Alt hvad du behøver at vide om Azure Machine Learning Service



Denne artikel introducerer til Azure Machine Service, der tilbydes af Azure Cloud, og introducerer dig også til forskellige komponenter og funktioner i den samme.

Denne artikel vil introducere dig til det nitty gritty ved implementering praksis på Azure Machine Learning-tjenesten. Følgende punkter vil blive dækket i denne artikel,

Så lad os komme i gang med denne Azure Machine Learning-artikel,





Azure maskinindlæring

Fremkomsten af ​​sky markerede en ny begyndelse inden for computerinfrastruktur. Det betød grundlæggende, at man kan bruge ressourcer, som ellers ville have været ekstremt dyre at købe for at bruge over Internettet. Maskinindlæring, især dyb læring, kræver brug af computerarkitekturer, der tillader brug af en ekstremt høj mængde RAM og VRAM (til Cuda Cores). Begge disse varer er svære at erhverve af to hovedårsager -

  1. Bærbare computere til en, kan kun pakke i en begrænset mængde ressourcer i den ramme, de har. Dette betyder, at en typisk bærbar bruger umuligt kan have nok ressourcer til rådighed til at udføre maskinlæringsopgaver lokalt på maskinen



  2. RAM og især VRAM er ekstremt dyre at købe, og de ser ud til at være en ekstrem høj investering. Sammen med robust RAM og VRAM har vi også brug for understøttelse af højkvalitets CPU'er (ellers ville CPU vise sig at være en flaskehals for systemet), hvilket yderligere driver den samlede pris endnu højere.

Gå videre med Azure Machine Learning-artiklen,

Azure Machine Learning Service

Under hensyntagen til ovennævnte spørgsmål kan vi let forstå behovet for ressourcer, der er disponible eksternt over Internettet med 24 * 7 adgang.



Azure ML-logo - Azure Machine Learning - Edureka

Azure ML er en skybaseret tjeneste, der giver en strømlinet oplevelse til dataforskere på alle niveauer. Dette er især vigtigt på grund af det faktum, at mange nye ingeniører prøver at komme ind i dette rum, og det kan være særligt skræmmende at udføre disse opgaver uden en intuitiv brugergrænseflade.

(Kilde: Microsoft.com)

Java-kode for at afslutte programmet

Azure ML er ledsaget af ML studio, som i det væsentlige er et browserbaseret værktøj, der giver dataforskeren en brugervenlig træk-og-slip-grænseflade med det formål at opbygge disse modeller.

De fleste af de stærkt anvendte algoritmer og biblioteker kommer ud af kassen for brugerne. Det kan også prale af indbygget understøttelse af R og Python, så veterandata-forskerne ændrer og tilpasser deres model og dens arkitektur efter deres smag.

Når modellen er bygget og er klar, kan den let bruges som en webservice, der kan kaldes af en overflod af programmeringssprog, hvilket i det væsentlige gør den tilgængelig for den applikation, der faktisk står over for slutbrugeren.

Machine Learning Studio gør maskinlæring ret ligetil ved at give en træk-og-slip-måde, hvorpå du opbygger arbejdsgangen. Med ML Studio og et stort antal moduler, det tilbyder til modellering af arbejdsgangen, kan man fremstille avancerede modeller uden at skrive nogen kode.

Maskinindlæring begynder med data, som kan komme fra forskellige oprindelser. Dataene skal typisk 'renses', inden de bruges, og som ML Studio indeholder moduler til at hjælpe med rengøringen. Når dataene er klar, kan man vælge en algoritme og 'træne' modellen over dataene og finde mønstre i den. Derefter kommer scoring og evaluering af modellen, som fortæller dig, hvor godt modellen er i stand til at forudsige resultater. Alt dette leveres visuelt i ML Studio. Når modellen er klar, implementerer et par knap-klik den som en webservice, så den kan kaldes fra klientapps.

ML Studio leverer forudindspillede implementeringer af 25 af de standardalgoritmer, der bruges i maskinlæring. Det adskiller dem i fire sektioner.

  • Anomali detektion er en metode til klassificering af ting, begivenheder eller observationer, der ikke passer til et konventionelt mønster eller andre elementer i et datasæt.
  • Regressionsalgoritmer forsøger at opdage og kvantificere forhold mellem variabler. Ved at etablere et forhold mellem en afhængig variabel og en eller flere uafhængige variabler kan regressionsanalyse muliggøre forudsigelse af værdien af ​​en afhængig variabel givet et sæt input med en kvantificerbar nøjagtighed.
  • Målet med klassificeringsalgoritmer er at identificere den klasse, som en observation hører til, baseret på træningsdata bestående af observationer, der allerede er tildelt en kategori.
  • Clustering søger at samle en masse objekter op på en måde, så objekter i den samme gruppe (kaldet en klynge) ligner hinanden mere end dem i andre grupper (klynger).

Når den er udvidet som en webtjeneste, kan en model bruges med forenklede REST-opkald via HTTP. Dette giver udviklere mulighed for at opbygge applikationer, der henter deres intelligens fra maskinindlæring.

Hvad der følger i denne Azure Machine Learning-artikel er en hurtig afslutning om azurblå og dens funktioner

Gå videre med Azure Machine Learning-artiklen,

Machine Learning Cloud Service

Cloudtjenesterne tillader i det væsentlige en slutbruger at leje ud eller bruge de tjenester (hardwaremaskiner), der er distribueret af en anden virksomhed, eksternt via Internettet.

Azure Machine Learning-tjenesten leverer softwareudviklingssæt og -tjenester til hurtig forberedelse af data, træning og implementering af tilpassede ML-modeller.Der er ud af boksen understøttelse af open source Python-rammer, såsom PyTorch, TensorFlow og scikit-learning.Man bør overveje at bruge dette, hvis de har brug for at bygge tilpassede modeller eller arbejde med modeller for dyb læring

Men hvis du er tilbøjelig til ikke at arbejde i Python eller ønsker en enklere service, skal du ikke bruge dette.

Disse tjenester kræver en hel del datavidenskabelig viden og baggrund og anbefales ikke til en nybegynder. Betal kun for ressourcer til at træne modeller. Flere prisniveauer til implementering via Azure Kubernetes Service.

Gå videre med Azure Machine Learning-artiklen,

Grafisk interface

Grafiske grænseflader er ingen kode eller platform med lav kode baseret på måder at få adgang til funktioner såsom ML. Nogle af dem kan være rullelister, i dette tilfælde er det et træk og slip-værktøj.

Azure Machine Learning Studio er et træk-og-slip-maskinlæringsværktøj, der giver dig mulighed for at opbygge, træne og tilpasse maskinindlæringsmodeller ved at uploade et brugerdefineret sæt data til evaluering af resultater i en grafisk grænseflade. Efter træning af en model kan du implementere den som en webservice direkte fra studiet.

Denne funktionalitet anvendes normalt, når koden, der skal skrives, skal være lav, eller hvis hovedarbejdet er baseret på grundlæggende problemer som klassifikation, regression og klyngedannelse

Denne tilgang er generelt nybegyndervenlig, men det kræver en vis baggrundsviden inden for datalogi.

Selvom det har en gratis mulighed, koster standardniveau $ 9,99 pr. Sæde pr. Måned og $ 1 pr. Eksperimentstid.

Machine Learning API

Et Application Program Interface (API) er en tjeneste, der kan leveres af en organisation, der kan sende svar til bestemte forespørgsler, og disse svar kan bruges til at forbedre ens applikation.

Dette giver os mulighed for at have adgang til forskellige tjenester uden direkte at køre ned i vores kerneapplikation.

hvordan fungerer casting i java

Microsofts API-tjenester kaldes Cognitive Services. Disse kan implementeres lige på Azure. Der er fem klasser af tjenester tilgængelige inklusive vision, sprog, tale, søgning og beslutning. Disse er foruddannede modeller, der passer til udviklere, der er begejstrede for at anvende Machine Learning, men som ikke har en baggrund inden for datalogi.

Disse tjenester mangler imidlertid, når det kommer til tilpasninger, og anbefales derfor ikke i tilfælde, hvor mange ting er veldefinerede, kravene er ikke fleksible.

Gå videre med Azure Machine Learning-artiklen,

ML.NET

Rammer er generelle områdekoder, som man kan bygge deres egen applikation oven på. Rammer giver mulighed for at passe på lavere niveau-funktionalitet, så man kun skal passe på deres applikationslogik.

ML.NET har en klassifikations-, regression-, anomaliedetekterings- og anbefalingstræningsalgoritmer og kan udvides med Tensorflow og ONNX til neurale netværk.

Dette kan være til stor nytte for en .NET-udvikler, der er komfortabel med at bygge sine egne ML-rørledninger.Læringskurven betyder dog, at de generelle pythonudviklere skal holde sig væk.

Gå videre med Azure Machine Learning-artiklen,

AutoML

Automatiseret maskinindlæring har for nylig tiltrukket stor opmærksomhed og er software, der automatisk vælger og træner maskinindlæringsmodeller. Selvom det er let at tænke, at det teknisk kan erstatte en dataforskers job, ved en person, der faktisk har brugt det klart, at der er begrænsninger for, hvad det kan og ikke kan gøre.

Den nuværende meta (uden AutoML) for dataforskere ville være at først oprette en basismodel og derefter gentage de forskellige muligheder for hyperparametre manuelt, indtil de ankommer til et sæt værdier, der giver de bedste resultater. Som man let kan gætte, er dette en ekstremt tidskrævende og en hit-miss-baseret strategi. Desuden øges søgerummet eksponentielt, når antallet af hyperparametre øges, hvilket gør de nyere, dybe neurale netværksbaserede arkitekturer næsten umulige at fuldstændigt gentage og optimere.

I øjeblikket er Microsofts AutoML i stand til at opbygge et sæt ML-modeller automatisk, intelligent vælge modeller til træning og derefter anbefale den bedste til dig baseret på ML-problemet og datatypen. Kort sagt vælger den den rigtige algoritme og hjælper med at tune hyperparametre. I øjeblikket understøtter det kun klassificering, prognoser og regressionsproblemer.

AutoML bruges sammen med Azure Machine Learning Service eller ML.NET, og du betaler for eventuelle omkostninger forbundet med dem.

Så dette bringer os til slutningen af ​​denne artikel. Jeg håber du nød denne artikel. Hvis du læser dette, så lad mig lykønske dig. Da du ikke længere er nybegynder i Azure! Jo mere du øver jo mere lærer du. For at gøre din rejse let er vi kommet op med dette Azure-vejledning Blog-serien som opdateres ofte, så hold dig opdateret!

Vi er også kommet med en læseplan, der dækker nøjagtigt, hvad du har brug for for at knække Azure-eksamenerne! Du kan se på kursusoplysningerne for . Glad læring!

Har du et spørgsmål til os? Nævn det i kommentarfeltet i denne artikel, så vender vi tilbage til dig.