Microsoft gibt die Verfügbarkeit der Linux Data Science Virtual Machine auf dem Azure-Marktplatz bekannt
2 Minute. lesen
Veröffentlicht am
Teile diesen Artikel
Verbessern Sie diesen Leitfaden
Lesen Sie unsere Offenlegungsseite, um herauszufinden, wie Sie MSPoweruser dabei helfen können, das Redaktionsteam zu unterstützen Lesen Sie weiter
Die Microsoft Data Science Virtual Machine ist ein Azure Virtual Machine (VM)-Image, das mit mehreren beliebten Tools vorinstalliert und konfiguriert ist, die häufig für Datenanalysen und maschinelles Lernen verwendet werden. Einige der enthaltenen Tools sind Microsoft R Server Developer Edition, Anaconda Python-Distribution, Azure SDK und mehr. Microsoft gab heute die Verfügbarkeit der Linux Data Science Virtual Machine auf dem Azure-Marktplatz bekannt. Dieses benutzerdefinierte VM-Image, das auf der OpenLogic CentOS-basierten Linux-Version 7.2 erstellt wurde. Unten finden Sie die Liste der Tools, die auf der Linux Data Science Virtual Machine vorinstalliert und vorkonfiguriert sind.
- Microsoft R öffnen (mit Intel Math Kernel Library).
- Anaconda Python Distribution mit Python 2.7 und 3.5.
- Jupyter Notebooks mit Python und R-Kernel für browserbasierte Datenexploration und -entwicklung.
- Azure-Tools: Azure Command Line Interface zum Verwalten von Azure-Ressourcen, Azure Storage-Explorer zum Arbeiten mit Azure Blobs.
- Eine lokale Postgres-Datenbankinstanz.
- Tools für maschinelles Lernen:
- Azure ML: Produzieren Sie R- und Python-Modelle, die lokal auf der VM erstellt wurden, für unseren cloudbasierten Azure ML-Dienst über vorinstallierte Bibliotheken.
- Computational Network Toolkit (CNTK): Eine Deep-Learning-Software von Microsoft Research.
- Gelübde Wabbit: Ein ML-System, das Techniken wie Online, Hashing, AllReduce, Reductions, Learning2Search, aktives und interaktives Lernen unterstützt.
- XGBoost: Ein Tool, das eine schnelle und genaue Implementierung von Boosted Trees ermöglicht.
- Rassel (The R Analytical Tool To Learn Easy): Ein GUI-Tool, das den Einstieg in die Datenanalyse in R sehr einfach macht, mit grafischer Datenexploration, ML-Modellen und R-Codegenerierung.
- Entwicklungstools: Azure SDK in Java, Python, Node.js, Ruby, PHP; Eclipse-IDE mit Azure Toolkit-Plugin; Code-Editoren wie vim, gedit und Emacs (mit ESS-, auctex-Add-Ons); SQL Server-Treiber und Befehlszeilentools wie bcp (Bulk Copy), sqlcmd (textbasiertes SQL Server-Abfragedienstprogramm); SQuirreL SQL-Grafikclient für den Zugriff auf verschiedene Datenbanken.
- Fernzugriff auf Textschnittstelle über einen SSH-Client (wie PuTTY oder ssh-Befehl) oder auf einem grafischen Desktop (erfordert eine separate einmalige Installation von X2Go auf Ihrem Client-Computer).
Lesen Sie mehr dazu hier.
