| 品牌：Microsoft/微软 | 型号：SQL Server | 上市时间：2018 |
| 软件类型：应用软件 | 充值卡类型：其他 | 支持用户数：5用户、 其他 |
| 运行环境：windows 2008、 WIN 7 | 发票：提供发票 | 售后服务：全国联保 |
| 包装清单：正版光盘，正版激活码 |
SQL server 数据中心版本 EMB授权
本文介绍了如何使用嵌入的 R 和 Python 脚本与两个重要的 SQL Server 功能配合使用的 SQL Server 机器学习服务的语言和数据科学功能：SQL Server Integration Services (SSIS) 和 SQL Server Reporting Services SSRS。 SQL Server 中的 R 和 Python 库提供的统计和预测函数。 SSIS 和 SSRS 分别提供协调 ETL 转换和可视化效果。 本文介绍了如何将所有这些功能一起放在此模式下工作流：
创建包含可执行的 R 或 Python 的存储的过程
从 SSIS 或 SSRS 执行存储的过程
这篇文章中的示例是主要是关于 R 和 SSIS，但概念和步骤同样适用于 Python。 ***个部分提供 SSRS 可视化效果的指导和链接。
使用 SSIS 实现自动化
数据科学工作流具有高迭代性，并涉及许多数据转换操作，包括缩放、聚合、概率的计算，以及属性的重命名和合并。 数据科学家习惯于使用 R、Python 或其他语言执行其中许多任务，但对企业数据执行此类工作流时需要与 ETL 工具和过程无缝集成。
因为R Services（数据库内），可在 R 中通过 TRANSACT-SQL 和存储的过程运行复杂的操作可以将数据科学任务与现有的 ETL 过程集成。 而是执行占用大量内存的任务链，数据准备可以优化使用效的工具，包括Integration Services和Transact-SQL。
以下是有关如何自动执行数据处理的一些观点和使用建模管道Integration Services:
提取数据从本地或云源来生成训练数据
生成并运行 R 或 Python 模型作为数据集成工作流的一部分
（已计划） 定期重新定型
从 R 或 Python 脚本的结果加载到 Excel、 Power BI、 Oracle 和 Teradata，仅举几例等其他目标
使用 SSIS 任务在 SQL 数据库中创建数据功能
使用条件分支切换 R 和 Python 的作业的计算上下文
