Train and deploy a machine learning model with Azure Machine Learning

Make data available in Azure Machine Learning - Understand URIs - Create a datastore - Create a data asset Work with compute targets in Azure Machine Learning - Choose the appropriate compute target - Create and use a compute instance - Create and use a compute cluster Work with environments in Azure Machine Learning - Understand environments - Explore and use curated environments - Create and use custom environments Run a training script as a command job in Azure Machine Learning - Convert a notebook to a script - Run a script as a command job - Use parameters in a command job Track model training with MLflow in jobs - Track metrics with MLflow - View metrics and evaluate models Register an MLflow model in Azure Machine Learning - Log models with MLflow - Understand the MLflow model format - Register an MLflow model Deploy a model to a managed online endpoint - Explore managed online endpoints - Deploy your MLflow model to a managed online endpoint - Deploy a model to a managed online endpoint - Test managed online endpoints

Um ein Machine Learning-Modell mit Azure Machine Learning zu trainieren, müssen Sie Daten verfügbar machen und das entsprechende Compute konfigurieren. Nachdem Sie Ihre Modell- und Nachverfolgungsmodellmetriken mit MLflow trainiert haben, können Sie ihr Modell für Echtzeitvorhersagen auf einem Onlineendpunkt bereitstellen. In diesem Training erfahren Sie, wie Sie Ihren Azure Machine Learning-Arbeitsbereich einrichten, nach dem Sie ein Machine Learning-Modell trainieren und bereitstellen.

keine