Ta članek vas bo seznanil z drobnimi težavami pri izvajanju prakse v storitvi Azure Machine Learning. V tem članku bodo zajeti naslednji napotki:
- Strojno učenje Azure
- Služba strojnega učenja Azure
- Storitev v oblaku za strojno učenje
- Grafični vmesnik
- API za strojno učenje
- ML.NET
- AutoML
Začnimo s tem člankom o strojnem učenju Azure,
Strojno učenje Azure
Pojav oblakov je zaznamoval nov začetek v računalniški infrastrukturi. V bistvu je pomenilo, da lahko uporabimo vire, ki bi jih bilo sicer zelo drago kupiti, če bi jih uporabljali prek interneta. Strojno učenje, zlasti globoko učenje, zahteva uporabo računalniških arhitektur, ki omogočajo uporabo izredno velike količine RAM-a in VRAM-a (za jedra Cuda). Oboje blago je težko dobiti iz dveh glavnih razlogov -
Prenosniki za enega lahko v okvir, ki ga imajo, zapakirajo le omejeno količino virov. To pomeni, da tipičen uporabnik prenosnega računalnika ne more imeti na voljo dovolj sredstev za lokalno izvajanje nalog strojnega učenja na računalniku
Nakup RAM-a in zlasti VRAM-a je izjemno drag in zdi se, da gre za izjemno veliko naložbo. Skupaj z robustnim RAM-om in VRAM-om potrebujemo tudi podporo visokokakovostnih CPU-jev (sicer bi se CPU izkazal kot ozko grlo za sistem), kar dodatno vodi do skupne cene.
Nadaljujemo s člankom o strojnem učenju Azure,
Služba strojnega učenja Azure
Ob upoštevanju zgornjih težav lahko zlahka razumemo potrebo po virih, ki so na voljo na daljavo prek interneta s 24 * 7 dostopom.
Azure ML je storitev v oblaku, ki zagotavlja poenostavljeno izkušnjo za znanstvenike na vseh ravneh. To je še posebej pomembno zaradi dejstva, da veliko novih inženirjev poskuša vstopiti v ta prostor in je lahko zelo zastrašujoče opravljati te naloge brez intuitivnega uporabniškega vmesnika.
(Vir: Microsoft.com)
Azure ML spremlja ML studio, ki je v bistvu orodje, ki temelji na brskalniku in daje podatkovnemu znanstveniku enostaven vmesnik povleci in spusti za namene izdelave teh modelov.
Večina pogosto uporabljenih algoritmov in knjižnic prihaja iz škatle za uporabnike. Ponaša se tudi z vgrajeno podporo za R in Python, tako da veteranski znanstveniki lahko spremenijo in prilagodijo svoj model in svojo arhitekturo po svojih željah.
Ko je model zgrajen in pripravljen, ga je mogoče enostavno uporabiti kot spletno storitev, ki jo lahko pokliče množica programskih jezikov, v bistvu pa je na voljo za aplikacijo, ki je dejansko obrnjena proti končnemu uporabniku.
Studio za strojno učenje omogoča strojno učenje dokaj enostavno, saj omogoča povleci in spusti način gradnje poteka dela. Z ML Studio in številnimi moduli, ki jih ponuja za modeliranje poteka dela, lahko izdelate napredne modele brez pisanja kode.
kako narediti posnetek zaslona v selenium webdriver z uporabo Java -
Strojno učenje se začne s podatki, ki so lahko različnega izvora. Podatke je običajno treba pred uporabo očistiti, za kar ML Studio vključuje module, ki pomagajo pri čiščenju. Ko so podatki pripravljeni, lahko izberemo algoritem in model 'treniramo' nad podatki ter v njih najdemo vzorce. Nato sledi točkovanje in vrednotenje modela, ki vam pove, kako dobro je model sposoben napovedati rezultate. Vse to vizualno dostavite v ML Studio. Ko je model pripravljen, ga z nekaj kliki gumba postavite kot spletno storitev, tako da jo lahko kličete iz odjemalskih aplikacij.
ML Studio ponuja vnaprej posnete izvedbe petindvajsetih standardnih algoritmov, ki se uporabljajo v strojnem učenju. Ločuje jih na štiri odseke.
- Odkrivanje nepravilnosti je metoda razvrščanja stvari, dogodkov ali opazovanj, ki ne ustrezajo običajnemu vzorcu ali drugim elementom v naboru podatkov.
- Regresijski algoritmi poskušajo odkriti in količinsko opredeliti razmerja med spremenljivkami. Z vzpostavitvijo povezave med odvisno spremenljivko in eno ali več neodvisnimi spremenljivkami lahko regresijska analiza omogoči napoved vrednosti odvisne spremenljivke glede na nabor vhodov z merljivo natančnostjo.
- Cilj klasifikacijskih algoritmov je na podlagi podatkov o vadbi, ki jih sestavljajo opazovanja, ki so že bila dodeljena kategoriji, opredeliti razred, ki mu pripada opazovanje.
- Grozdenje skuša kopičiti kup predmetov na način, da so si predmeti v isti skupini (imenovani grozd) bolj podobni kot tistim v drugih skupinah (grozdih).
Ko je model razširjen kot spletna storitev, ga lahko uporabimo s poenostavljenimi klici REST prek HTTP. To razvijalcem omogoča izdelavo aplikacij, ki svojo inteligenco pridobijo iz strojnega učenja.
V tem članku o strojnem učenju Azure sledi hitra predstavitev azurnega in njegovih lastnosti
Nadaljujemo s člankom o strojnem učenju Azure,
Storitev v oblaku za strojno učenje
Storitve v oblaku končnemu uporabniku v bistvu omogočajo, da najame ali uporablja storitve (strojne stroje), ki jih uporablja drugo podjetje, na daljavo prek interneta.
Storitev strojnega učenja Azure ponuja komplete in storitve za razvoj programske opreme za takojšnjo pripravo podatkov, usposabljanje in uvajanje modelov ML po meri.Na voljo je podpora za odprtokodne ogrodja Python, kot so PyTorch, TensorFlow in scikit-learn.To bi morali razmisliti, če bi morali zgraditi modele po meri ali delati z modeli globokega učenja
Če pa ne želite delati v Pythonu ali želite enostavnejšo storitev, tega ne uporabljajte.
Te storitve zahtevajo veliko znanja in predznanja na področju znanosti o podatkih in niso priporočljive za začetnike. Plačajte samo sredstva za usposabljanje modelov. Več cenovnih stopenj za uvajanje prek storitve Azure Kubernetes.
Nadaljujemo s člankom o strojnem učenju Azure,
Grafični vmesnik
Grafični vmesniki niso nobena koda ali nizkokodna platforma, ki temelji na načinih dostopa do zmogljivosti, kot je ML. Nekateri med njimi so lahko spustni seznami, v tem primeru gre za orodje za povleci in spusti.
Azure Machine Learning Studio je orodje za strojno učenje »povleci in spusti«, ki vam omogoča, da zgradite, usposobite in prilagodite modele strojnega učenja s prenosom nabora podatkov po meri za ocenjevanje rezultatov v grafični vmesnik. Po treningu modela ga lahko namestite kot spletno storitev neposredno iz studia.
Ta funkcionalnost se običajno uporablja, kadar mora biti koda, ki jo je treba napisati, nizka ali če glavno delo temelji na temeljnih težavah, kot so klasifikacija, regresija in združevanje v skupine.
Ta pristop je na splošno prijazen do začetnikov, vendar zahteva nekaj predznanja v znanosti o podatkih.
Čeprav ima brezplačno možnost, stane običajna stopnja 9,99 USD na sedež na mesec in 1 USD na poskusno uro.
API za strojno učenje
Vmesnik aplikacijskega programa (API) je storitev, ki jo lahko zagotovi organizacija, ki lahko pošlje odgovore na določena poizvedbe, ti odzivi pa se lahko uporabijo za izboljšanje aplikacije.
To nam omogoča fleksibilnost dostopa do različnih storitev, ne da bi neposredno zataknili našo osnovno aplikacijo.
pl sql vadnica s primeri
Microsoftove storitve API se imenujejo kognitivne storitve. Te je mogoče namestiti neposredno v Azure. Na voljo je pet razredov storitev, vključno z vidom, jezikom, govorom, iskanjem in odločanjem. To so predhodno usposobljeni modeli, ki ustrezajo razvijalcem, ki so navdušeni nad uporabo strojnega učenja, vendar nimajo znanja o podatkih.
Vendar pa te storitve pri prilagoditvah ne zadoščajo in jih zato ni priporočljivo uporabljati v primerih, ko je veliko stvari dobro opredeljenih, zahteve pa niso prilagodljive.
Nadaljujemo s člankom o strojnem učenju Azure,
ML.NET
Okviri so splošna orisna koda, na katero si lahko zgradimo svojo aplikacijo. Okviri omogočajo skrb za funkcionalnost nižje ravni, tako da je treba paziti le na njihovo logiko uporabe.
ML.NET ima algoritme za klasifikacijo, regresijo, odkrivanje anomalij in priporočila ter ga je mogoče razširiti s sistemoma Tensorflow in ONNX za nevronske mreže.
To je lahko zelo koristno za razvijalce .NET, ki mu je všeč graditi lastne cevovode ML.Vendar krivulja učenja pomeni, da se morajo splošni razvijalci pythonov držati stran.
Nadaljujemo s člankom o strojnem učenju Azure,
AutoML
Avtomatizirano strojno učenje v zadnjem času vzbuja veliko pozornosti in je programska oprema, ki samodejno izbere in usposobi modele strojnega učenja. Čeprav je lahko misliti, da lahko tehnično nadomesti delo znanstvenika za podatke, nekdo, ki ga je dejansko uporabljal, jasno ve, vendar obstajajo omejitve glede tega, kaj lahko in česa ne.
Trenutna meta (brez AutoML) za podatkovne znanstvenike bi bila, da najprej ustvarijo osnovni model in nato ročno pregledujejo različne možnosti hiper parametrov, dokler ne dobijo nabora vrednosti, ki dajejo najboljše rezultate. Kot lahko zlahka ugibamo, je to izjemno dolgotrajna strategija, ki temelji na zadetkih. Prav tako se prostor za iskanje eksponentno povečuje s povečanjem števila hiperparametrov, zaradi česar novejših, globokih nevronskih mrežnih arhitektur skoraj ni mogoče popolnoma ponoviti in optimizirati.
Trenutno lahko Microsoftov AutoML samodejno ustvari nabor modelov ML, inteligentno izbere modele za usposabljanje in nato priporoči najboljšega za vas glede na težavo z ML in vrsto podatkov. Na kratko izbere pravi algoritem in pomaga uglasiti hiperparametre. Trenutno podpira samo težave s klasifikacijo, napovedovanjem in regresijo.
AutoML se uporablja s storitvijo strojnega učenja Azure ali ML.NET in s tem plačate stroške.
Tako smo prišli do konca tega članka. Upam, da vam je bil ta članek všeč. Če berete to, naj vam čestitam. Ker v Azureju niste več novinec! Bolj ko vadite, več se boste naučili. Da bi vam olajšali potovanje, smo to pripravili Vadnica za Azure Blog Series ki se bodo pogosto posodabljali, zato bodite z nami!
Pripravili smo tudi kurikulum, ki natančno zajema tisto, kar bi potrebovali za izpit iz Azure izpitov! Ogledate si lahko podrobnosti tečaja za . Srečno učenje!
Imate vprašanje za nas? Prosimo, omenite to v oddelku za komentarje tega članka in se bomo javili.