WEBVTT

00:00:02.810 --> 00:00:07.075
Herkese merhaba. Nwo
Bakalım nasıl.

00:00:07.075 --> 00:00:11.345
otomatik bir makine oluşturmak
öğrenme yapılandırma nesnesi.

00:00:11.345 --> 00:00:16.150
AutoMLConfig sınıfı temsil eder
için bir yapılandırma

00:00:16.150 --> 00:00:17.920
otomatik bir gönderme
makine öğrenimi

00:00:17.920 --> 00:00:20.665
Azure Machine Learning'de denemeler.

00:00:20.665 --> 00:00:24.460
Bu bir yapılandırma nesnesi
bu içerir ve gelirleri

00:00:24.460 --> 00:00:28.240
tanımlanması için parametreler
çalıştırmak için deney,

00:00:28.240 --> 00:00:30.370
yanı sıra eğitim verileri

00:00:30.370 --> 00:00:32.840
çalışma saatinde kullanılacak.

00:00:32.840 --> 00:00:34.995
Bu tablodan da görebileceğiniz gibi,

00:00:34.995 --> 00:00:37.630
burada ayarları tanımlayabilir ve

00:00:37.630 --> 00:00:41.140
olacak veriler
deneylerinizi yürütmek için kullanılır.

00:00:41.140 --> 00:00:42.760
Yani özellikleri açısından,

00:00:42.760 --> 00:00:44.650
Görevle başlayalım.

00:00:44.650 --> 00:00:47.030
Bu durumda, biz
tahmini seçilen

00:00:47.030 --> 00:00:49.520
çünkü bir zamandayız.
seri tahmin senaryosu.

00:00:49.520 --> 00:00:52.685
Ama aynı zamanda seçebilirsiniz
sınıflandırma veya regresyon

00:00:52.685 --> 00:00:56.420
belirli bağlı olarak
veri bilimi senaryosu.

00:00:56.420 --> 00:01:00.500
Sonra birden fazla birincil var
seçebileceğiniz ölçümler,

00:01:00.500 --> 00:01:03.615
bu metrik olduğunu
optimize etmek istediniz.

00:01:03.615 --> 00:01:05.610
Kara liste modeli açısından,

00:01:05.610 --> 00:01:07.380
bu yüzden birçok farklı modelleri vardır

00:01:07.380 --> 00:01:08.870
bu yüzden tabii ki muhtemelen

00:01:08.870 --> 00:01:10.610
Kaçmak istemiyorum çünkü biliyorsun.

00:01:10.610 --> 00:01:12.380
onlar çok değil

00:01:12.380 --> 00:01:14.660
belirli ile iyi
veri bilimi senaryosu,

00:01:14.660 --> 00:01:16.220
böylece kara listeye alabilirsiniz.

00:01:16.220 --> 00:01:21.290
böylece AutoML gitmiyor
herhangi bir çalışır için bunları kullanmak için.

00:01:21.290 --> 00:01:24.845
Ayrıca, vardır
diğer birçok özellik

00:01:24.845 --> 00:01:26.705
AutoML'den yararlanabileceğinizi,

00:01:26.705 --> 00:01:29.315
deneysel gibi
zaman ödeme saatleri,

00:01:29.315 --> 00:01:33.425
eğitim verileri, etiket sütunu
adı, bilgisayar hedefi,

00:01:33.425 --> 00:01:36.290
çapraz doğrulama sayısı,

00:01:36.290 --> 00:01:38.719
erken durmayı da etkinleştirebilirsiniz.

00:01:38.719 --> 00:01:41.480
Erken durdurma eğitim üzerinde ise olacak

00:01:41.480 --> 00:01:45.094
birincil metrik
artık iyileşiyor.

00:01:45.094 --> 00:01:48.960
Sonra seçebilirsiniz
zaman sütun adı,

00:01:48.960 --> 00:01:51.830
Bu bir zaman serisi
tahmin senaryosu,

00:01:51.830 --> 00:01:55.400
bu yüzden seçmek zorunda
zaman sütun adı,

00:01:55.400 --> 00:01:58.315
maksimum ufuk, ülke veya bölge,

00:01:58.315 --> 00:02:00.440
hedefler gecikmeler ve son olarak,

00:02:00.440 --> 00:02:02.500
sütun adlarını da bırakabilirsiniz,

00:02:02.500 --> 00:02:05.210
bu sütunlar vardır
bunu istemezsin.

00:02:05.210 --> 00:02:09.300
bu özel AutoML çalışmasına dahil edin.