Azure Machine Learning，简称 AML，这玩意在国内好像用得还不多，在国外已经有许多公司在使用这项技术了。这个是大趋势，未来数据科学家的工作早晚都得上云。
那么我们先简单地来聊聊这玩意到底是个啥。Azure Machine Learning是一个平台，能够让你来跑机器学习的模型，完成从数据处理、模型构建、模型评估等的各个步骤。你可以在Azure Machine Learning Studio里面可以通过拖拖拽拽的方式，把模型训练的流程搭建好。然后吧，你感觉你的模型搞得差不多了，它还可以帮你自动开发一个Web服务，直接给开发人员提供接口，一条龙服务。
举个例子，你在 Azure ML Studio 里搭了个线性回归，从数据处理到建模的环节都可以在里面完成。
设置好流程之后，跑一下看看结果。
看着挺满意的，那就没啥好说的了，直接可以将它作为 Web 服务发布，开发者可以通过接口来对新的数据进行回归预测。
那么你可能会说，如果我需要的步骤里面没提供怎么办？虽然说Azure ML 提供了许多现成的步骤，但是总归无法覆盖所有的情况，因此在Azure ML中，你可以通过写Python脚本来创建自定义步骤，并且在流程中使用自己定义的步骤。同时，这个流程除了可以通过手动拖拽来搭建以外，还可以直接通过Python代码来搭建。惊不惊喜，意不意外？具体内容翻翻Azure ML Python SDK的文档资料就好。
Azure ML的实验可以在本地跑，也可以在云端跑。如果在云端跑的话，你可以选择使用计算实例（Compute Instance）或者计算集群（Compute Cluster）。集群的好处是可以一个小组的人在一个共用一个集群，如果你把最少维持的结点数设置为0的话，那么没人用它的时候，它不会烧你的钱。计算实例就比较尴尬了，总会碰到有人忘了关，一直在扣费。如果要跑深度学习的，机器配置得好一点，搞块GPU。
这玩意要说有什么缺点，那就是资料太少，除了官方文档以外基本没啥资料。碰到问题还是得自己想办法倒腾。