Όλα όσα πρέπει να γνωρίζετε για την υπηρεσία Azure Machine Learning

Αυτό το άρθρο θα εισαγάγει την Azure Machine Service που προσφέρεται από το Azure Cloud και επίσης θα σας παρουσιάσει διάφορα στοιχεία και χαρακτηριστικά του ίδιου.

Αυτό το άρθρο θα σας παρουσιάσει την καλή εφαρμογή πρακτικές στην υπηρεσία Azure Machine Learning. Οι ακόλουθοι δείκτες θα καλυφθούν σε αυτό το άρθρο,

Ας ξεκινήσουμε λοιπόν με αυτό το άρθρο Azure Machine Learning,





Azure Machine Learning

Η έλευση του cloud σηματοδότησε μια νέα αρχή στην υποδομή υπολογιστών. Βασικά σήμαινε ότι κάποιος μπορεί να χρησιμοποιήσει πόρους που θα ήταν εξαιρετικά ακριβό για να αγοράσει διαφορετικά για χρήση μέσω του Διαδικτύου. Η μηχανική μάθηση, ειδικά η βαθιά μάθηση, απαιτεί τη χρήση αρχιτεκτονικών υπολογιστών που επιτρέπουν τη χρήση εξαιρετικά υψηλής ποσότητας μνήμης RAM και VRAM (για τους Cuda Cores). Και τα δύο αυτά προϊόντα είναι δύσκολο να αποκτήσουν για δύο βασικούς λόγους -

δοκιμή cross browser στο σελήνιο
  1. Οι φορητοί υπολογιστές για ένα, μπορούν να συσκευάσουν μόνο σε περιορισμένο αριθμό πόρων στο πλαίσιο που διαθέτουν. Αυτό σημαίνει ότι ένας τυπικός χρήστης φορητού υπολογιστή δεν μπορεί να έχει αρκετούς πόρους στη διάθεσή του για να εκτελέσει τις εργασίες μηχανικής εκμάθησης τοπικά στο μηχάνημα



  2. Η μνήμη RAM και ειδικά το VRAM είναι εξαιρετικά δαπανηρή στην αγορά και φαίνεται να είναι εξαιρετικά υψηλή επένδυση. Μαζί με την ισχυρή μνήμη RAM και VRAM, χρειαζόμαστε επίσης υποστήριξη υψηλής ποιότητας CPU (διαφορετικά η CPU θα αποδειχθεί εμπόδιο για το σύστημα), αυτό οδηγεί περαιτέρω τη συνολική τιμή ακόμη υψηλότερη.

Προχωρώντας με το άρθρο Azure Machine Learning,

Υπηρεσία Azure Machine Learning

Λαμβάνοντας υπόψη τα παραπάνω ζητήματα, μπορούμε εύκολα να κατανοήσουμε την ανάγκη για πόρους που διατίθενται εξ αποστάσεως μέσω του Διαδικτύου με πρόσβαση 24 * 7.



Λογότυπο Azure ML - Azure Machine Learning - Edureka

Το Azure ML είναι μια υπηρεσία που βασίζεται σε σύννεφο και παρέχει βελτιωμένη εμπειρία για επιστήμονες δεδομένων σε όλα τα επίπεδα. Αυτό είναι ιδιαίτερα σημαντικό λόγω του γεγονότος ότι πολλοί νέοι μηχανικοί προσπαθούν να εισέλθουν σε αυτόν τον χώρο και μπορεί να είναι ιδιαίτερα τρομακτικό να εκτελέσετε αυτές τις εργασίες χωρίς ένα έξυπνο περιβάλλον εργασίας χρήστη.

(Πηγή: Microsoft.com)

Το Azure ML συνοδεύεται από ML studio, το οποίο ουσιαστικά είναι ένα εργαλείο που βασίζεται σε πρόγραμμα περιήγησης που δίνει στον επιστήμονα δεδομένων μια εύκολη στη χρήση διεπαφή μεταφοράς και απόθεσης για την κατασκευή αυτών των μοντέλων.

Οι περισσότεροι από τους αλγόριθμους και τις βιβλιοθήκες που χρησιμοποιούνται πολύ βγαίνουν από το κουτί για τους χρήστες. Διαθέτει επίσης ενσωματωμένη υποστήριξη για τους R και Python, επιτρέποντας στους βετεράνους επιστήμονες δεδομένων να αλλάξουν και να προσαρμόσουν το μοντέλο και την αρχιτεκτονική τους σύμφωνα με τις προτιμήσεις τους.

Μόλις κατασκευαστεί το μοντέλο και είναι έτοιμο, μπορεί εύκολα να χρησιμοποιηθεί ως υπηρεσία ιστού που μπορεί να κληθεί από πληθώρα γλωσσών προγραμματισμού, καθιστώντας ουσιαστικά διαθέσιμο για την εφαρμογή που αντιμετωπίζει πραγματικά τον τελικό χρήστη.

Το Machine Learning Studio κάνει τη μηχανική εκμάθηση αρκετά απλή, παρέχοντας έναν τρόπο μεταφοράς και απόθεσης με τον οποίο δημιουργείτε τη ροή εργασίας. Με το ML Studio και έναν μεγάλο αριθμό ενοτήτων που προσφέρει για τη μοντελοποίηση της ροής εργασίας, μπορεί κανείς να δημιουργήσει προηγμένα μοντέλα χωρίς να γράψει κώδικα.

Η Μηχανική Εκμάθηση ξεκινά με δεδομένα, τα οποία μπορούν να προέρχονται από μια ποικιλία προέλευσης. Τα δεδομένα πρέπει συνήθως να 'καθαριστούν' πριν χρησιμοποιηθούν, για τα οποία το ML Studio ενσωματώνει λειτουργικές μονάδες για να βοηθήσει στον καθαρισμό. Μόλις τα δεδομένα είναι έτοιμα, μπορεί κανείς να επιλέξει έναν αλγόριθμο και να «εκπαιδεύσει» το μοντέλο πάνω από τα δεδομένα και να βρει μοτίβα σε αυτό. Μετά από αυτό έρχεται βαθμολογία και αξιολόγηση του μοντέλου, το οποίο σας λέει πόσο καλά το μοντέλο είναι σε θέση να προβλέψει τα αποτελέσματα. Όλα αυτά παραδίδονται οπτικά στο ML Studio. Μόλις το μοντέλο είναι έτοιμο, μερικά κλικ κουμπιά το χρησιμοποιούν ως υπηρεσία Web, ώστε να μπορούν να κληθούν από εφαρμογές πελατών.

Το ML Studio παρέχει προ-εγγεγραμμένες υλοποιήσεις είκοσι πέντε από τους τυπικούς αλγόριθμους που χρησιμοποιούνται στη μηχανική μάθηση. Τους χωρίζει σε τέσσερα τμήματα.

  • Η ανίχνευση ανωμαλιών είναι μια μέθοδος ταξινόμησης πραγμάτων, συμβάντων ή παρατηρήσεων που δεν ταιριάζουν με ένα συμβατικό μοτίβο ή άλλα στοιχεία σε ένα σύνολο δεδομένων.
  • Οι αλγόριθμοι παλινδρόμησης προσπαθούν να ανακαλύψουν και να ποσοτικοποιήσουν τις σχέσεις μεταξύ των μεταβλητών. Με την καθιέρωση μιας σχέσης μεταξύ μιας εξαρτημένης μεταβλητής και μιας ή περισσότερων ανεξάρτητων μεταβλητών, η ανάλυση παλινδρόμησης μπορεί να επιτρέψει την πρόβλεψη της τιμής μιας εξαρτημένης μεταβλητής δεδομένου ενός συνόλου εισόδων με ποσοτική ακρίβεια.
  • Ο στόχος των αλγορίθμων ταξινόμησης είναι να προσδιορίσει την τάξη στην οποία ανήκει μια παρατήρηση βασισμένη σε δεδομένα εκπαίδευσης που αποτελούνται από παρατηρήσεις που έχουν ήδη ανατεθεί σε μια κατηγορία.
  • Η ομαδοποίηση επιδιώκει να συσσωρεύσει ένα σωρό αντικείμενα με τρόπο που τα αντικείμενα στην ίδια ομάδα (που ονομάζεται σύμπλεγμα) είναι πιο παρόμοια μεταξύ τους από αυτά σε άλλες ομάδες (συστάδες).

Μόλις επεκταθεί ως υπηρεσία Web, ένα μοντέλο μπορεί να χρησιμοποιηθεί με απλουστευμένες κλήσεις REST μέσω HTTP. Αυτό επιτρέπει στους προγραμματιστές να δημιουργούν εφαρμογές που λαμβάνουν τη νοημοσύνη τους από τη μηχανική μάθηση.

Αυτό που ακολουθεί σε αυτό το άρθρο Azure Machine Learning είναι μια γρήγορη ενημέρωση σχετικά με το γαλάζιο και τα χαρακτηριστικά του

Προχωρώντας με το άρθρο Azure Machine Learning,

Η υπηρεσία Cloud Learning Machine

Οι υπηρεσίες cloud ουσιαστικά επιτρέπουν σε έναν τελικό χρήστη να ενοικιάσει ή να χρησιμοποιήσει τις υπηρεσίες (μηχανήματα υλικού) που αναπτύσσονται από άλλη εταιρεία, εξ αποστάσεως μέσω του Διαδικτύου.

Η υπηρεσία Azure Machine Learning παρέχει κιτ ανάπτυξης λογισμικού και υπηρεσίες για γρήγορη προετοιμασία δεδομένων, εκπαίδευση και ανάπτυξη προσαρμοσμένων μοντέλων ML.Υπάρχει δωρεάν υποστήριξη για ανοιχτά πηγαία πλαίσια Python, όπως PyTorch, TensorFlow και scikit-learn.Κάποιος θα πρέπει να εξετάσει το ενδεχόμενο να το χρησιμοποιήσει εάν χρειάζεται να δημιουργήσει προσαρμοσμένα μοντέλα ή να δουλέψει με μοντέλα βαθιάς μάθησης

Ωστόσο, εάν έχετε την τάση να μην εργάζεστε στο Python ή θέλετε απλούστερη υπηρεσία, μην το χρησιμοποιείτε.

Αυτές οι υπηρεσίες απαιτούν πολλές γνώσεις και υπόβαθρο της επιστήμης δεδομένων και δεν συνιστάται για τους αρχάριους. Πληρώστε μόνο για πόρους για την εκπαίδευση μοντέλων. Διάφορα επίπεδα τιμολόγησης για ανάπτυξη μέσω της υπηρεσίας Azure Kubernetes.

Προχωρώντας με το άρθρο Azure Machine Learning,

Γραφική διεπαφή

Οι γραφικές διεπαφές δεν διαθέτουν κώδικα ή πλατφόρμα χαμηλού κώδικα που βασίζεται σε τρόπους πρόσβασης σε δυνατότητες όπως το ML. Μερικά από αυτά μπορεί να είναι αναπτυσσόμενες λίστες, σε αυτήν την περίπτωση, είναι ένα εργαλείο μεταφοράς και απόθεσης.

Το Azure Machine Learning Studio είναι ένα εργαλείο μηχανικής εκμάθησης μεταφοράς και απόθεσης που σας επιτρέπει να δημιουργήσετε, να εκπαιδεύσετε και να προσαρμόσετε μοντέλα μηχανικής μάθησης, ανεβάζοντας ένα προσαρμοσμένο σύνολο δεδομένων για την αξιολόγηση των αποτελεσμάτων σε μια γραφική διεπαφή. Αφού εκπαιδεύσετε ένα μοντέλο, μπορείτε να το αναπτύξετε ως υπηρεσία διαδικτύου απευθείας από το Studio.

Αυτή η λειτουργικότητα χρησιμοποιείται συνήθως όταν ο κώδικας που πρέπει να γραφτεί πρέπει να είναι χαμηλός ή το μεγαλύτερο έργο βασίζεται σε θεμελιώδη προβλήματα όπως ταξινόμηση, παλινδρόμηση και ομαδοποίηση

Αυτή η προσέγγιση είναι γενικά φιλική προς τους αρχάριους, ωστόσο, απαιτεί κάποια βασική γνώση στην επιστήμη των δεδομένων.

Ενώ έχει μια δωρεάν επιλογή, το βασικό επίπεδο κοστίζει 9,99 $ ανά θέση, ανά μήνα και 1 $ ανά ώρα πειραματισμού.

API μηχανικής εκμάθησης

Μια διεπαφή προγράμματος εφαρμογής (API) είναι μια υπηρεσία που μπορεί να παρασχεθεί από έναν οργανισμό που μπορεί να στείλει απαντήσεις σε ορισμένα ερωτήματα και αυτές οι απαντήσεις μπορούν να χρησιμοποιηθούν για τη βελτίωση της εφαρμογής κάποιου.

Αυτό μας επιτρέπει να έχουμε την ευελιξία να έχουμε πρόσβαση σε διάφορες υπηρεσίες χωρίς να κλείνουμε άμεσα την βασική μας εφαρμογή.

τι κάνει το math.abs στην Ιάβα

Οι υπηρεσίες API της Microsoft ονομάζονται Cognitive Services. Αυτά μπορούν να αναπτυχθούν απευθείας στο Azure. Υπάρχουν πέντε διαθέσιμες κατηγορίες υπηρεσιών, όπως όραμα, γλώσσα, ομιλία, αναζήτηση και απόφαση. Πρόκειται για προ-εκπαιδευμένα μοντέλα που ταιριάζουν σε προγραμματιστές που είναι ενθουσιώδεις να χρησιμοποιήσουν τη Μηχανική Εκμάθηση αλλά δεν έχουν υπόβαθρο της επιστήμης των δεδομένων.

Ωστόσο, αυτές οι υπηρεσίες υπολείπονται όταν πρόκειται για προσαρμογές και ως εκ τούτου δεν συνιστώνται σε περιπτώσεις όπου πολλά πράγματα είναι καλά καθορισμένες απαιτήσεις δεν είναι ευέλικτες.

Προχωρώντας με το άρθρο Azure Machine Learning,

ML.NET

Τα πλαίσια είναι ένας γενικός κώδικας διάρθρωσης στον οποίο μπορεί κανείς να δημιουργήσει τη δική του εφαρμογή. Τα πλαίσια επιτρέπουν τη λειτουργικότητα χαμηλότερου επιπέδου για τη φροντίδα, έτσι ώστε κάποιος πρέπει να φροντίζει μόνο τη λογική της εφαρμογής τους.

Το ML.NET έχει αλγόριθμους ταξινόμησης, παλινδρόμησης, ανίχνευσης ανωμαλιών και προτάσεων προτάσεων και μπορεί να επεκταθεί με Tensorflow και ONNX για νευρωνικά δίκτυα.

Αυτό μπορεί να είναι πολύ χρήσιμο για έναν προγραμματιστή .NET που είναι άνετος να κατασκευάζει δικούς του αγωγούς ML.Ωστόσο, η καμπύλη μάθησης σημαίνει ότι οι γενικοί προγραμματιστές python πρέπει να μείνουν μακριά.

Προχωρώντας με το άρθρο Azure Machine Learning,

AutoML

Η αυτοματοποιημένη μηχανική μάθηση προσελκύει πολλή προσοχή πρόσφατα και είναι λογισμικό που επιλέγει αυτόματα και εκπαιδεύει μοντέλα Machine Learning. Αν και είναι εύκολο να σκεφτεί κανείς ότι μπορεί να αντικαταστήσει τεχνικά τη δουλειά ενός επιστήμονα δεδομένων, κάποιος που το έχει χρησιμοποιήσει ξεκάθαρα γνωρίζει, υπάρχουν περιορισμοί σε αυτό που μπορεί και τι δεν μπορεί να κάνει.

Το τρέχον meta (χωρίς AutoML) για τους επιστήμονες δεδομένων θα ήταν πρώτα να δημιουργήσει ένα βασικό μοντέλο και στη συνέχεια να επαναλάβει τις διάφορες δυνατότητες για υπερπαραμέτρους, χειροκίνητα μέχρι να φτάσουν σε ένα σύνολο τιμών που αποδίδουν τα καλύτερα αποτελέσματα. Όπως μπορεί κανείς να μαντέψει εύκολα, αυτή είναι μια εξαιρετικά χρονοβόρα και στρατηγική που βασίζεται στην επιτυχία. Επίσης, ο χώρος αναζήτησης αυξάνεται εκθετικά καθώς αυξάνεται ο αριθμός των υπερπαραμέτρων, καθιστώντας τις νεότερες, βαθιές νευρωνικές αρχιτεκτονικές που βασίζονται σε δίκτυο σχεδόν αδύνατο να επαναληφθούν πλήρως και να βελτιστοποιηθούν.

Προς το παρόν, το AutoML της Microsoft μπορεί να δημιουργήσει αυτόματα ένα σύνολο μοντέλων ML, επιλέγοντας έξυπνα μοντέλα για εκπαίδευση και, στη συνέχεια, προτείνει το καλύτερο για εσάς με βάση το πρόβλημα ML και τον τύπο δεδομένων. Με λίγα λόγια, επιλέγει τον σωστό αλγόριθμο και βοηθά στο συντονισμό των υπερπαραμέτρων. Προς το παρόν, υποστηρίζει μόνο προβλήματα ταξινόμησης, πρόβλεψης και παλινδρόμησης.

Το AutoML χρησιμοποιείται με την υπηρεσία Azure Machine Learning ή το ML.NET και πληρώνετε για τυχόν έξοδα που σχετίζονται με αυτά.

Αυτό μας φέρνει στο τέλος αυτού του άρθρου. Ελπίζω να σας άρεσε αυτό το άρθρο. Εάν το διαβάζετε, Επιτρέψτε μου να σας συγχαρώ. Καθώς δεν είστε πλέον αρχάριος στο Azure! Όσο περισσότερο ασκείστε τόσο περισσότερο θα μάθετε. Για να κάνουμε το ταξίδι σας εύκολο, έχουμε βρει αυτό Εκμάθηση Azure Σειρά ιστολογίου που θα ενημερώνεται συχνά, οπότε μείνετε συντονισμένοι!

Έχουμε επίσης δημιουργήσει ένα πρόγραμμα σπουδών που καλύπτει ακριβώς αυτό που θα χρειαστείτε για να ολοκληρώσετε τις εξετάσεις Azure! Μπορείτε να ρίξετε μια ματιά στις λεπτομέρειες του μαθήματος για . Καλή μάθηση!

Έχετε μια ερώτηση για εμάς; Παρακαλώ αναφέρετέ το στην ενότητα σχολίων αυτού του άρθρου και θα επικοινωνήσουμε μαζί σας.