|
|
|
'time': "130",
|
|
|
},
|
|
|
],
|
|
|
}
|
|
|
|
|
|
test_sample = str.encode(json.dumps(data))
|
|
|
```
|
|
|
|
|
|
Tada galite siųsti šį įvestį į savo modelį prognozei:
|
|
|
```python
|
|
|
response = aci_service.run(input_data=test_sample)
|
|
|
response
|
|
|
```
|
|
|
Tai turėtų išvesti `'{"result": [false]}'`. Tai reiškia, kad paciento duomenys, kuriuos išsiuntėme į galinį tašką, sugeneravo prognozę `false`, o tai reiškia, kad šis asmuo greičiausiai nepatirs širdies smūgio.
|
|
|
|
|
|
Sveikiname! Jūs ką tik panaudojote modelį, kuris buvo įdiegtas ir apmokytas naudojant Azure ML su Azure ML SDK!
|
|
|
|
|
|
|
|
|
> **_NOTE:_** Baigę projektą, nepamirškite ištrinti visų resursų.
|
|
|
|
|
|
## 🚀 Iššūkis
|
|
|
|
|
|
Yra daugybė kitų dalykų, kuriuos galite atlikti naudodami SDK, deja, visų jų negalime aptarti šioje pamokoje. Bet gera žinia ta, kad išmokę naršyti SDK dokumentaciją, galite daug pasiekti savarankiškai. Peržiūrėkite Azure ML SDK dokumentaciją ir suraskite `Pipeline` klasę, kuri leidžia kurti procesus. Procesas yra žingsnių rinkinys, kurį galima vykdyti kaip darbo eigą.
|
|
|
|
|
|
**Patarimas:** Eikite į [SDK dokumentaciją](https://docs.microsoft.com/python/api/overview/azure/ml/?view=azure-ml-py?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) ir paieškos laukelyje įveskite tokius raktažodžius kaip „Pipeline“. Paieškos rezultatuose turėtumėte rasti `azureml.pipeline.core.Pipeline` klasę.
|
|
|
|
|
|
## [Po paskaitos testas](https://ff-quizzes.netlify.app/en/ds/quiz/37)
|
|
|
|
|
|
## Apžvalga ir savarankiškas mokymasis
|
|
|
|
|
|
Šioje pamokoje išmokote apmokyti, įdiegti ir naudoti modelį, skirtą širdies nepakankamumo rizikai prognozuoti, naudojant Azure ML SDK debesyje. Peržiūrėkite šią [dokumentaciją](https://docs.microsoft.com/python/api/overview/azure/ml/?view=azure-ml-py?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109), kad gautumėte daugiau informacijos apie Azure ML SDK. Pabandykite sukurti savo modelį naudodami Azure ML SDK.
|
|
|
|
|
|
## Užduotis
|
|
|
|
|
|
[Duomenų mokslų projektas naudojant Azure ML SDK](assignment.md)
|
|
|
|
|
|
---
|
|
|
|
|
|
**Atsakomybės apribojimas**:
|
|
|
Šis dokumentas buvo išverstas naudojant AI vertimo paslaugą [Co-op Translator](https://github.com/Azure/co-op-translator). Nors siekiame tikslumo, prašome atkreipti dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama profesionali žmogaus vertimo paslauga. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus interpretavimus, atsiradusius naudojant šį vertimą. |
