WEBVTT

00:00:02.810 --> 00:00:07.075
>> Witam wszystkich. Nwo
zobaczmy, jak możemy

00:00:07.075 --> 00:00:11.345
tworzenie zautomatyzowanej maszyny
obiekt konfiguracji uczenia się.

00:00:11.345 --> 00:00:16.150
Reprezentuje klasę AutoMLConfig
konfiguracja dla

00:00:16.150 --> 00:00:17.920
składanie automatycznego
uczenie maszynowe

00:00:17.920 --> 00:00:20.665
eksperymentu w usłudze Azure Machine Learning.

00:00:20.665 --> 00:00:24.460
Jest to obiekt konfiguracyjny
który zawiera i postępuje, że

00:00:24.460 --> 00:00:28.240
parametry definiowania
eksperyment do uruchomienia,

00:00:28.240 --> 00:00:30.370
jak również dane szkoleniowe, które są

00:00:30.370 --> 00:00:32.840
będzie używany w czasie wykonywania.

00:00:32.840 --> 00:00:34.995
Jak widać z tej tabeli,

00:00:34.995 --> 00:00:37.630
w tym miejscu można zdefiniować ustawienia i

00:00:37.630 --> 00:00:41.140
danych, które zostaną
używane do uruchamiania eksperymentów.

00:00:41.140 --> 00:00:42.760
Tak więc pod względem właściwości,

00:00:42.760 --> 00:00:44.650
zacznijmy od zadania.

00:00:44.650 --> 00:00:47.030
W takim przypadku
wybrano prognozowanie

00:00:47.030 --> 00:00:49.520
ponieważ jesteśmy w czasie
scenariusz prognozowania serii.

00:00:49.520 --> 00:00:52.685
Można również wybrać
klasyfikacji lub regresji

00:00:52.685 --> 00:00:56.420
w zależności od konkretnego
scenariusz nauki o danych.

00:00:56.420 --> 00:01:00.500
Następnie masz wiele podstawowych
metryki, które można wybrać,

00:01:00.500 --> 00:01:03.615
jest to metryka, która
chcesz zoptymalizować.

00:01:03.615 --> 00:01:05.610
Jeśli chodzi o model czarnej listy,

00:01:05.610 --> 00:01:07.380
tak istnieje wiele różnych modeli,

00:01:07.380 --> 00:01:08.870
tak, że oczywiście prawdopodobnie

00:01:08.870 --> 00:01:10.610
nie chcesz biegać, bo wiesz,

00:01:10.610 --> 00:01:12.380
że nie są one bardzo

00:01:12.380 --> 00:01:14.660
dobre z konkretnymi
scenariusz nauki o danych,

00:01:14.660 --> 00:01:16.220
więc można je czarnej listy,

00:01:16.220 --> 00:01:21.290
tak, aby automl nie
, aby użyć ich do dowolnych przebiegów.

00:01:21.290 --> 00:01:24.845
Ponadto istnieją
wiele innych właściwości

00:01:24.845 --> 00:01:26.705
które można wykorzystać z AutoML,

00:01:26.705 --> 00:01:29.315
takich jak eksperymentalne
godziny limitu czasu,

00:01:29.315 --> 00:01:33.425
dane szkoleniowe, kolumna etykiety
nazwa, cel komputera,

00:01:33.425 --> 00:01:36.290
liczbę walidacji krzyżowych,

00:01:36.290 --> 00:01:38.719
można również włączyć wczesne zatrzymywanie.

00:01:38.719 --> 00:01:41.480
Jeśli wczesne zatrzymanie odbywa się na szkoleniu,

00:01:41.480 --> 00:01:45.094
zatrzymać, gdy podstawowa metryka
nie jest już coraz lepsza.

00:01:45.094 --> 00:01:48.960
Następnie można wybrać
nazwę kolumny czasu,

00:01:48.960 --> 00:01:51.830
jest to seria czasowa
scenariusz prognozowania,

00:01:51.830 --> 00:01:55.400
więc musisz wybrać
nazwę kolumny czasu,

00:01:55.400 --> 00:01:58.315
maksymalny horyzont, kraj lub region,

00:01:58.315 --> 00:02:00.440
cele opóźniają się i wreszcie,

00:02:00.440 --> 00:02:02.500
można również upuścić nazwy kolumn,

00:02:02.500 --> 00:02:05.210
są to kolumny, które
nie chcesz

00:02:05.210 --> 00:02:09.300
w tych określonych automl uruchomić.