Minden, amit tudnia kell az Azure Machine Learning szolgáltatásról

Ez a cikk bemutatja az Azure Cloud által kínált Azure Machine Service szolgáltatást, és bemutatja Önt ugyanazok különböző összetevőinek és szolgáltatásainak.

Ez a cikk megismerteti Önt a megvalósítás csöppségével gyakorlatok az Azure Machine Learning szolgáltatáson. A következő hivatkozásokkal foglalkozunk ebben a cikkben,



Kezdjük tehát ezzel az Azure Machine Learning cikkel,



Azure Machine Learning

A felhő megjelenése új kezdetet jelentett a számítástechnikai infrastruktúrában. Ez alapvetően azt jelentette, hogy olyan forrásokat lehet felhasználni, amelyeket rendkívül drága lett volna megvásárolni, különben az interneten keresztül történő felhasználáshoz. A gépi tanuláshoz, különösen a mély tanuláshoz számítógépes architektúrákra van szükség, amelyek rendkívül nagy mennyiségű RAM és VRAM (a Cuda magok számára) használatát teszik lehetővé. Mindkét árut nehéz beszerezni két fő okból -

  1. A laptopok egy személy számára csak korlátozott mennyiségű erőforrást tudnak csomagolni a náluk lévő keretben. Ez azt jelenti, hogy egy tipikus laptop-felhasználónak nem állhat rendelkezésére elegendő erőforrás a gépi tanulási feladatok helyi végrehajtásához



  2. A RAM és különösen a VRAM megvásárlása rendkívül drága, és rendkívül magas befektetésnek tűnik. A robusztus RAM-mal és a VRAM-mal együtt magas szintű CPU-k támogatására is szükségünk van (különben a CPU a rendszer szűk keresztmetszetének bizonyulna), ami tovább növeli az általános árat.

Továbblépés az Azure Machine Learning cikkel,

Azure Machine Learning Service

A fenti kérdéseket figyelembe véve könnyen megérthetjük az interneten távoli, 24 * 7 hozzáféréssel eldobható erőforrások szükségességét.



Azure ML embléma - Azure Machine Learning - Edureka

Az Azure ML egy felhőalapú szolgáltatás, amely egyszerűsített élményt nyújt az adatkutatók számára minden szinten. Ez különösen fontos, mert sok új mérnök próbál bejutni erre a helyre, és különösen ijesztő lehet ezeket a feladatokat intuitív felhasználói felület nélkül végrehajtani.

(Forrás: Microsoft.com)

Az Azure ML-t az ML stúdió kíséri, amely lényegében egy böngészőalapú eszköz, amely az adatkutatónak könnyen használható drag and drop felületet kínál e modellek felépítése céljából.

hogyan lehet átalakítani dupla int java

A legtöbb erősen használt algoritmus és könyvtár a dobozból kerül ki a felhasználók számára. Az R és a Python beépített támogatásával is büszkélkedhet, lehetővé téve a veterán adatkutatók számára, hogy kedvük szerint változtassák és testre szabhassák modelljüket és architektúrájukat.

Miután a modell elkészült és kész, könnyen használható webszolgáltatásként, amelyet rengeteg programozási nyelv hívhat meg, lényegében elérhetővé téve azt az alkalmazást, amely valóban a végfelhasználóval néz szembe.

A Machine Learning Studio meglehetősen egyszerűvé teszi a gépi tanulást azáltal, hogy a munkafolyamat felépítésével húzza és dobja el a módját. Az ML Stúdióval és a munkafolyamat modellezésére kínált nagyszámú modullal fejlett modelleket készíthetünk kód megírása nélkül.

A gépi tanulás adatokkal kezdődik, amelyek különböző eredetekből származhatnak. Az adatokat használatuk előtt általában „meg kell tisztítani”, ehhez az ML Studio modulokat tartalmaz, amelyek segítenek a tisztításban. Miután az adatok elkészültek, kiválaszthatunk egy algoritmust, és „kiképezhetjük” a modellt az adatok fölött, és mintákat találhatunk benne. Ezt követően jön a pontozás és a modell értékelése, amely megmondja, hogy a modell mennyire képes megjósolni az eredményeket. Mindezt vizuálisan szállítjuk az ML Stúdióban. Miután a modell készen áll, néhány gombnyomással webszolgáltatásként telepíti, így az ügyfélalkalmazásokból lehívható.

Az ML Studio huszonöt, a gépi tanulásban használt algoritmus előre rögzített megvalósítását biztosítja. Négy részre osztja őket.

  • Az anomáliák észlelése olyan dolgok, események vagy megfigyelések osztályozásának módszere, amelyek nem illeszkednek az adatkészlet hagyományos mintájához vagy más elemekhez.
  • A regressziós algoritmusok megpróbálják feltárni és számszerűsíteni a változók közötti kapcsolatokat. A függőségi változó és egy vagy több független változó közötti kapcsolat megteremtésével a regresszióanalízis lehetővé teheti egy függő változó értékének előrejelzését számszerűsíthető pontosságú bemeneti halmaz esetén.
  • Az osztályozási algoritmusok célja annak az osztálynak az azonosítása, amelyhez a megfigyelés tartozik, olyan képzési adatok alapján, amelyek már egy kategóriához vannak hozzárendelve.
  • A fürtözés egy csomó objektumot kíván felhalmozni úgy, hogy az azonos csoportba tartozó objektumok (úgynevezett fürt) jobban hasonlítsanak egymásra, mint a többi csoportba (fürtökre).

Miután webszolgáltatásként kibővítették, egy modell egyszerűsített REST-hívásokkal használható HTTP-n keresztül. Ez lehetővé teszi a fejlesztők számára, hogy olyan alkalmazásokat készítsenek, amelyek intelligenciájukat a gépi tanulásból nyerik ki.

Ami ebben az Azure Machine Learning cikkben következik, az azure-ról és annak szolgáltatásairól nyújt gyors áttekintést

Továbblépés az Azure Machine Learning cikkel,

jobtracker és feladattracker a hadoopban

A Machine Learning Cloud Service

A felhőszolgáltatások lényegében lehetővé teszik a végfelhasználók számára, hogy az interneten keresztül távolról bérelhessék vagy használhassák egy másik vállalat által telepített szolgáltatásokat (hardvergépeket).

Az Azure Machine Learning szolgáltatás szoftverfejlesztő készleteket és szolgáltatásokat kínál az adatok azonnali előkészítéséhez, az edzéshez és az egyéni ML modellek telepítéséhez.A dobozon kívül van olyan nyílt forráskódú Python keretrendszerek támogatása, mint a PyTorch, a TensorFlow és a scikit-learn.Meg kell fontolni ennek használatát, ha egyedi modelleket kell készíteniük, vagy mély tanulási modellekkel kell dolgozniuk

Ha azonban hajlandó nem dolgozni a Pythonban, vagy egyszerűbb szolgáltatást szeretne, ne használja ezt.

Ez a szolgáltatás sok adattudományi ismeretet és hátteret igényel, és nem ajánlott a kezdő számára. Csak a modellek képzéséért fizetjen. Több árképzési szint az Azure Kubernetes Service-en keresztül történő telepítéshez.

Továbblépés az Azure Machine Learning cikkel,

Grafikus felület

A grafikus interfészek nem kódok vagy alacsony kódú platformok, amelyek olyan képességeken alapulnak, mint az ML. Néhány ilyen lehet legördülő lista, ebben az esetben ez egy drag and drop eszköz.

Az Azure Machine Learning Studio egy fogd és vidd gépi tanulási eszköz, amely lehetővé teszi, hogy gépi tanulási modelleket építsen, képezzen és testre szabhasson egyéni adatkészlet feltöltésével az eredmények grafikus felületen történő értékeléséhez. A modell betanítása után webszolgáltatásként telepítheti közvetlenül a Studio-ból.

Ezt a funkciót általában akkor alkalmazzák, ha az írandó kódnak alacsonynak kell lennie, vagy a fő munka olyan alapvető problémákra épül, mint a besorolás, a regresszió és a klaszterezés

Ez a megközelítés általában kezdőbarát, azonban némi háttérismeretet igényel az adattudományban.

Noha van egy ingyenes opciója, a szokásos szint 9,99 dollár ülőhelyenként, havonta és 1 dollár kísérleti óránként.

Machine Learning API

Az Application Program Interface (API) olyan szolgáltatás, amelyet egy szervezet nyújthat, és válaszokat küldhet bizonyos kérdésekre, és ezek a válaszok felhasználhatók az alkalmazás fejlesztésére.

ng-változás vs onchange

Ez lehetővé teszi számunkra, hogy rugalmasan férjünk hozzá a különféle szolgáltatásokhoz anélkül, hogy közvetlenül belemennénk az alapvető alkalmazásba.

A Microsoft API-szolgáltatásait kognitív szolgáltatásoknak hívják. Ezek közvetlenül az Azure-on telepíthetők. Ötféle szolgáltatás áll rendelkezésre, ideértve a látást, a nyelvet, a beszédet, a keresést és a döntést. Ezek olyan előre kiképzett modellek, amelyek megfelelnek azoknak a fejlesztőknek, akik lelkesen alkalmazzák a Gépi tanulást, de nem rendelkeznek informatikai háttérrel.

Ezek a szolgáltatások azonban nem megfelelőek a testreszabás terén, ezért nem ajánlottak azokban az esetekben, amikor sok minden jól meghatározott követelmények nem rugalmasak.

Továbblépés az Azure Machine Learning cikkel,

ML.NET

A keretrendszerek olyan általános vázlatkódok, amelyekre fel lehet építeni saját alkalmazásokat. A keretrendszerek lehetővé teszik az alacsonyabb szintű funkcionalitás gondozását, így csak az alkalmazáslogikájukra kell figyelni.

Az ML.NET rendelkezik osztályozási, regressziós, anomália-felderítő és ajánlásképzési algoritmusokkal, és kibővíthető a neurális hálózatok Tensorflow és ONNX szolgáltatásaival.

Ez nagy hasznát veheti egy .NET fejlesztőnek, aki kényelmesen megépíti saját ML-vezetékeit.A tanulási görbe azonban azt jelenti, hogy az általános python fejlesztőknek távol kell maradniuk.

Továbblépés az Azure Machine Learning cikkel,

AutoML

Az automatizált gépi tanulás az utóbbi időben nagy figyelmet keltett, és olyan szoftver, amely automatikusan kiválasztja és képezi a Machine Learning modelleket. Bár könnyű azt gondolni, hogy ez technikailag helyettesítheti az adattudós munkáját, valaki, aki ténylegesen alkalmazta, egyértelműen tudja, vannak korlátai annak, amit megtehet és mit nem.

Az adatkutatók számára a jelenlegi meta (AutoML nélkül) az lenne, ha először létrehoznának egy alapmodellt, majd iterálnának a hiperparaméterek különböző lehetőségein, manuálisan, amíg a legjobb eredményt elérő értékkészletre nem jutnak. Ahogy könnyen kitalálhatjuk, ez rendkívül időigényes, és egy találat és hiányosság alapú stratégia. Ezenkívül a keresési hely exponenciálisan növekszik, amikor a hiperparaméterek száma növekszik, és ezáltal az újabb, mély neurális hálózaton alapuló architektúrákat szinte lehetetlen teljesen iterálni és optimalizálni.

Jelenleg a Microsoft AutoML képes automatikusan felépíteni egy ML modellkészletet, intelligens módon kiválasztani a modelleket az edzéshez, majd az ML probléma és adattípus alapján ajánlani a legjobbat. Dióhéjban kiválasztja a megfelelő algoritmust, és segít a hiperparaméterek hangolásában. Jelenleg csak a besorolási, előrejelzési és regressziós problémákat támogatja.

Az AutoML az Azure Machine Learning szolgáltatással vagy az ML.NET-lel együtt használatos, és Ön fizeti az ezekhez kapcsolódó költségeket.

Tehát ezzel eljutottunk a cikk végéhez. Remélem tetszett ez a cikk. Ha ezt olvasod, hadd gratuláljak neked. Mivel már nem vagy újonc az Azure-ban! Minél többet gyakorolsz, annál többet fogsz tanulni. Az utazás megkönnyítése érdekében ezt kitaláltuk Azure oktatóanyag Blogsorozat amelyet gyakran frissítünk, ezért figyeljetek tovább!

Kitaláltunk egy tantervet is, amely pontosan lefedi, mire lenne szükséged az Azure vizsgák feltöréséhez! Megtekintheti a kurzus részleteit . Boldog tanulást!

Van egy kérdésünk? Kérjük, említse meg a cikk megjegyzés rovatában, és kapcsolatba lépünk Önnel.