Tämä artikkeli tutustuttaa sinut toteutuksen hölynpölyyn käytäntöjä Azure Machine Learning -palvelussa. Seuraavat vihjeet käsitellään tässä artikkelissa,
- Azure-koneoppiminen
- Azure-koneoppimispalvelu
- Koneoppimisen pilvipalvelu
- Graafinen käyttöliittymä
- Machine Learning -sovellusliittymä
- ML.NET
- AutoML
Joten aloitetaan tämän Azure Machine Learning -artikkelin kanssa,
Azure-koneoppiminen
Pilvien tulo merkitsi uutta alkua tietotekniikan infrastruktuurille. Se tarkoitti pohjimmiltaan sitä, että voidaan käyttää resursseja, jotka olisi ollut erittäin kallista ostaa muuten Internetin kautta. Koneoppiminen, erityisesti syväoppiminen, edellyttää tietokonearkkitehtuurien käyttöä, jotka mahdollistavat erittäin suuren määrän RAM-muistia ja VRAM-muistia (Cuda-ytimille). Molempia hyödykkeitä on vaikea hankkia kahdesta syystä -
Yhden kannettavat tietokoneet voivat pakata vain rajoitetun määrän resursseja kehykseen, joka heillä on. Tämä tarkoittaa, että tyypillisellä kannettavan tietokoneen käyttäjällä ei voi olla käytettävissään tarpeeksi resursseja suorittaa koneoppimistoimintoja paikallisesti koneella
RAM-muistin ja erityisesti VRAM-muistin ostaminen on erittäin kallista, ja ne näyttävät olevan erittäin suuri sijoitus. Vankan RAM-muistin ja VRAM-muistin lisäksi tarvitsemme myös korkealaatuisten suorittimien tukemisen (muuten suorittimet osoittautuisivat pullonkaulaksi järjestelmälle), mikä nostaa kokonaishintaa entisestään.
Siirtyminen Azure Machine Learning -artikkeliin,
tulosta_r merkkijonoon
Azure-koneoppimispalvelu
Edellä mainitut seikat huomioon ottaen voimme helposti ymmärtää resurssien tarpeen, jotka ovat käytettävissä etäyhteyden kautta Internetissä 24 * 7 -yhteydellä.
Azure ML on pilvipohjainen palvelu, joka tarjoaa virtaviivaisen kokemuksen datatieteilijöille kaikilla tasoilla. Tämä on erityisen tärkeää, koska monet uudet insinöörit yrittävät päästä tähän tilaan, ja näiden tehtävien suorittaminen ilman intuitiivista käyttöliittymää voi olla erityisen pelottavaa.
(Lähde: Microsoft.com)
Azure ML: n mukana tulee ML-studio, joka on pohjimmiltaan selainpohjainen työkalu, joka antaa datatieteilijälle helppokäyttöisen vedä ja pudota -käyttöliittymän näiden mallien rakentamiseen.
Suurin osa voimakkaasti käytetyistä algoritmeista ja kirjastoista tulee käyttäjien laatikosta. Se tarjoaa myös sisäänrakennetun tuen R: lle ja Pythonille, jolloin veteraanitietotutkijat voivat muuttaa ja mukauttaa mallia ja sen arkkitehtuuria mieltymystensä mukaan.
Kun malli on rakennettu ja se on valmis, sitä voidaan helposti käyttää verkkopalveluna, johon lukemattomat ohjelmointikielet voidaan kutsua, mikä tekee olennaisesti sen saataville sovellukselle, joka todellakin on loppukäyttäjän edessä.
Machine Learning Studio tekee koneoppimisesta melko suoraviivaisen tarjoamalla vetämällä ja pudottamalla -työnkulun. ML Studion ja suuren määrän moduuleja, joita se tarjoaa työnkulun mallintamiseen, voidaan tehdä kehittyneempiä malleja kirjoittamatta koodia.
Koneoppiminen alkaa tiedoista, jotka voivat olla peräisin eri alkuperistä. Tiedot on yleensä puhdistettava ennen käyttöä. ML Studio sisältää moduulit puhdistamisen helpottamiseksi. Kun tiedot ovat valmiita, voidaan valita algoritmi ja “kouluttaa” malli tietojen päälle ja löytää niistä malleja. Sen jälkeen tulee mallin pisteytys ja arviointi, mikä kertoo kuinka hyvin malli pystyy ennustamaan tuloksia. Kaikki tämä toimitetaan visuaalisesti ML Studiossa. Kun malli on valmis, muutama painikkeen napsautus käyttää sitä verkkopalveluna, jotta siihen voidaan soittaa asiakassovelluksista.
ML Studio tarjoaa ennalta tallennetut toteutukset 25 koneen oppimisessa käytetystä vakioalgoritmista. Se jakaa ne neljään osaan.
- Poikkeavuuksien havaitseminen on menetelmä sellaisten asioiden, tapahtumien tai havaintojen luokittelemiseksi, jotka eivät sovi tavanomaiseen kuvioon tai muihin tietojoukon kohteisiin.
- Regressioalgoritmit yrittävät löytää ja kvantifioida muuttujien välisiä suhteita. Luomalla suhde riippuvan muuttujan ja yhden tai useamman itsenäisen muuttujan välille, regressioanalyysi voi mahdollistaa ennustettavan riippuvan muuttujan arvon annettaessa syötesarja kvantitatiivisesti tarkasti.
- Luokittelualgoritmien tavoitteena on tunnistaa luokka, johon tarkkailu kuuluu, luokkiin jo osoitettujen havaintojen perusteella.
- Klusterointi pyrkii kasaamaan joukon objekteja tavalla, jolla saman ryhmän objektit (kutsutaan klusteriksi) ovat enemmän samanlaisia kuin toisten ryhmien (klusterit).
Kun mallia on laajennettu verkkopalveluna, sitä voidaan käyttää yksinkertaisten REST-puheluiden kanssa HTTP: n kautta. Tämä antaa kehittäjille mahdollisuuden rakentaa sovelluksia, jotka hakevat älykkyytensä koneoppimisesta.
Tässä Azure Machine Learning -artikkelissa on nopea selvitys taivaansinestä ja sen ominaisuuksista
Siirtyminen Azure Machine Learning -artikkeliin,
sql-tietotyyppi päivämäärälle
Koneoppimisen pilvipalvelu
Pilvipalvelut antavat loppukäyttäjälle lähinnä mahdollisuuden vuokrata tai käyttää toisen yrityksen käyttöön ottamia palveluja (laitteistokoneita) etänä Internetin kautta.
Azure Machine Learning -palvelu tarjoaa ohjelmistokehityspaketteja ja -palveluita tietojen nopeaan valmisteluun, kouluttamiseen ja mukautettujen ML-mallien käyttöönottoon.Avoimen lähdekoodin Python-kehyksiä, kuten PyTorch, TensorFlow ja scikit-learn, tuetaan heti pakkauksesta.On syytä harkita tämän käyttöä, jos heidän on rakennettava mukautettuja malleja tai työskenneltävä syvällisten oppimismallien kanssa
Älä kuitenkaan käytä tätä, jos et halua työskennellä Pythonissa tai haluat yksinkertaisemman palvelun.
Nämä palvelut edellyttävät paljon tietojenkäsittelytietoa ja taustatietoja, eikä niitä suositella aloittelijoille. Maksa vain resursseista mallien kouluttamiseksi. Useita hinnoittelutasoja käyttöönottamiseksi Azure Kubernetes -palvelun kautta.
Siirtyminen Azure Machine Learning -artikkeliin,
Graafinen käyttöliittymä
Graafiset rajapinnat eivät ole koodia tai matalan koodin alustoja, jotka perustuvat tapoihin käyttää ominaisuuksia, kuten ML. Jotkut niistä voivat olla avattavia luetteloita, tässä tapauksessa se on vedä ja pudota -työkalu.
Azure Machine Learning Studio on vetämällä ja pudottamalla koneoppimisen työkalu, jonka avulla voit rakentaa, kouluttaa ja mukauttaa koneoppimismalleja lataamalla mukautetun tietojoukon tulosten arvioimiseksi graafisessa käyttöliittymässä. Kun olet harjoittanut mallia, voit ottaa sen käyttöön verkkopalveluna suoraan Studiosta.
Tätä toiminnallisuutta käytetään yleensä, kun kirjoitettavan koodin on oltava matala tai pääteos perustuu perustavanlaatuisiin ongelmiin, kuten luokittelu, regressio ja klusterointi
Tämä lähestymistapa on yleensä aloittelijaystävällinen, mutta se vaatii jonkin verran taustatietoa tietojenkäsittelystä.
Vaikka sillä on ilmainen vaihtoehto, tavallinen taso maksaa 9,99 dollaria paikkaa, kuukaudessa ja 1 dollaria kokeilutuntia kohti.
Machine Learning -sovellusliittymä
Application Program Interface (API) on palvelu, jonka voi tarjota organisaatio, joka voi lähettää vastauksia tiettyihin kyselyihin, ja näitä vastauksia voidaan käyttää sovelluksen parantamiseen.
java-tietorakenteet ja algoritmit
Tämä antaa meille mahdollisuuden joustavasti käyttää erilaisia palveluja tukkimatta suoraan ydinsovellustamme.
Microsoftin sovellusliittymäpalveluja kutsutaan kognitiivisiksi palveluiksi. Nämä voidaan ottaa käyttöön suoraan Azuressa. Saatavilla on viisi palveluluokkaa, mukaan lukien visio, kieli, puhe, haku ja päätös. Nämä ovat ennalta koulutettuja malleja, jotka sopivat kehittäjille, jotka ovat innokkaita käyttämään koneoppimista, mutta joilla ei ole tietojenkäsittelytaustaa.
Nämä palvelut eivät kuitenkaan riitä mukautusten suhteen, joten niitä ei suositella tapauksissa, joissa monet asiat ovat hyvin määriteltyjä, vaatimukset eivät ole joustavia.
Siirtyminen Azure Machine Learning -artikkeliin,
ML.NET
Kehykset ovat yleisiä ääriviivakoodeja, joiden päälle voidaan rakentaa oma sovellus. Kehykset sallivat alemman tason toiminnallisuuden huolehtimisen niin, että tarvitsee vain huolehtia niiden sovelluslogiikasta.
ML.NET: llä on luokittelu-, regressio-, poikkeavuuksien havaitsemis- ja suosituskoulutusalgoritmit, ja sitä voidaan laajentaa Tensorflow- ja ONNX-tekniikoilla hermoverkoille.
Tästä voi olla paljon hyötyä .NET-kehittäjälle, joka on mukava rakentaa omia ML-putkilinjojaan.Oppimiskäyrä tarkoittaa kuitenkin, että yleisten python-kehittäjien tulisi pysyä poissa.
Siirtyminen Azure Machine Learning -artikkeliin,
AutoML
Automaattinen koneoppiminen on herättänyt viime aikoina paljon huomiota, ja se on ohjelmisto, joka valitsee ja kouluttaa koneoppimismalleja automaattisesti. Vaikka on helppo ajatella, että se voi teknisesti korvata datatieteilijän työn, joku, joka on tosiasiallisesti käyttänyt sitä, tietää selvästi, mitä se voi ja mitä ei voi tehdä.
Datatieteilijöiden nykyinen meta (ilman AutoML: ää) olisi ensin luoda perusmalli ja toistaa sitten hyperparametrien erilaiset mahdollisuudet manuaalisesti, kunnes ne saapuvat parhaan tuloksen tuottavaan arvoon. Kuten voidaan helposti arvata, tämä on erittäin aikaa vievä ja osuma ja osuma -perusteinen strategia. Myös hakutila kasvaa eksponentiaalisesti hyperparametrien määrän kasvaessa, mikä tekee uudempien, syvien hermoverkkopohjaisten arkkitehtuurien melkein mahdottomaksi täysin toistaa ja optimoida.
Tällä hetkellä Microsoftin AutoML pystyy rakentamaan joukon ML-malleja automaattisesti, valitsemaan älykkäästi mallit harjoittelua varten ja suosittelemaan sitten parasta sinulle ML-ongelman ja tietotyypin perusteella. Lyhyesti sanottuna se valitsee oikean algoritmin ja auttaa virittämään hyperparametreja. Tällä hetkellä se tukee vain luokittelu-, ennustamis- ja regressio-ongelmia.
AutoML: ää käytetään Azure Machine Learning -palvelun tai ML.NET: n kanssa, ja maksat niihin liittyvistä kustannuksista.
Joten tämä vie meidät tämän artikkelin loppuun. Toivottavasti pidit tästä artikkelista. Jos luet tätä, haluan onnitella sinua. Koska et ole enää aloittelija Azuressa! Mitä enemmän harjoittelet, sitä enemmän opit. Jotta matkasi olisi helppoa, olemme keksineet tämän Azure-opetusohjelma Blogi-sarja jota päivitetään usein, joten pysy kuulolla!
Olemme myös keksineet opetussuunnitelman, joka kattaa juuri sen, mitä tarvitset Azure-kokeiden murtamiseen! Voit tutustua kurssin yksityiskohtiin . Hyvää oppimista!
Onko sinulla kysymys meille? Mainitse se tämän artikkelin kommenttiosassa ja palaamme sinuun.