WEBVTT

00:00:02.810 --> 00:00:07.075
"> Ahoj všichni. Nwo
uvidíme, jak můžeme

00:00:07.075 --> 00:00:11.345
vytvořit automatizovaný stroj
učení konfigurační objekt.

00:00:11.345 --> 00:00:16.150
Třída AutoMLConfig představuje
konfigurace pro

00:00:16.150 --> 00:00:17.920
předložení automatizovaného
strojové učení

00:00:17.920 --> 00:00:20.665
experiment v Azure Machine Learning.

00:00:20.665 --> 00:00:24.460
Jedná se o objekt konfigurace.
který obsahuje a pokračuje, že

00:00:24.460 --> 00:00:28.240
parametry pro definování
experiment spustit,

00:00:28.240 --> 00:00:30.370
stejně jako údaje o školení, které jsou

00:00:30.370 --> 00:00:32.840
bude použit v době běhu.

00:00:32.840 --> 00:00:34.995
Jak můžete vidět z této tabulky,

00:00:34.995 --> 00:00:37.630
zde můžete definovat nastavení a

00:00:37.630 --> 00:00:41.140
údaje, které budou
používá ke spuštění experimentů.

00:00:41.140 --> 00:00:42.760
Takže pokud jde o vlastnosti,

00:00:42.760 --> 00:00:44.650
Začněme s úkolem.

00:00:44.650 --> 00:00:47.030
V tomto případě
vybrána prognóza

00:00:47.030 --> 00:00:49.520
protože jsme v čase
série prognózy scénář.

00:00:49.520 --> 00:00:52.685
Můžete však také vybrat
klasifikace nebo regrese

00:00:52.685 --> 00:00:56.420
v závislosti na vašem konkrétním
scénář datové vědy.

00:00:56.420 --> 00:01:00.500
Pak máte více primárních
metriky, které můžete vybrat,

00:01:00.500 --> 00:01:03.615
to je metrika, která
které jste chtěli optimalizovat.

00:01:03.615 --> 00:01:05.610
Pokud jde o model černé listiny,

00:01:05.610 --> 00:01:07.380
takže existuje mnoho různých modelů,

00:01:07.380 --> 00:01:08.870
takže samozřejmě si pravděpodobně vy

00:01:08.870 --> 00:01:10.610
nechcete utéct, protože víte,

00:01:10.610 --> 00:01:12.380
že nejsou příliš

00:01:12.380 --> 00:01:14.660
dobré s vaší konkrétní
scénář datové vědy,

00:01:14.660 --> 00:01:16.220
takže můžete blacklist je,

00:01:16.220 --> 00:01:21.290
tak, aby AutoML nebude
používat je pro všechny běhy.

00:01:21.290 --> 00:01:24.845
Kromě toho existují
mnoho dalších vlastností

00:01:24.845 --> 00:01:26.705
které můžete využít z AutoML,

00:01:26.705 --> 00:01:29.315
jako je experimentální
časem hodin,

00:01:29.315 --> 00:01:33.425
trénovací data, sloupec popisku
jméno, cíl počítače,

00:01:33.425 --> 00:01:36.290
počet křížových validací,

00:01:36.290 --> 00:01:38.719
můžete také povolit včasné zastavení.

00:01:38.719 --> 00:01:41.480
Je-li včasné zastavení je na školení bude

00:01:41.480 --> 00:01:45.094
zastavit, když primární metrika
se již nezlepšuje.

00:01:45.094 --> 00:01:48.960
Pak můžete vybrat
název sloupce času,

00:01:48.960 --> 00:01:51.830
toto je časová řada
scénář předpovídání,

00:01:51.830 --> 00:01:55.400
takže budete muset vybrat
název sloupce času,

00:01:55.400 --> 00:01:58.315
maximální horizont, země nebo region,

00:01:58.315 --> 00:02:00.440
cíle zaostávají a konečně,

00:02:00.440 --> 00:02:02.500
můžete také přetáhnout názvy sloupců,

00:02:02.500 --> 00:02:05.210
jedná se o sloupce, které
nechcete

00:02:05.210 --> 00:02:09.300
zahrnout do těchto konkrétních spuštění AutoML.