Viss, kas jums jāzina par Azure mašīnmācīšanās pakalpojumu

Šis raksts jūs iepazīstinās ar ieviešanas asprātību Azure Machine Learning pakalpojuma prakse. Šajā rakstā tiks apskatīti šādi norādījumi,

• Azure Machine Learning
• Azure mašīnmācīšanās pakalpojums
• Mašīnmācīšanās mākoņpakalpojums
• Grafiskā saskarne
• Mašīnmācīšanās API
• ML.NET
• AutoML

Ļaujiet mums sākt darbu ar šo Azure Machine Learning rakstu,

Azure Machine Learning

Mākoņa parādīšanās iezīmēja jaunu sākumu skaitļošanas infrastruktūrā. Tas būtībā nozīmēja, ka var izmantot resursus, kuru pirkšana citādi būtu bijis ārkārtīgi dārga, lai tos izmantotu internetā. Mašīnmācībai, īpaši padziļinātai apmācībai, ir jāizmanto datoru arhitektūras, kas ļauj izmantot ārkārtīgi lielu operatīvās atmiņas apjomu un VRAM (Kuda serdeņiem). Abas šīs preces ir grūti iegādāties divu galveno iemeslu dēļ -

1. Klēpjdatorus vienai personai paredzētajā rāmī var ievietot tikai ierobežotā daudzumā resursu. Tas nozīmē, ka tipiskajam klēpjdatora lietotājam, iespējams, viņa rīcībā nav pietiekami daudz resursu, lai mašīnā lokāli veiktu mašīnmācīšanās uzdevumus

   
   
   

2. RAM un jo īpaši VRAM iegāde ir ārkārtīgi dārga, un šķiet, ka tie ir ārkārtīgi lieli ieguldījumi. Līdztekus izturīgajai RAM un VRAM mums ir jāatbalsta arī augstas kvalitātes procesori (pretējā gadījumā procesori izrādīsies sistēmas sašaurinājums), kas kopējo cenu vēl vairāk palielina.

Pārejot uz Azure Machine Learning rakstu,

Azure mašīnmācīšanās pakalpojums

Ņemot vērā iepriekš minētos jautājumus, mēs varam viegli saprast resursu nepieciešamību, kas ir attālināti lietojami internetā ar 24 * 7 piekļuvi.

Azure ML ir mākonī balstīts pakalpojums, kas nodrošina vienkāršotu pieredzi visu līmeņu datu zinātniekiem. Tas ir īpaši svarīgi tāpēc, ka šajā telpā mēģina iekļūt daudz jaunu inženieru, un šo uzdevumu veikšana bez intuitīvas lietotāja saskarnes var būt īpaši biedējoša.

(Avots: Microsoft.com)

Azure ML pavada ML studio, kas būtībā ir uz pārlūku balstīts rīks, kas datu zinātniekam sniedz viegli lietojamu interfeisu šo modeļu izveidošanai.

Lielākā daļa ļoti izmantoto algoritmu un bibliotēku lietotājiem tiek piedāvāti no kastes. Tas arī lepojas ar iebūvētu atbalstu R un Python, ļaujot veterānu datu zinātniekiem mainīt un pielāgot savu modeli un tā arhitektūru atbilstoši viņu vēlmēm.

Kad modelis ir izveidots un gatavs, to var viegli izmantot kā tīmekļa pakalpojumu, kuru var izsaukt ar daudzām programmēšanas valodām, kas būtībā padara to pieejamu lietojumprogrammai, kas faktiski saskaras ar gala lietotāju.

Machine Learning Studio padara mašīnmācīšanos diezgan vienkāršu, nodrošinot vilkšanas un nomešanas veidu, kādā veidojat darbplūsmu. Izmantojot ML Studio un lielu skaitu moduļu, ko tā piedāvā darbplūsmas modelēšanai, var izgatavot uzlabotus modeļus, nerakstot kodu.

Mašīnmācība sākas ar datiem, kuru izcelsme var būt dažāda. Dati pirms to izmantošanas parasti ir „jātīra”, un ML Studio ir iekļauti moduļi, kas palīdz tīrīšanai. Kad dati ir gatavi, var izvēlēties algoritmu un “apmācīt” modeli pāri datiem un atrast tajā modeļus. Pēc tam seko modeļa vērtēšana un novērtēšana, kas norāda, cik labi modelis spēj pareģot rezultātus. Tas viss tiek vizuāli piegādāts ML Studio. Kad modelis ir gatavs, ar pāris pogu klikšķiem tas tiek izmantots kā tīmekļa pakalpojums, lai to varētu izsaukt no klienta lietotnēm.

ML Studio nodrošina iepriekš ierakstītu divdesmit piecu standarta algoritmu, kas tiek izmantoti mašīnmācībās, ieviešanu. Tas tos sadala četrās sekcijās.

• Anomāliju noteikšana ir tādu lietu, notikumu vai novērojumu klasificēšanas metode, kas neatbilst parastajam paraugam vai citiem datu kopas elementiem.
• Regresijas algoritmi mēģina atklāt un kvantificēt attiecības starp mainīgajiem. Izveidojot saistību starp atkarīgo mainīgo un vienu vai vairākiem neatkarīgiem mainīgajiem, regresijas analīze var ļaut paredzēt atkarīgā mainīgā vērtību, ņemot vērā ievadāmo datu kopu ar skaitļos izsakāmu precizitāti.
• Klasifikācijas algoritmu mērķis ir noteikt klasi, kurai pieder novērojums, pamatojoties uz apmācības datiem, kas sastāv no novērojumiem, kuri jau ir piešķirti kategorijai.
• Klasterizācijas mērķis ir sakraut virkni objektu tādā veidā, ka vienas grupas objekti (saukti par kopu) ir vairāk līdzīgi viens otram nekā citiem grupām (kopām).

Pēc modeli, kas paplašināts kā tīmekļa pakalpojums, var izmantot ar vienkāršotiem REST zvaniem, izmantojot HTTP. Tas ļauj izstrādātājiem veidot lietojumprogrammas, kuras iegūst intelektu no mašīnmācīšanās.

atrast masīva javascript garumu

Kas seko šajā Azure Machine Learning rakstā, ir īss pārskats par debeszilu un tā funkcijām

Pārejot uz Azure Machine Learning rakstu,

Mašīnmācīšanās mākoņpakalpojums

Mākoņpakalpojumi būtībā ļauj galalietotājam īrēt vai izmantot cita uzņēmuma izvietotos pakalpojumus (aparatūras mašīnas) attālināti, izmantojot internetu.

Azure Machine Learning pakalpojums nodrošina programmatūras izstrādes komplektus un pakalpojumus, lai ātri sagatavotu datus, apmācītu un izvietotu pielāgotus ML modeļus.Ārpus kastes ir pieejams atbalsts atvērtā koda Python ietvariem, piemēram, PyTorch, TensorFlow un scikit-learn.Būtu jāapsver iespēja to izmantot, ja viņiem ir nepieciešams veidot pielāgotus modeļus vai strādāt ar dziļu mācību modeļiem

Tomēr, ja esat sliecies nestrādāt Python vai vēlaties vienkāršāku pakalpojumu, nelietojiet to.

Šiem pakalpojumiem nepieciešamas daudz datu zinātnes zināšanas un priekšzināšanas, un iesācējiem tas nav ieteicams. Maksājiet tikai par resursiem, lai apmācītu modeļus. Vairāki cenu līmeņi izvietošanai, izmantojot Azure Kubernetes pakalpojumu.

Pārejot uz Azure Machine Learning rakstu,

Grafiskā saskarne

Grafiskās saskarnes nav kods vai zema koda platforma, kuras pamatā ir veidi, kā piekļūt iespējām, piemēram, ML. Daži no tiem var būt nolaižamie saraksti, šajā gadījumā tas ir velciet un nometiet rīks.

Azure Machine Learning Studio ir velciet un nometiet mašīnmācīšanās rīku, kas ļauj veidot, apmācīt un pielāgot mašīnmācīšanās modeļus, augšupielādējot pielāgotu datu kopu, lai novērtētu rezultātus grafiskajā saskarnē. Pēc modeļa apmācības to var izvietot kā tīmekļa pakalpojumu tieši no Studio.

Šo funkcionalitāti parasti izmanto, ja uzrakstāmajam kodam jābūt zemam vai galvenais darbs ir saistīts ar tādām pamatproblēmām kā klasifikācija, regresija un kopu veidošana

Šī pieeja parasti ir draudzīga iesācējiem, tomēr tā prasa zināmas pamatzināšanas datu zinātnē.

Lai gan tam ir bezmaksas iespēja, standarta līmenis maksā 9,99 USD par vietu, mēnesī un 1 USD par eksperimenta stundu.

Mašīnmācīšanās API

Lietojumprogrammu saskarne (API) ir pakalpojums, ko var nodrošināt organizācija, kas var nosūtīt atbildes uz noteiktiem jautājumiem, un šīs atbildes var izmantot, lai uzlabotu lietojumprogrammu.

Tas ļauj mums elastīgi piekļūt dažādiem pakalpojumiem, tieši nepieļaujot mūsu galveno lietojumprogrammu.

veidi, kā izveidot singleton klasi java

Microsoft API pakalpojumus sauc par kognitīvajiem pakalpojumiem. Tos var izvietot tieši Azure. Ir pieejamas piecas pakalpojumu klases, ieskaitot redzi, valodu, runu, meklēšanu un lēmumu pieņemšanu. Tie ir iepriekš apmācīti modeļi, kas piemēroti izstrādātājiem, kuri vēlas izmantot mašīnmācību, bet kuriem nav datu zinātnes fona.

Tomēr šie pakalpojumi nepietiek ar pielāgošanu, un tāpēc tie nav ieteicami gadījumos, kad daudzas lietas ir precīzi noteiktas, prasības nav elastīgas.

Pārejot uz Azure Machine Learning rakstu,

ML.NET

Rāmji ir vispārīgs koda kods, uz kura var izveidot savu lietojumprogrammu. Rāmji ļauj rūpēties par zemāka līmeņa funkcionalitāti, lai tikai būtu jāpieskata viņu lietojumprogrammu loģika.

ML.NET ir klasifikācijas, regresijas, anomāliju noteikšanas un ieteikumu apmācības algoritmi, un to var paplašināt ar Tensorflow un ONNX neironu tīkliem.

Tas var būt ļoti noderīgs .NET izstrādātājam, kuram ir ērti veidot savus ML cauruļvadus.Tomēr mācīšanās līkne nozīmē, ka vispārējiem pitona izstrādātājiem būtu jāpaliek prom.

Pārejot uz Azure Machine Learning rakstu,

AutoML

Automatizētā mašīnmācīšanās pēdējā laikā ir piesaistījusi lielu uzmanību, un tā ir programmatūra, kas automātiski izvēlas un apmāca mašīnmācīšanās modeļus. Kaut arī ir viegli domāt, ka tas tehniski var aizstāt datu zinātnieka darbu, kāds, kurš to faktiski ir izmantojis, skaidri zina, ir ierobežojumi tam, ko tas var un ko nevar darīt.

Pašreizējais meta (bez AutoML) datu zinātniekiem būtu vispirms izveidot bāzes modeli un pēc tam atkārtot dažādas hiperparametru iespējas, manuāli, līdz tie nonāk pie vērtību kopas, kas dod vislabākos rezultātus. Kā var viegli uzminēt, šī ir ārkārtīgi laikietilpīga stratēģija, kuras pamatā ir trāpījumi un trāpījumi. Arī meklēšanas telpa strauji palielinās, palielinoties hiperparametru skaitam, padarot jaunākas, dziļas neironu tīkla arhitektūras gandrīz neiespējamas pilnībā atkārtot un optimizēt.

Pašlaik Microsoft AutoML spēj automātiski izveidot ML modeļu komplektu, gudri atlasīt modeļus apmācībai, pēc tam ieteikt sev labāko, pamatojoties uz ML problēmu un datu tipu. Īsumā tas izvēlas pareizo algoritmu un palīdz noskaņot hiperparametrus. Pašlaik tā atbalsta tikai klasifikācijas, prognozēšanas un regresijas problēmas.

AutoML tiek izmantots kopā ar Azure Machine Learning Service vai ML.NET, un jūs maksājat par visām ar tiem saistītajām izmaksām.

Tātad tas mūs noved pie šī raksta beigām. Es ceru, ka jums patika šis raksts. Ja jūs to lasāt, ļaujiet man jūs apsveikt. Tā kā jūs vairs neesat iesācējs Azure! Jo vairāk jūs praktizēsiet, jo vairāk iemācīsities. Lai jūsu ceļojums būtu viegls, mēs to esam izdomājuši Azure apmācība Emuāru sērija kas tiks bieži atjaunināts, tāpēc sekojiet jaunumiem!

Mēs arī esam izstrādājuši mācību programmu, kas aptver tieši to, kas jums būtu nepieciešams, lai uzlauztu Azure eksāmenus! Jūs varat apskatīt kursa informāciju par . Laimīgu mācīšanos!

Vai mums ir jautājums? Lūdzu, pieminējiet to šī raksta komentāru sadaļā, un mēs ar jums sazināsimies.