Alt du trenger å vite om Azure Machine Learning Service

Denne artikkelen vil introdusere deg for det nitty gritty å implementere praksis på Azure Machine Learning-tjenesten. Følgende tips vil bli dekket i denne artikkelen,

• Azure maskinlæring
• Azure maskinlæringstjeneste
• Machine Learning Cloud Service
• Grafisk grensesnitt
• API for maskinlæring
• ML.NET
• AutoML

Så la oss komme i gang med denne Azure Machine Learning-artikkelen,

Azure maskinlæring

Fremkomsten av sky markerte en ny begynnelse innen databehandlingsinfrastruktur. Det betydde i utgangspunktet at man kan bruke ressurser som ellers ville vært ekstremt dyre å kjøpe for å bruke over Internett. Maskinlæring, spesielt dyp læring, krever bruk av dataarkitekturer som tillater bruk av ekstremt mye RAM og VRAM (for Cuda Cores). Begge disse varene er vanskelig å skaffe av to hovedårsaker -

forskjell mellom mastergrad og mastergrad

1. Bærbare datamaskiner for en, kan bare pakke inn en begrenset mengde ressurser i rammen de har. Dette betyr at en typisk bærbar bruker umulig kan ha nok ressurser til å disponere maskinlæringsoppgavene lokalt på maskinen

   
   
   

2. RAM og spesielt VRAM er ekstremt dyre å kjøpe, og de ser ut til å være en ekstremt høy investering. I tillegg til robust RAM og VRAM, trenger vi også støtte av høyverdig CPU-er (ellers vil CPU vise seg å være en flaskehals for systemet), dette driver den totale prisen enda høyere.

Fortsetter med Azure Machine Learning-artikkelen,

Azure maskinlæringstjeneste

Tatt i betraktning de ovennevnte problemene, kan vi enkelt forstå behovet for ressurser som er disponible eksternt via Internett med 24 * 7 tilgang.

Azure ML er en skybasert tjeneste som gir en strømlinjeformet opplevelse for dataforskere på alle nivåer. Dette er spesielt viktig på grunn av det faktum at mange nye ingeniører prøver å komme inn i dette rommet, og det kan være spesielt skremmende å utføre disse oppgavene uten et intuitivt brukergrensesnitt.

(Kilde: Microsoft.com)

Azure ML er ledsaget av ML studio, som egentlig er et nettleserbasert verktøy som gir datavitenskapsmannen et brukervennlig dra-og-slipp-grensesnitt for å bygge disse modellene.

De fleste av de mye brukte algoritmene og bibliotekene kommer ut av boksen for brukerne. Den kan også skilte med innebygd støtte for R og Python, slik at veteraninformatikerne kan endre og tilpasse modellen og arkitekturen etter eget ønske.

Når modellen er bygget og er klar, kan den enkelt brukes som en webtjeneste som kan kalles av en mengde programmeringsspråk, og i hovedsak gjør den tilgjengelig for applikasjonen som faktisk står overfor sluttbrukeren.

Machine Learning Studio gjør maskinlæring ganske grei ved å tilby en dra-og-slipp-måte du bygger arbeidsflyten på. Med ML Studio og et stort antall moduler det tilbyr for modellering av arbeidsflyten, kan man lage avanserte modeller uten å skrive noen kode.

Maskinlæring begynner med data, som kan komme fra en rekke opprinnelser. Dataene må vanligvis “renses” før de brukes, og som ML Studio inneholder moduler for å hjelpe til med rengjøringen. Når dataene er klare, kan man velge en algoritme og 'trene' modellen over dataene og finne mønstre i den. Etter det kommer poengsum og evaluering av modellen, som forteller deg hvor godt modellen er i stand til å forutsi resultater. Alt dette leveres visuelt i ML Studio. Når modellen er klar, distribuerer den noen få knappeklikk den som en webtjeneste, slik at den kan ringes fra klientapper.

ML Studio tilbyr forhåndsinnspilte implementeringer av tjuefem av standardalgoritmene som brukes i maskinlæring. Det skiller dem inn i fire seksjoner.

• Avviksdeteksjon er en metode for klassifisering av ting, hendelser eller observasjoner som ikke passer til et konvensjonelt mønster eller andre elementer i et datasett.
• Regresjonsalgoritmer prøver å oppdage og kvantifisere forhold mellom variabler. Ved å etablere et forhold mellom en avhengig variabel og en eller flere uavhengige variabler, kan regresjonsanalyse gjøre det mulig å forutsi verdien av en avhengig variabel gitt et sett med innganger med en målbar nøyaktighet.
• Målet med klassifiseringsalgoritmer er å identifisere klassen som en observasjon tilhører basert på treningsdata bestående av observasjoner som allerede er tildelt en kategori.
• Clustering søker å pile opp en haug med objekter på en måte som objekter i samme gruppe (kalt en klynge) er mer lik hverandre enn de i andre grupper (klynger).

Når den er utvidet som en webtjeneste, kan en modell brukes med forenklede REST-samtaler via HTTP. Dette lar utviklere bygge applikasjoner som henter intelligens fra maskinlæring.

Det som følger i denne Azure Machine Learning-artikkelen er en rask beskrivelse av azurblå og dens funksjoner

Fortsetter med Azure Machine Learning-artikkelen,

hvordan du håndterer popup-vindu i selen webdriver

Machine Learning Cloud Service

Skytjenestene lar i hovedsak en sluttbruker leie ut, eller bruke tjenestene (maskinvaremaskiner) distribuert av et annet selskap, eksternt over Internett.

Azure Machine Learning-tjenesten tilbyr programvareutviklingssett og -tjenester for å raskt forberede data, trene og distribuere tilpassede ML-modeller.Det er ut av boksen støtte for åpen kildekode Python-rammer, som PyTorch, TensorFlow og scikit-learning.Man bør vurdere å bruke dette hvis de trenger å lage tilpassede modeller eller jobbe med dyp læringsmodeller

Men hvis du er tilbøyelig til ikke å jobbe i Python eller ønsker en enklere tjeneste, ikke bruk dette.

Disse tjenestene krever mye datavitenskapelig kunnskap og bakgrunn og anbefales ikke for nybegynnere. Betal bare for ressurser for å trene modeller. Flere prisnivåer for distribusjon via Azure Kubernetes Service.

Fortsetter med Azure Machine Learning-artikkelen,

Grafisk grensesnitt

Grafiske grensesnitt er ingen kode eller plattform med lav kode basert på måter å få tilgang til funksjoner som ML. Noen av dem kan være rullegardinlister, i dette tilfellet er det et dra og slipp-verktøy.

Azure Machine Learning Studio er et dra-og-slipp-maskinlæringsverktøy som lar deg bygge, trene og tilpasse maskinlæringsmodeller ved å laste opp et tilpasset datasett for å evaluere resultatene i et grafisk grensesnitt. Etter å ha trent en modell, kan du distribuere den som en nettjeneste rett fra Studio.

Denne funksjonaliteten brukes vanligvis når koden som skal skrives må være lav eller hovedarbeidet er basert på grunnleggende problemer som klassifisering, regresjon og klynging

Denne tilnærmingen er generelt nybegynnervennlig, men det krever litt bakgrunnskunnskap innen datavitenskap.

Selv om det har et gratis alternativ, koster standardnivå $ 9,99 per sete, per måned og $ 1 per eksperimenttime.

API for maskinlæring

Et applikasjonsprogramgrensesnitt (API) er en tjeneste som kan leveres av en organisasjon som kan sende svar på bestemte spørsmål, og disse svarene kan brukes til å forbedre ens applikasjon.

hvordan du bruker goto c ++

Dette gir oss muligheten til å få tilgang til ulike tjenester uten å kjøre direkte ned i kjerneapplikasjonen.

Microsofts API-tjenester kalles Cognitive Services. Disse kan distribueres rett på Azure. Det er fem klasser av tjenester tilgjengelig, inkludert visjon, språk, tale, søk og beslutning. Dette er pre-trente modeller som passer utviklere som er entusiastiske for å bruke Machine Learning, men som ikke har en datavitenskapelig bakgrunn.

Imidlertid kommer disse tjenestene til kort når det gjelder tilpasninger, og anbefales derfor ikke i tilfeller der mange ting er veldefinerte, er kravene ikke fleksible.

Fortsetter med Azure Machine Learning-artikkelen,

ML.NET

Rammeverk er generell disposisjonskode som man kan bygge sin egen applikasjon på. Rammeverk lar funksjonaliteten på lavere nivå ivaretas, slik at man bare trenger å se etter applikasjonslogikken deres.

ML.NET har en klassifiserings-, regresjons-, avviksdeteksjon og anbefalingstreningalgoritmer og kan utvides med Tensorflow og ONNX for nevrale nettverk.

Dette kan være til stor nytte for en .NET-utvikler som er komfortabel med å bygge sine egne ML-rørledninger.Læringskurven betyr imidlertid at de generelle pythonutviklerne bør holde seg borte.

Fortsetter med Azure Machine Learning-artikkelen,

AutoML

Automatisert maskinlæring har tiltrukket seg mye oppmerksomhet den siste tiden, og er programvare som automatisk velger og trener maskinlæringsmodeller. Selv om det er lett å tenke at det teknisk kan erstatte jobben til en datavitenskapsmann, vet noen som faktisk har brukt det klart, det er begrensninger for hva det kan og ikke kan gjøre.

Den nåværende metaen (uten AutoML) for dataforskere ville være å først lage en basismodell og deretter gjenta de forskjellige mulighetene for hyperparametere manuelt til de kommer til et sett verdier som gir de beste resultatene. Som man enkelt kan gjette, er dette en ekstremt tidkrevende og en hit og miss-basert strategi. Dessuten øker søkeområdet eksponentielt ettersom antall hyperparametere øker, noe som gjør de nyere, dype nevrale nettverksbaserte arkitekturene nesten umulige å fullstendig itere og optimalisere.

For tiden er Microsofts AutoML i stand til å bygge et sett med ML-modeller automatisk, intelligent velge modeller for trening, og deretter anbefale den beste for deg basert på ML-problemet og datatypen. I et nøtteskall velger den riktig algoritme og hjelper til med å stille hyperparametere. Foreløpig støtter den bare klassifisering, prognoser og regresjonsproblemer.

AutoML brukes med Azure Machine Learning Service eller ML.NET, og du betaler for eventuelle kostnader knyttet til disse.

Så dette bringer oss til slutten av denne artikkelen. Jeg håper du likte denne artikkelen. Hvis du leser dette, la meg gratulere deg. Siden du ikke lenger er en nybegynner i Azure! Jo mer du øver jo mer vil du lære. For å gjøre reisen din enkel, har vi funnet på dette Azure Tutorial Bloggserie som oppdateres ofte, så følg med!

Vi har også kommet med en læreplan som dekker nøyaktig hva du trenger for å knekke Azure-eksamenene! Du kan ta en titt på kursdetaljene for . Glad læring!

Har du et spørsmål til oss? Vennligst nevn det i kommentarfeltet i denne artikkelen, så kommer vi tilbake til deg.