模型

有许多服务可用于训练机器学习模型。 使用哪种服务取决于以下因素：

• 需要训练哪种类型的模型，
• 是否需要完全控制模型训练，
• 要投入多少时间进行模型训练，
• 组织中已有哪些服务，
• 你熟悉哪种编程语言。

在 Azure 中，有多种服务可用于训练机器学习模型。 一些常用的服务包括：

图标	说明
	Azure 机器学习提供了许多不同的选项来训练和管理机器学习模型。 可以选择使用工作室来获得基于 UI 的体验，或者使用 Python SDK 或 CLI 管理机器学习工作负载来实现代码优先体验。 详细了解 Azure 机器学习。
	Azure Databricks 是一个数据分析平台，可用于数据工程和数据科学。 Azure Databricks 使用分布式 Spark 计算高效处理数据。 可以选择使用 Azure Databricks 或通过将 Azure Databricks 与其他服务（如 Azure 机器学习）集成来训练和管理模型。 详细了解 Azure Databricks。
	Microsoft Fabric 是一个集成分析平台，旨在简化数据分析师、数据工程师和数据科学家之间的数据工作流。 借助 Microsoft Fabric，你可以准备数据、训练模型、使用训练好的模型生成预测，还能在 Power BI 报表中可视化数据。 了解更多有关 Microsoft Fabric 的信息，尤其是有关 Microsoft Fabric 中的数据科学功能的信息。
	Azure AI 服务是预生成机器学习模型的集合，可用于常见机器学习任务，例如图像中的物体检测。 这些模型作为应用程序编程接口 (API) 提供，因此可以轻松地将模型与应用程序集成。 可以使用自己的训练数据自定义某些模型，从而节省从头开始训练新模型的时间和资源。 详细了解 Azure AI 服务。

Azure 机器学习的特性和功能

让我们专注于 Azure 机器学习。 Microsoft Azure 机器学习是用于训练、部署和管理机器学习模型的云服务。 它旨在由数据科学家、软件工程师、开发运营专业人员和其他人员用来管理机器学习项目的端到端生命周期。

Azure 机器学习支持的任务包括：

• 浏览数据并将其准备用于建模。
• 训练和评估机器学习模型。
• 注册和管理已训练的模型。
• 部署训练的模型供应用程序和服务使用。
• 审查并应用负责任的AI原则和实践。

Azure 机器学习提供以下特性和功能来支持机器学习工作负载：

• 集中存储和管理用于模型训练和评估的数据集。
• 可以运行机器学习作业（例如训练模型）的按需计算资源。
• 自动化机器学习（AutoML），这样就可以使用不同的算法和参数轻松运行多个训练作业，以查找数据的最佳模型。
• 用于为模型训练或推理等进程定义协调的 管道 的视觉工具。
• 与常见的机器学习框架（如 MLflow）集成，以便更轻松地大规模管理模型训练、评估和部署。
• 内置支持可视化和评估负责任的 AI 的指标，包括模型可解释性、公平性评估等。

接下来，让我们了解如何在用户界面中开始使用 Azure 机器学习。