Kõik, mida peate teadma Azure'i masinõppeteenuse kohta

See artikkel tutvustab teile rakendamise nõtkust Azure Machine Learning teenuse tavad. Järgmisi näpunäiteid käsitletakse selles artiklis,

• Azure'i masinõpe
• Azure'i masinõppeteenus
• Masinõppe pilveteenus
• Graafiline liides
• Masinõppe API
• ML.NET
• AutoML

Alustame selle Azure Machine Learning artikliga,

Azure'i masinõpe

Pilvede tulek tähistas arvutite infrastruktuuri uut algust. Põhimõtteliselt tähendas see seda, et Internetis kasutamiseks võib kasutada ressursse, mida oleks muidu olnud äärmiselt kulukas osta. Masinõpe, eriti süvaõpe, nõuab arvutiarhitektuuride kasutamist, mis võimaldavad kasutada äärmiselt palju RAM-i ja VRAM-i (Cuda südamike jaoks). Mõlemat neist kaupadest on raske omandada kahel peamisel põhjusel -

1. Ühe jaoks mõeldud sülearvutid saavad olemasolevas kaadris pakkida ainult piiratud hulga ressursse. See tähendab, et tavalisel sülearvuti kasutajal ei saa tema käsutuses olla piisavalt ressursse, et masinas kohapeal masinaõppe ülesandeid täita

   
   
   

2. Operatiivmälu ja eriti VRAM-i ostmine on äärmiselt kulukas ning tundub olevat äärmiselt suur investeering. Lisaks tugevale RAM-ile ja VRAM-ile vajame ka kõrgekvaliteediliste protsessorite toetamist (muidu osutuks protsessor süsteemi kitsaskohaks), mis tõstab üldist hinda veelgi.

Azure Machine Learning'i artikliga edasi liikumine

Azure'i masinõppeteenus

Võttes arvesse ülaltoodud probleeme, saame hõlpsasti aru saada Interneti kaudu kaugkasutatavate ressursside vajadusest 24 * 7 juurdepääsuga.

Azure ML on pilvepõhine teenus, mis pakub sujuvaid kogemusi kõigi tasandite andmeteadlastele. See on eriti oluline, kuna paljud uued insenerid üritavad sellesse ruumi siseneda ja nende ülesannete täitmine ilma intuitiivse kasutajaliideseta võib olla eriti hirmutav.

(Allikas: Microsoft.com)

Azure ML-iga on kaasas ML-stuudio, mis on sisuliselt brauseripõhine tööriist, mis annab andmeteadlasele nende mudelite ehitamiseks hõlpsasti kasutatava lohistamisliidese.

Enamik enamkasutatavaid algoritme ja teeke tulevad kasutajate jaoks kastist välja. Samuti on sellel R ja Pythoni sisseehitatud tugi, mis võimaldab veteranandmeteadlastel muuta ja kohandada oma mudelit ja selle arhitektuuri vastavalt oma soovidele.

Kui mudel on valmis ehitatud ja valmis, saab seda hõlpsasti kasutada veebiteenusena, millele saab helistada hulgaliselt programmeerimiskeeli, tehes selle sisuliselt kättesaadavaks rakendusele, mis tegelikult seisab silmitsi lõppkasutajaga.

Machine Learning Studio muudab masinõppe üsna sirgjooneliseks, pakkudes lohistamisviisi, mille abil saate töövoo üles ehitada. ML Studio ja suure hulga moodulitega, mida see töövoo modelleerimiseks pakub, saab teha täiustatud mudeleid koodi kirjutamata.

Masinõpe algab andmetest, mis võivad pärineda mitmest päritolust. Tavaliselt tuleb enne kasutamist andmed „puhastada“, milleks ML Studio sisaldab puhastamiseks abimooduleid. Kui andmed on valmis, saab valida algoritmi ja mudeli andmete abil treenida ning nendest mustreid leida. Pärast seda tuleb mudeli hindamine ja hindamine, mis ütleb teile, kui hästi suudab mudel tulemusi ennustada. Kõik see toimetatakse visuaalselt ML Stuudios. Kui mudel on valmis, rakendatakse mõne nupuvajutusega see veebiteenusena, et seda saaks kliendirakendustest helistada.

ML Studio pakub eelsalvestatud rakendusi kahekümne viiest masinõppes kasutatavast algoritmist. See eraldab need neljaks osaks.

kuidas anakonda kasutada pythoni jaoks

• Anomaaliate tuvastamine on selliste asjade, sündmuste või vaatluste klassifitseerimise meetod, mis ei sobi tavapärase mustri või muude andmekogumi üksustega.
• Regressioonialgoritmid püüavad avastada ja kvantifitseerida muutujate vahelisi seoseid. Luues seose sõltuva muutuja ja ühe või mitme sõltumatu muutuja vahel, võib regressioonanalüüs võimaldada ennustada sõltuva muutuja väärtust kvantifitseeritava täpsusega sisendkomplekti korral.
• Klassifitseerimisalgoritmide eesmärk on kindlaks teha klass, kuhu vaatlus kuulub, treeningandmete põhjal, mis koosnevad juba kategooriasse määratud vaatlustest.
• Klastrite abil püütakse kuhjata hunnik objekte nii, et sama rühma (nn klastrina) objektid sarnaneksid üksteisega rohkem kui teiste rühmade (klastrite) objektidega.

Veebiteenusena laiendatud mudelit saab kasutada lihtsustatud REST-kõnedega HTTP kaudu. See võimaldab arendajatel luua rakendusi, mis toovad masinaõppest oma intelligentsuse.

Sellest Azure'i masinõppe artiklist tulenev on kiire ülevaade taevasinisest ja selle funktsioonidest

Azure Machine Learning'i artikliga edasi liikumine

Masinõppe pilveteenus

Pilveteenused võimaldavad sisuliselt lõpptarbijal Interneti kaudu kaugüüril välja rentida või kasutada teise ettevõtte juurutatud teenuseid (riistvaramasinaid).

Azure Machine Learning teenus pakub tarkvaraarenduskomplekte ja -teenuseid andmete kiireks ettevalmistamiseks, kohandatud ML-mudelite koolitamiseks ja juurutamiseks.Avatud lähtekoodiga Pythoni raamistike, nagu PyTorch, TensorFlow ja scikit-learn, tugi on karbist väljas.Seda peaks kaaluma, kui neil on vaja luua kohandatud mudeleid või töötada sügavate õppemudelitega

Kuid kui te ei soovi Pythonis töötada või soovite lihtsamat teenust, ärge seda kasutage.

Need teenused nõuavad palju andmeteaduse alaseid teadmisi ja tausta ning neid ei soovitata algajale. Maksa ainult mudelite koolitamiseks mõeldud ressursside eest. Mitmed hinnatasemed Azure Kubernetes Service'i kaudu juurutamiseks.

Azure Machine Learning'i artikliga edasi liikumine

Graafiline liides

Graafilised liidesed ei ole kood ega madala koodiga platvorm, mis põhineb võimalustel, nagu ML, juurdepääsuviisidel. Mõni neist võib olla rippmenüü, sel juhul on see pukseerimise tööriist.

Azure Machine Learning Studio on masinõppe tööriist, mis võimaldab teil masinõppe mudeleid koostada, koolitada ja kohandada, laadides graafilise liidese tulemuste hindamiseks üles kohandatud andmestiku. Pärast mudeli koolitust saate selle otse veebist teenusena Studio juurutada.

Seda funktsionaalsust kasutatakse tavaliselt siis, kui kirjutatav kood peab olema madal või kui põhitöö põhineb põhiprobleemidel, nagu liigitamine, regressioon ja klastrid

See lähenemisviis on üldiselt algajale sõbralik, kuid see nõuab siiski andmeteaduse alaseid teadmisi.

Kuigi sellel on tasuta võimalus, maksab tavatasand 9,99 dollarit istekoha kohta kuus ja 1 dollarit katse tunni kohta.

Masinõppe API

Rakendusprogrammi liides (API) on teenus, mille võib pakkuda organisatsioon, mis võib saata vastuseid teatud päringutele ja neid saab kasutada rakenduse täiustamiseks.

See võimaldab meil olla paindlik juurdepääsuks erinevatele teenustele ilma oma põhirakendust otseselt takerdumata.

alamstring SQL serveri näites

Microsofti API-teenuseid nimetatakse kognitiivseteks teenusteks. Neid saab juurutada otse Azure'i. Saadaval on viis teenuseklassi, sealhulgas nägemine, keel, kõne, otsing ja otsustamine. Need on eelnevalt koolitatud mudelid, mis sobivad arendajatele, kes on entusiastlikud masinõppe rakendamiseks, kuid kellel pole andmeteaduse tausta.

Kuid need teenused jäävad kohandamise osas puudulikuks ja seetõttu pole neid soovitatav kasutada juhtudel, kui paljud asjad on täpselt määratletud, nõuded ei ole paindlikud.

Azure Machine Learning'i artikliga edasi liikumine

ML.NET

Raamistikud on üldine kood, mille peale saab ise oma rakenduse ehitada. Raamistikud võimaldavad hoolitseda madalama taseme funktsionaalsuse eest, nii et hoolitseda tuleb ainult nende rakendusloogika eest.

ML.NET-il on klassifitseerimise, regressiooni, anomaaliate tuvastamise ja soovituste väljaõppe algoritmid ning seda saab närvivõrkude jaoks laiendada Tensorflow ja ONNX abil.

Sellest võib olla palju kasu .NET-arendajale, kellel on mugav oma ML-torustikke ehitada.Kuid õppimiskõver tähendab, et üldised pythoni arendajad peaksid eemale hoidma.

Azure Machine Learning'i artikliga edasi liikumine

AutoML

Automatiseeritud masinõpe on viimasel ajal äratanud palju tähelepanu ning see on tarkvara, mis valib ja koolitab masinõppemudelid automaatselt. Kuigi on lihtne arvata, et see võib andmeteadlase tööd tehniliselt asendada, teab keegi, kes seda tegelikult on kasutanud, selgelt, kuid mida saab ja mida mitte, on piiranguid.

Andmeteadlaste praegune meta (ilma AutoMLita) oleks kõigepealt baasmudeli loomine ja seejärel hüperparameetrite erinevate võimaluste kordamine käsitsi, kuni need jõuavad parimate tulemusteni. Nagu võib hõlpsasti aimata, on see äärmiselt aeganõudev ning tabamuse ja vastamata strateegia. Samuti suureneb otsinguruum hüperparameetrite arvu suurenedes eksponentsiaalselt, mistõttu on uuemate sügavate närvivõrgupõhiste arhitektuuride peaaegu võimatu üle korrata ja optimeerida.

Praegu suudab Microsofti AutoML luua ML-mudelite komplekti automaatselt, valida intelligentselt koolituseks mudeleid, seejärel soovitada ML-i probleemi ja andmetüübi põhjal teile parimat. Lühidalt, see valib õige algoritmi ja aitab häälestada hüperparameetreid. Praegu toetab see ainult klassifitseerimis-, prognoosimis- ja regressiooniprobleeme.

AutoML-i kasutatakse Azure Machine Learning Service'i või ML.NET-iga ja maksate nendega seotud kulud.

Nii et see viib meid selle artikli lõppu. Loodan, et teile meeldis see artikkel. Kui loete seda, lubage mul õnnitleda teid. Kuna te pole Azuris enam algaja! Mida rohkem harjutate, seda rohkem õpite. Teie reisi hõlbustamiseks oleme selle välja mõelnud Azure'i õpetus Blogi seeria mida uuendatakse sageli, nii et püsige lainel!

Oleme välja pakkunud ka õppekava, mis hõlmab täpselt seda, mida vajate Azure'i eksamite purustamiseks! Saate vaadata kursuse üksikasju . Head õppimist!

Kas teil on meile küsimus? Palun mainige seda selle artikli kommentaaride jaotises ja võtame teiega ühendust.