Sve što trebate znati o usluzi Azure Machine Learning

Ovaj članak upoznat će vas s glatkom primjenom prakse na usluzi Azure Machine Learning. U ovom će članku biti obrađeni sljedeći smjerovi,

• Azure strojno učenje
• Usluga strojnog učenja Azure
• Usluga u oblaku za strojno učenje
• Grafičko sučelje
• API za strojno učenje
• ML.NET
• AutoML

Pa krenimo s ovim člankom o Azure Machine Learningu,

Azure strojno učenje

Pojava oblaka označila je novi početak u računalnoj infrastrukturi. U osnovi je značilo da se mogu koristiti resursi koje bi inače bilo skupo kupiti za korištenje putem Interneta. Strojno učenje, posebno duboko učenje, zahtijeva upotrebu računalnih arhitektura koje omogućuju upotrebu izuzetno velike količine RAM-a i VRAM-a (za jezgre Cuda). Obje ove robe teško je nabaviti iz dva glavna razloga -

1. Prijenosna računala za jedan mogu spakirati samo ograničenu količinu resursa u okviru koji imaju. To znači da tipični korisnik prijenosnog računala ne može imati na raspolaganju dovoljno resursa za lokalno izvršavanje zadataka strojnog učenja na stroju

   
   
   

2. RAM i posebno VRAM izuzetno su skupi za kupnju i čini se da su izuzetno velika investicija. Zajedno s robusnim RAM-om i VRAM-om, također trebamo podržavati visokokvalitetne CPU-ove (inače bi se CPU pokazao kao usko grlo za sustav), što dodatno dovodi do još veće ukupne cijene.

Nastavljajući s člankom Azure o strojnom učenju,

Usluga strojnog učenja Azure

Uzimajući u obzir gore navedena pitanja, lako možemo shvatiti potrebu za resursima koji su dostupni na daljinu putem Interneta s pristupom 24 * 7.

Azure ML usluga je u oblaku koja pruža pojednostavljeno iskustvo za znanstvenike podataka na svim razinama. To je posebno važno zbog činjenice da puno novih inženjera pokušava ući u taj prostor, a posebno je zastrašujuće obavljati ove zadatke bez intuitivnog korisničkog sučelja.

(Izvor: Microsoft.com)

Azure ML prati ML studio, koji je u osnovi alat temeljen na pregledniku koji pruža znanstveniku podataka jednostavno sučelje za povlačenje i ispuštanje u svrhu izrade ovih modela.

klasa pohrane c ++

Većina često korištenih algoritama i knjižnica dolazi iz kutije za korisnike. Također se može pohvaliti ugrađenom podrškom za R i Python, dopuštajući znanstvenicima veteranima podataka da mijenjaju i prilagođavaju svoj model i njegovu arhitekturu prema njihovim željama.

Jednom kada je model izgrađen i spreman, može se lako koristiti kao web usluga koju može pozvati mnoštvo programskih jezika, u osnovi čineći ga dostupnim za aplikaciju koja je zapravo okrenuta krajnjem korisniku.

Studio za strojno učenje čini strojno učenje prilično jednostavnim pružajući povuci i ispusti način na koji gradite tijek rada. Pomoću ML Studio i velikog broja modula koje nudi za modeliranje tijeka posla mogu se napraviti napredni modeli bez pisanja bilo kakvog koda.

Strojno učenje započinje podacima koji mogu potjecati iz različitih podrijetla. Prije upotrebe podatke obično treba 'očistiti', za što ML Studio sadrži module koji pomažu u čišćenju. Jednom kada su podaci spremni, može se odabrati algoritam i model 'obučiti' preko podataka i pronaći uzorke u njemu. Nakon toga slijedi bodovanje i ocjenjivanje modela, što vam govori koliko je model sposoban predvidjeti ishode. Sve se to isporučuje vizualno u ML Studiju. Jednom kada je model spreman, nekoliko klikova na gumb postavlja ga kao web uslugu kako bi ga se moglo nazvati iz klijentskih aplikacija.

ML Studio nudi unaprijed snimljene implementacije dvadeset i pet standardnih algoritama koji se koriste u strojnom učenju. Razdvaja ih u četiri dijela.

• Otkrivanje anomalija metoda je klasifikacije stvari, događaja ili opažanja koja se ne uklapaju u uobičajeni obrazac ili druge stavke u skupu podataka.
• Regresijski algoritmi pokušavaju otkriti i kvantificirati odnose između varijabli. Uspostavljanjem veze između ovisne varijable i jedne ili više neovisnih varijabli, regresijska analiza može omogućiti predviđanje vrijednosti ovisne varijable s obzirom na skup ulaza s kvantificiranom točnošću.
• Cilj klasifikacijskih algoritama je identificirati klasu kojoj promatranje pripada na temelju podataka o obuci koji se sastoje od promatranja koja su već dodijeljena kategoriji.
• Klasteriranje pokušava nagomilati hrpu predmeta na način da objekti u istoj grupi (koja se naziva klaster) više nalikuju jedni drugima nego onima u drugim skupinama (klasterima).

Jednom proširen kao web usluga, model se može koristiti s pojednostavljenim REST pozivima putem HTTP-a. To omogućava programerima da grade aplikacije koje svoju inteligenciju dohvaćaju iz strojnog učenja.

Ono što slijedi u ovom članku o Azurnom strojnom učenju je kratki opis o azuru i njegovim značajkama

Nastavljajući s člankom Azure o strojnom učenju,

Usluga u oblaku za strojno učenje

Usluge u oblaku u osnovi omogućuju krajnjem korisniku da unajmljuje ili koristi usluge (hardverske strojeve) koje je razmjestila druga tvrtka, na daljinu putem Interneta.

Usluga Azure Machine Learning nudi setove za razvoj softvera i usluge za brzu pripremu podataka, obuku i postavljanje prilagođenih ML modela.Gotova je podrška za otvorene kodove Python okvira, poput PyTorch, TensorFlow i scikit-learn.Treba razmisliti o korištenju ovoga ako trebaju graditi prilagođene modele ili raditi s modelima dubokog učenja

Međutim, ako ste skloni ne raditi u Pythonu ili želite jednostavniju uslugu, nemojte to koristiti.

Ova usluga zahtijeva dobar dio znanja i pozadine znanosti o podacima i ne preporučuje se početnicima. Platite samo za resurse za obuku modela. Nekoliko cjenovnih razina za uvođenje putem usluge Azure Kubernetes.

Nastavljajući s člankom Azure o strojnom učenju,

Grafičko sučelje

Grafičko sučelje nije kôd ili platforma s niskim kodom koja se temelji na načinima za pristup mogućnostima poput ML-a. Neki od njih mogu biti padajući popisi, u ovom slučaju to je alat za povlačenje i ispuštanje.

Azure Machine Learning Studio alat je za povlačenje i ispuštanje koji vam omogućuje izgradnju, obuku i prilagodbu modela strojnog učenja prijenosom prilagođenog skupa podataka za procjenu rezultata u grafičkom sučelju. Nakon treninga modela, možete ga rasporediti kao web uslugu izravno iz Studija.

Ova se funkcionalnost obično koristi kada kôd koji treba napisati mora biti nizak ili se glavni rad temelji na temeljnim problemima poput klasifikacije, regresije i klasterizacije

Ovaj je pristup općenito za beženike, međutim, zahtijeva neko osnovno znanje iz znanosti o podacima.

Iako ima besplatnu opciju, standardni nivo košta 9,99 USD po sjedištu mjesečno i 1 USD po eksperimentalnom satu.

API za strojno učenje

Sučelje aplikacijskog programa (API) usluga je koju može pružiti organizacija koja može slati odgovore na određene upite, a ti se odgovori mogu koristiti za poboljšanje nečije aplikacije.

To nam omogućuje fleksibilnost pristupa raznim uslugama bez izravnog zavaravanja naše osnovne aplikacije.

Microsoftove API usluge zovu se Kognitivne usluge. Oni se mogu rasporediti izravno na Azureu. Dostupno je pet klasa usluga, uključujući viziju, jezik, govor, pretraživanje i odlučivanje. To su unaprijed obučeni modeli koji odgovaraju programerima koji su entuzijastični da prime Strojno učenje, ali nemaju pozadinu znanosti o podacima.

Međutim, ove usluge nedostaju kada je riječ o prilagodbama i stoga se ne preporučuju u slučajevima kada je puno stvari dobro definirano, zahtjevi nisu fleksibilni.

Nastavljajući s člankom Azure o strojnom učenju,

ML.NET

Okviri su općeniti kôd kontura na koji se može izgraditi vlastiti program. Okviri omogućuju brigu o funkcionalnosti niže razine tako da se mora samo paziti na njihovu logiku primjene.

ML.NET ima algoritme za klasifikaciju, regresiju, otkrivanje anomalija i preporuke, a može se proširiti Tensorflowom i ONNX-om za neuronske mreže.

To može biti od velike koristi za .NET programera koji se osjeća ugodno u izgradnji vlastitih ML cjevovoda.Međutim, krivulja učenja znači da bi se opći programeri pythona trebali kloniti.

Nastavljajući s člankom Azure o strojnom učenju,

AutoML

Automatizirano strojno učenje u posljednje vrijeme privlači veliku pozornost, a to je softver koji automatski odabire i obučava modele strojnog učenja. Iako je lako pomisliti da tehnički može zamijeniti posao znanstvenika podataka, netko tko ga je stvarno koristio jasno zna, postoje ograničenja onoga što može, a što ne može.

Trenutna meta (bez AutoML-a) za znanstvenike podataka trebala bi prvo stvoriti osnovni model, a zatim ručno pregledati različite mogućnosti hiper parametara, dok ne dođu do skupa vrijednosti koje daju najbolje rezultate. Kao što se lako može pogoditi, ovo izuzetno dugo traje i temelji se na hitovima i promašajima. Također, prostor pretraživanja eksponencijalno se povećava kako se povećava broj hiperparametara, što čini noviju, duboku arhitekturu zasnovanu na neuronskoj mreži gotovo nemogućom u potpunosti ponoviti i optimizirati.

Trenutno Microsoftov AutoML može automatski izraditi skup ML modela, inteligentno odabrati modele za obuku, a zatim preporučiti najbolji za vas na temelju problema s ML-om i vrste podataka. Ukratko, odabire pravi algoritam i pomaže u podešavanju hiperparametara. Trenutno podržava samo probleme klasifikacije, predviđanja i regresije.

AutoML se koristi s uslugom Azure Machine Learning ili ML.NET i plaćate sve troškove povezane s tim.

Dakle, ovo nas dovodi do kraja ovog članka. Nadam se da vam se svidio ovaj članak. Ako ovo čitate, dopustite mi da vam čestitam. Kako više niste novak u Azureu! Što više vježbate, više ćete naučiti. Da bismo vam olakšali put, smislili smo ovo Vodič za Azure Serija blogova koji će se često ažurirati, pa pratite!

Također smo osmislili kurikulum koji pokriva točno ono što vam treba za provjeru Azure ispita! Možete pogledati detalje tečaja za . Sretno učenje!

Imate pitanje za nas? Molimo vas da ga spominjete u odjeljku za komentare ovog članka i mi ćemo vam se javiti.