Wszystko, co musisz wiedzieć o usłudze Azure Machine Learning

Ten artykuł wprowadzi Cię w podstawy implementacji praktyki dotyczące usługi Azure Machine Learning. Poniższe wskazówki zostaną omówione w tym artykule,

• Azure Machine Learning
• Usługa Azure Machine Learning
• Usługa Machine Learning Cloud
• Graficzny interfejs
• Machine Learning API
• ML.NET
• AutoML

Zacznijmy więc od tego artykułu Azure Machine Learning,

Azure Machine Learning

Pojawienie się chmury oznaczało nowy początek w infrastrukturze obliczeniowej. Zasadniczo oznaczało to, że można korzystać z zasobów, które w innym przypadku byłyby niezwykle drogie w celu wykorzystania przez Internet. Uczenie maszynowe, zwłaszcza głębokie uczenie się, wymaga zastosowania architektur komputerowych, które pozwalają na wykorzystanie niezwykle dużej ilości pamięci RAM oraz VRAM (dla rdzeni Cuda). Oba te towary są trudne do zdobycia z dwóch głównych powodów -

1. Laptopy dla jednej osoby mogą spakować tylko ograniczoną ilość zasobów w posiadanej ramie. Oznacza to, że typowy użytkownik laptopa nie może mieć do dyspozycji wystarczających zasobów, aby wykonywać zadania uczenia maszynowego lokalnie na komputerze

   
   
   

2. Pamięć RAM, a zwłaszcza VRAM, są niezwykle drogie w zakupie i wydają się niezwykle wysoką inwestycją. Oprócz solidnej pamięci RAM i VRAM potrzebujemy również obsługi procesorów wysokiej jakości (w przeciwnym razie procesor okazałby się wąskim gardłem dla systemu), co dodatkowo podnosi ogólną cenę.

Przechodząc do artykułu dotyczącego usługi Azure Machine Learning,

Usługa Azure Machine Learning

Biorąc pod uwagę powyższe kwestie, z łatwością możemy zrozumieć potrzebę posiadania zasobów, które są do dyspozycji zdalnie przez Internet z dostępem 24 * 7.

Azure ML to usługa oparta na chmurze, która zapewnia usprawnione środowisko analitykom danych na wszystkich poziomach. Jest to szczególnie ważne ze względu na fakt, że wielu nowych inżynierów próbuje wkroczyć w tę przestrzeń i wykonywanie tych zadań bez intuicyjnego interfejsu użytkownika może być szczególnie trudne.

(Źródło: Microsoft.com)

Azure ML towarzyszy studio ML, które zasadniczo jest narzędziem opartym na przeglądarce, które zapewnia analitykowi danych łatwy w użyciu interfejs typu „przeciągnij i upuść” do tworzenia tych modeli.

Większość często używanych algorytmów i bibliotek pojawia się po wyjęciu z pudełka dla użytkowników. Oferuje również wbudowaną obsługę języka R i Python, umożliwiając doświadczonym naukowcom zajmującym się danymi zmianę i dostosowywanie modelu i jego architektury zgodnie z własnymi upodobaniami.

Gdy model jest już zbudowany i gotowy, można go z łatwością wykorzystać jako usługę sieciową, którą można wywoływać w wielu językach programowania, zasadniczo udostępniając ją aplikacji, która faktycznie jest skierowana do użytkownika końcowego.

goto function c ++

Machine Learning Studio sprawia, że ​​uczenie maszynowe jest dość proste, zapewniając sposób tworzenia przepływu pracy metodą przeciągnij i upuść. Dzięki ML Studio i dużej liczbie modułów, które oferuje do modelowania przepływu pracy, można tworzyć zaawansowane modele bez pisania kodu.

Uczenie maszynowe zaczyna się od danych, które mogą pochodzić z różnych źródeł. Dane zazwyczaj wymagają „czyszczenia” przed ich użyciem, w przypadku których ML Studio zawiera moduły ułatwiające czyszczenie. Gdy dane są gotowe, można wybrać algorytm i „przeszkolić” model nad danymi i znaleźć w nich wzorce. Następnie następuje punktacja i ocena modelu, która mówi ci, jak dobrze model jest w stanie przewidzieć wyniki. Wszystko to jest dostarczane wizualnie w ML Studio. Gdy model jest gotowy, wystarczy kilka kliknięć przycisku, aby wdrożyć go jako usługę sieci Web, dzięki czemu można go wywołać z aplikacji klienckich.

ML Studio udostępnia nagrane wcześniej implementacje dwudziestu pięciu standardowych algorytmów używanych w uczeniu maszynowym. Dzieli je na cztery sekcje.

• Wykrywanie anomalii to metoda klasyfikacji rzeczy, zdarzeń lub obserwacji, które nie pasują do konwencjonalnego wzorca lub innych elementów w zbiorze danych.
• Algorytmy regresji próbują wykryć i określić ilościowo relacje między zmiennymi. Poprzez ustanowienie związku między zmienną zależną a jedną lub większą liczbą zmiennych niezależnych, analiza regresji może umożliwić prognozowanie wartości zmiennej zależnej, biorąc pod uwagę zestaw danych wejściowych z wymierną dokładnością.
• Celem algorytmów klasyfikacyjnych jest identyfikacja klasy, do której należy obserwacja, na podstawie danych uczących składających się z obserwacji, które zostały już przypisane do kategorii.
• Klastrowanie ma na celu zgromadzenie wielu obiektów w taki sposób, że obiekty z tej samej grupy (zwanej klastrem) są bardziej do siebie podobne niż do innych grup (klastrów).

Po rozszerzeniu jako usługa sieci Web model może być używany z uproszczonymi wywołaniami REST za pośrednictwem protokołu HTTP. Pozwala to programistom na tworzenie aplikacji, które pobierają informacje z uczenia maszynowego.

W tym artykule dotyczącym usługi Azure Machine Learning znajduje się krótkie podsumowanie dotyczące platformy Azure i jej funkcji

Przechodząc do artykułu dotyczącego usługi Azure Machine Learning,

typy operatorów w javascript

Usługa Machine Learning Cloud

Usługi w chmurze zasadniczo umożliwiają użytkownikowi końcowemu wypożyczanie lub korzystanie z usług (maszyn sprzętowych) wdrożonych przez inną firmę zdalnie przez Internet.

Usługa Azure Machine Learning zapewnia zestawy i usługi programistyczne do szybkiego przygotowywania danych, szkolenia i wdrażania niestandardowych modeli ML.Dostępne jest gotowe wsparcie dla frameworków Pythona typu open source, takich jak PyTorch, TensorFlow i scikit-learn.Należy rozważyć użycie tego, jeśli trzeba budować niestandardowe modele lub pracować z modelami głębokiego uczenia

Jeśli jednak nie chcesz pracować w Pythonie lub potrzebujesz prostszej usługi, nie używaj tego.

Ta usługa wymaga dużej wiedzy i doświadczenia w dziedzinie danych i nie jest zalecana dla początkujących. Płać tylko za zasoby do trenowania modeli. Kilka warstw cenowych do wdrażania za pośrednictwem usługi Azure Kubernetes Service.

Przechodząc do artykułu dotyczącego usługi Azure Machine Learning,

Graficzny interfejs

Interfejsy graficzne nie są platformą kodową ani niskokodową opartą na sposobach dostępu do funkcji, takich jak ML. Niektóre z nich mogą być listami rozwijanymi, w tym przypadku jest to narzędzie typu „przeciągnij i upuść”.

Azure Machine Learning Studio to narzędzie do uczenia maszynowego typu „przeciągnij i upuść”, które umożliwia tworzenie, trenowanie i dostosowywanie modeli uczenia maszynowego przez przesłanie niestandardowego zestawu danych do oceny wyników w interfejsie graficznym. Po przeszkoleniu modelu możesz wdrożyć go jako usługę sieciową bezpośrednio ze Studio.

Ta funkcja jest zwykle wykorzystywana, gdy kod do napisania musi być niski lub główna praca opiera się na podstawowych problemach, takich jak klasyfikacja, regresja i grupowanie

Takie podejście jest ogólnie przyjazne dla początkujących, jednak wymaga pewnej podstawowej wiedzy z zakresu nauki o danych.

Chociaż ma bezpłatną opcję, standardowy poziom kosztuje 9,99 USD za stanowisko miesięcznie i 1 USD za godzinę eksperymentowania.

Machine Learning API

Interfejs programu aplikacji (API) to usługa, którą może świadczyć organizacja, która może wysyłać odpowiedzi na określone zapytania, a odpowiedzi te mogą służyć do ulepszania aplikacji.

co robi tostring w java

Pozwala nam to na elastyczność w dostępie do różnych usług bez bezpośredniego blokowania naszej podstawowej aplikacji.

Usługi API firmy Microsoft nazywane są usługami poznawczymi. Można je wdrożyć bezpośrednio na platformie Azure. Dostępnych jest pięć klas usług, w tym wizja, język, mowa, wyszukiwanie i podejmowanie decyzji. Są to wstępnie wyszkolone modele, które są odpowiednie dla programistów, którzy są entuzjastycznie nastawieni do uczenia maszynowego, ale nie mają doświadczenia w nauce o danych.

Jednak te usługi nie spełniają wymagań, jeśli chodzi o dostosowywanie i dlatego nie są zalecane w przypadkach, gdy wiele rzeczy jest dobrze zdefiniowanych, wymagania nie są elastyczne.

Przechodząc do artykułu dotyczącego usługi Azure Machine Learning,

ML.NET

Frameworki to ogólny kod konspektu, na którym można zbudować własną aplikację. Struktury pozwalają zadbać o funkcjonalność niższego poziomu, tak że wystarczy zadbać o logikę aplikacji.

ML.NET ma algorytmy klasyfikacji, regresji, wykrywania anomalii i szkolenia rekomendacji i może być rozszerzony o Tensorflow i ONNX dla sieci neuronowych.

Może to być bardzo przydatne dla programisty .NET, który czuje się swobodnie w tworzeniu własnych potoków ML.Jednak krzywa uczenia się oznacza, że ​​ogólni programiści Pythona powinni trzymać się z daleka.

Przechodząc do artykułu dotyczącego usługi Azure Machine Learning,

AutoML

Zautomatyzowane uczenie maszynowe cieszy się ostatnio dużym zainteresowaniem i jest oprogramowaniem, które automatycznie wybiera i szkoli modele uczenia maszynowego. Chociaż łatwo jest pomyśleć, że może on technicznie zastąpić pracę naukowca zajmującego się danymi, ktoś, kto faktycznie z niego korzystał, wyraźnie wie, że istnieją ograniczenia co do tego, co może, a czego nie może zrobić.

Obecna meta (bez AutoML) dla naukowców zajmujących się danymi polega na tym, że najpierw utworzy model podstawowy, a następnie ręcznie iteruje różne możliwości hiperparametrów, aż dotrą one do zestawu wartości, które dają najlepsze wyniki. Jak łatwo się domyślić, jest to niezwykle czasochłonna strategia oparta na trafieniach i trafieniach. Ponadto przestrzeń wyszukiwania rośnie wykładniczo wraz ze wzrostem liczby hiperparametrów, co sprawia, że ​​nowsze, głębokie architektury oparte na sieciach neuronowych są prawie niemożliwe do całkowitej iteracji i optymalizacji.

Obecnie AutoML firmy Microsoft jest w stanie automatycznie zbudować zestaw modeli ML, inteligentnie wybrać modele do szkolenia, a następnie zalecić najlepszy dla Ciebie na podstawie problemu ML i typu danych. Krótko mówiąc, wybiera właściwy algorytm i pomaga dostroić hiperparametry. Obecnie obsługuje tylko problemy klasyfikacji, prognozowania i regresji.

AutoML jest używany z usługą Azure Machine Learning Service lub ML.NET, a użytkownik ponosi wszelkie koszty z tym związane.

To prowadzi nas do końca tego artykułu. Mam nadzieję, że podobał Ci się ten artykuł. Jeśli to czytasz, gratuluję. Ponieważ nie jesteś już nowicjuszem na platformie Azure! Im więcej ćwiczysz, tym więcej się nauczysz. Aby ułatwić Ci podróż, wymyśliliśmy to Samouczek dotyczący platformy Azure Seria blogów który będzie często aktualizowany, więc bądź na bieżąco!

Opracowaliśmy również program nauczania, który obejmuje dokładnie to, czego potrzebujesz, aby złamać Egzaminy Azure! Możesz rzucić okiem na szczegóły kursu . Przyjemnej nauki!

Masz do nas pytanie? Wspomnij o tym w sekcji komentarzy w tym artykule, a my skontaktujemy się z Tobą.