Viskas, ką reikia žinoti apie „Azure“ mašininio mokymosi paslaugą

Šis straipsnis supažindins su „Azure Machine“ paslauga, kurią siūlo „Azure Cloud“, taip pat supažindinsite su skirtingais to paties komponentais ir funkcijomis.

Šis straipsnis supažindins jus su šmaikštumu įgyvendinant „Azure Machine Learning“ paslaugos praktika. Tolimesni patarimai bus aptarti šiame straipsnyje,

Pradėkime nuo šio „Azure Machine Learning“ straipsnio,



„Azure Machine Learning“

Debesų atsiradimas žymėjo naują skaičiavimo infrastruktūros pradžią. Iš esmės tai reiškė, kad galima naudoti išteklius, kuriuos būtų buvę nepaprastai brangu nusipirkti ir kitaip naudoti internete. Mašinų mokymuisi, ypač giluminiam mokymuisi, reikia naudoti kompiuterines architektūras, leidžiančias naudoti ypač didelį RAM kiekį ir VRAM („Cuda“ branduoliams). Abi šias prekes sunku įsigyti dėl dviejų pagrindinių priežasčių -

styginių pastovus baseinas java
  1. Vieno dydžio nešiojamieji kompiuteriai gali būti supakuoti tik į ribotą išteklių kiekį turimame kadre. Tai reiškia, kad įprastas nešiojamojo kompiuterio vartotojas negali turėti pakankamai išteklių, kad galėtų atlikti mašininio mokymosi užduotis vietoje

  2. Operatyviosios atminties ir ypač VRAM įsigijimas yra nepaprastai brangus ir atrodo, kad tai yra itin didelė investicija. Kartu su tvirta RAM ir VRAM, mums taip pat reikia palaikyti aukštos kokybės procesorius (kitaip procesorius pasirodys kaip sistemos kliūtis), tai dar labiau padidina bendrą kainą.

Toliau naudodamiesi „Azure Machine Learning“ straipsniu,

„Azure“ mašininio mokymosi paslauga

Atsižvelgdami į pirmiau nurodytas problemas, mes galime lengvai suprasti išteklių, kurie yra vienkartiniai nuotoliniu būdu per internetą ir 24 * 7 prieigą, poreikį.

„Azure ML“ logotipas - „Azure Machine Learning“ - „Edureka“

„Azure ML“ yra debesyje pagrįsta paslauga, teikianti supaprastintą patirtį visų lygių duomenų mokslininkams. Tai ypač svarbu dėl to, kad į šią erdvę bando patekti daugybė naujų inžinierių, o šias užduotis atlikti be intuityvios vartotojo sąsajos gali būti ypač baugu.

(Šaltinis: Microsoft.com)

„Azure ML“ lydi ML studija, kuri iš esmės yra naršyklės įrankis, kuris duomenų mokslininkui suteikia lengvai naudojamą „drag and drop“ sąsają kuriant šiuos modelius.

Dauguma daugiausiai naudojamų algoritmų ir bibliotekų išleidžiami vartotojams. Jis taip pat gali pasigirti integruotu „R“ ir „Python“ palaikymu, leidžiančiu duomenų veteranams keisti ir pritaikyti savo modelį ir jo architektūrą pagal savo skonį.

Sukūrus ir paruošus modelį, jį galima lengvai naudoti kaip interneto paslaugą, kurią gali iškviesti gausybė programavimo kalbų, iš esmės padarydama ją prieinamą programai, kuri iš tikrųjų susiduria su galutiniu vartotoju.

Mašinų mokymosi studija mašininį mokymąsi daro gana nesudėtingą, nes sukuria „vilkite ir upu“ būdą, kuriuo kuriate darbo eigą. Naudodami „ML Studio“ ir daugybę modulių, kuriuos ji siūlo darbo eigai modeliuoti, galima kurti pažangius modelius nerašant jokio kodo.

Mašininis mokymasis prasideda nuo duomenų, kurie gali būti įvairios kilmės. Duomenis paprastai reikia „išvalyti“ prieš juos naudojant, o „ML Studio“ turi modulius, kurie padės valyti. Kai duomenys bus paruošti, galima pasirinkti algoritmą ir „išmokyti“ modelį virš duomenų ir rasti juose modelius. Po to ateina balai ir modelio įvertinimas, kurie parodo, kaip gerai modelis gali numatyti rezultatus. Visa tai vizualiai pristatoma „ML Studio“. Kai modelis bus paruoštas, keli mygtukų paspaudimai įdiegs jį kaip žiniatinklio paslaugą, kad jį būtų galima iškviesti iš kliento programų.

„ML Studio“ suteikia iš anksto įrašytą dvidešimt penkių standartinių algoritmų, naudojamų mašininiame mokyme, diegimą. Jis atskiria juos į keturias dalis.

  • Anomalijų aptikimas yra dalykų, įvykių ar stebėjimų, kurie neatitinka įprasto modelio ar kitų duomenų rinkinio elementų, klasifikavimo metodas.
  • Regresijos algoritmai bando atrasti ir kiekybiškai įvertinti ryšius tarp kintamųjų. Nustačius ryšį tarp priklausomo kintamojo ir vieno ar daugiau nepriklausomų kintamųjų, regresijos analizė gali suteikti galimybę apskaičiuoti priklausomo kintamojo vertę, atsižvelgiant į įvesties rinkinį kiekybiškai tiksliai.
  • Klasifikavimo algoritmų tikslas yra nustatyti klasę, kuriai priklauso stebėjimas, remiantis mokymo duomenimis, susidedančiais iš stebėjimų, kurie jau priskirti kategorijai.
  • Grupavimu siekiama sukrauti daugybę objektų taip, kad tos pačios grupės objektai (vadinami klasteriais) būtų panašesni vienas į kitą nei į kitų grupių (grupių) objektus.

Pratęsus kaip žiniatinklio paslaugą, modelį galima naudoti su paprastais REST skambučiais per HTTP. Tai leidžia kūrėjams kurti programas, kurios pasisemia intelekto iš mašininio mokymosi.

Šiame „Azure Machine Learning“ straipsnyje pateikiama informacija apie žydrą spalvą ir jos funkcijas

Toliau naudodamiesi „Azure Machine Learning“ straipsniu,

kaip įdiegti php

„Machine Learning Cloud Service“

Debesijos paslaugos iš esmės leidžia galutiniam vartotojui išnuomoti arba naudotis kitos įmonės įdiegtomis paslaugomis (techninės įrangos) nuotoliniu būdu internetu.

„Azure Machine Learning“ paslauga teikia programinės įrangos kūrimo rinkinius ir paslaugas, kad būtų galima greitai paruošti duomenis, mokyti ir diegti pasirinktinius ML modelius.„Box box“ palaiko atvirojo kodo „Python“ sistemas, tokias kaip „PyTorch“, „TensorFlow“ ir „scikit-learn“.Reikėtų apsvarstyti galimybę tai naudoti, jei jiems reikia sukurti pasirinktinius modelius arba dirbti su giluminio mokymosi modeliais

Tačiau, jei esate linkęs nedirbti „Python“ arba norite paprastesnės paslaugos, nenaudokite to.

Šioms paslaugoms reikia daug duomenų apie mokslą ir žinių, o naujokams jos nerekomenduojamos. Mokėkite tik už išteklius mokyti modelius. Keletas kainų pakopų diegiant per „Azure Kubernetes“ tarnybą.

Toliau naudodamiesi „Azure Machine Learning“ straipsniu,

Grafinė sąsaja

Grafinės sąsajos nėra kodas arba mažo kodo platforma, pagrįsta būdais, kaip pasiekti tokias galimybes kaip ML. Kai kurie iš jų gali būti išskleidžiamieji sąrašai, šiuo atveju tai yra „nuvilkimo“ įrankis.

„Azure Machine Learning Studio“ yra „drag-and-drop“ mašininio mokymosi įrankis, leidžiantis kurti, mokyti ir pritaikyti mašininio mokymosi modelius, įkeliant pasirinktinį duomenų rinkinį į rezultatų vertinimą grafinėje sąsajoje. Išmokę modelį, galite jį įdiegti kaip žiniatinklio paslaugą tiesiai iš „Studio“.

Ši funkcija paprastai naudojama, kai rašomas kodas turi būti mažas arba pagrindinis darbas yra susijęs su pagrindinėmis problemomis, tokiomis kaip klasifikavimas, regresija ir grupavimas

Šis požiūris paprastai yra draugiškas pradedantiesiems, tačiau tam reikia tam tikrų žinių apie duomenų mokslą.

Nors tai yra nemokama galimybė, standartinė pakopa kainuoja 9,99 USD už vietą, mėnesį ir 1 USD už eksperimento valandą.

Mašininio mokymosi API

Taikomųjų programų sąsaja (API) yra paslauga, kurią gali suteikti organizacija, galinti siųsti atsakymus į tam tikras užklausas, o tuos atsakymus galima naudoti patobulinant savo programą.

virėjas vs ansible vs lėlė

Tai leidžia mums lanksčiai naudotis įvairiomis paslaugomis, tiesiogiai neužsukant pagrindinės programos.

„Microsoft“ API paslaugos vadinamos pažintinėmis paslaugomis. Jas galima įdiegti tiesiai į „Azure“. Yra penkios galimų paslaugų klasės, įskaitant regėjimą, kalbą, kalbą, paiešką ir sprendimus. Tai yra iš anksto paruošti modeliai, tinkantys kūrėjams, kurie entuziastingai naudojasi mašininiu mokymusi, tačiau neturi duomenų mokslo pagrindo.

Tačiau šioms paslaugoms trūksta pritaikymo, todėl jos nerekomenduojamos tais atvejais, kai daug dalykų yra gerai apibrėžti, reikalavimai nėra lankstūs.

Toliau naudodamiesi „Azure Machine Learning“ straipsniu,

ML.NET

Karkasai yra bendras metodas, ant kurio galima sukurti savo programą. Karkasai leidžia prižiūrėti žemesnio lygio funkcionalumą, kad tereikėtų rūpintis tik jų taikymo logika.

ML.NET turi klasifikavimo, regresijos, anomalijų aptikimo ir rekomendacijų mokymo algoritmus ir gali būti išplėstas naudojant „Tensorflow“ ir ONNX neuroniniams tinklams.

Tai gali būti labai naudinga .NET kūrėjui, kuriam patogu kurti savo ML vamzdynus.Tačiau mokymosi kreivė reiškia, kad bendrieji pitono kūrėjai turėtų likti nuošalyje.

Toliau naudodamiesi „Azure Machine Learning“ straipsniu,

„AutoML“

Automatinis mašininis mokymasis pastaruoju metu sulaukia daug dėmesio ir yra programinė įranga, automatiškai parenkanti ir mokanti mašininio mokymosi modelius. Nors lengva pagalvoti, kad tai gali techniškai pakeisti duomenų mokslininko darbą, kažkas, kuris iš tikrųjų juo naudojosi, aiškiai žino, tačiau tai, ką jis gali ir ko negali daryti, yra ribotas.

Dabartinis meta (be „AutoML“) duomenų mokslininkams pirmiausia turėtų sukurti pagrindinį modelį ir tada pakartoti įvairias hiper parametrų galimybes rankiniu būdu, kol jie pasieks verčių rinkinį, kuris duoda geriausius rezultatus. Kaip galima lengvai atspėti, tai yra labai daug laiko reikalaujanti strategija, pagrįsta „pataikyk ir praleisk“. Be to, paieškos erdvė eksponentiškai didėja, nes padidėja hiperparametrų skaičius, todėl beveik neįmanoma visiškai pakartoti ir optimizuoti naujesnių, gilių neuroninių tinklų architektūrų.

Šiuo metu „Microsoft AutoML“ gali automatiškai sukurti ML modelių rinkinį, protingai pasirinkti modelius treniruotėms, tada rekomenduoti jums geriausią, atsižvelgdamas į ML problemą ir duomenų tipą. Trumpai tariant, jis parenka tinkamą algoritmą ir padeda sureguliuoti hiperparametrus. Šiuo metu jis palaiko tik klasifikavimo, prognozavimo ir regresijos problemas.

„AutoML“ naudojamas kartu su „Azure Machine Learning Service“ arba ML.NET ir jūs mokate už visas su jais susijusias išlaidas.

Taigi tai priveda prie šio straipsnio pabaigos. Tikiuosi, kad jums patiko šis straipsnis. Jei tai skaitote, leiskite man jus pasveikinti. Kadangi nebesate naujokas Azure! Kuo daugiau praktikuositės, tuo daugiau sužinosite. Kad jūsų kelionė būtų lengva, mes tai sugalvojome „Azure“ pamoka Tinklaraščių serija kuris bus dažnai atnaujinamas, todėl sekite naujienas!

Mes taip pat parengėme mokymo programą, kurioje tiksliai nurodoma, ko jums reikia norint įveikti „Azure“ egzaminus! Galite pažvelgti į išsamią kursų informaciją . Laimingo mokymosi!

Turite mums klausimą? Prašau tai paminėti šio straipsnio komentarų skyriuje ir mes su jumis susisieksime.