Tento článok vás oboznámi so zásadami implementácie postupy v službe Azure Machine Learning. V tomto článku sa budeme zaoberať nasledujúcimi ukazovateľmi,
- Azure Machine Learning
- Služba Azure Machine Learning
- Cloudová služba Machine Learning
- Grafické rozhranie
- API strojového učenia
- ML.NET
- AutoML
Začnime teda týmto článkom o Azure Machine Learning,
Azure Machine Learning
Príchod cloudu znamenal nový začiatok vo výpočtovej infraštruktúre. V zásade to znamenalo, že je možné využívať zdroje, ktoré by boli pri nákupe cez internet mimoriadne drahé. Strojové učenie, najmä hlboké učenie, si vyžaduje použitie počítačových architektúr, ktoré umožňujú použitie extrémne vysokého množstva pamäte RAM, a VRAM (pre Cuda Cores). Obe tieto komodity je ťažké získať z dvoch hlavných dôvodov -
Notebooky pre jedného môžu zabaliť iba obmedzené množstvo zdrojov do rámca, ktorý majú. To znamená, že typický používateľ prenosného počítača pravdepodobne nemá k dispozícii dostatok zdrojov na vykonávanie úloh strojového učenia lokálne na stroji
Pamäť RAM a najmä VRAM sú extrémne drahé na nákup a javia sa ako mimoriadne vysoká investícia. Spolu s robustnou pamäťou RAM a VRAM potrebujeme tiež podporu špičkových procesorov (inak by sa procesor ukázal ako úzke miesto v systéme), čo ešte viac zvyšuje celkovú cenu.
Ďalej článok o Azure Machine Learning,
Služba Azure Machine Learning
Ak vezmeme do úvahy vyššie uvedené problémy, môžeme ľahko pochopiť potrebu zdrojov, ktoré sú k dispozícii na diaľku cez internet s prístupom 24 * 7.
Azure ML je cloudová služba, ktorá poskytuje efektívne využitie dátovým vedcom na všetkých úrovniach. Je to obzvlášť dôležité kvôli skutočnosti, že sa do tohto priestoru snaží vstúpiť veľa nových technikov a môže byť obzvlášť náročné vykonávať tieto úlohy bez intuitívneho používateľského rozhrania.
(Zdroj: Microsoft.com)
Program Azure ML sprevádza štúdio ML, ktoré je v podstate nástrojom založeným na prehľadávači, ktorý poskytuje dátovému vedcovi ľahko použiteľné rozhranie drag and drop na účely vytvárania týchto modelov.
ako vytvoriť triedu singleton v jave
Väčšina často používaných algoritmov a knižníc vychádza z krabice pre používateľov. Môže sa tiež pochváliť vstavanou podporou pre R a Python, ktorá umožňuje skúseným dátovým vedcom meniť a upravovať svoj model a jeho architektúru podľa svojich predstáv.
Hneď ako je model zostavený a pripravený, dá sa ľahko použiť ako webová služba, ktorú je možné volať množstvom programovacích jazykov, čím je v podstate dostupný pre aplikáciu, ktorá skutočne stojí pred koncovým používateľom.
Štúdio Machine Learning umožňuje strojové učenie pomerne jednoducho tým, že poskytuje spôsob drag-and-drop, ktorým môžete vytvoriť pracovný tok. Vďaka ML Studio a veľkému množstvu modulov, ktoré ponúka na modelovanie pracovného toku, je možné vytvárať pokročilé modely bez nutnosti písania kódu.
Strojové učenie sa začína údajmi, ktoré môžu pochádzať z rôznych zdrojov. Dáta je zvyčajne potrebné pred použitím „vyčistiť“, pre ktoré program ML Studio obsahuje moduly, ktoré uľahčujú čistenie. Keď sú údaje pripravené, je možné zvoliť algoritmus, model „trénovať“ nad údajmi a nájsť v nich vzory. Potom nasleduje skórovanie a hodnotenie modelu, ktoré vám povie, ako dobre je model schopný predpovedať výsledky. To všetko sa dodáva vizuálne v ML Studio. Keď je model pripravený, pár kliknutí na tlačidlo ho nasadí ako webovú službu, aby sa dal zavolať z klientskych aplikácií.
ML Studio poskytuje vopred zaznamenané implementácie dvadsiatich piatich štandardných algoritmov používaných v strojovom učení. Rozdeľuje ich na štyri časti.
- Detekcia anomálií je metóda klasifikácie vecí, udalostí alebo pozorovaní, ktoré sa nezhodujú s konvenčným vzorom alebo inými položkami v množine údajov.
- Regresné algoritmy sa pokúšajú odhaliť a kvantifikovať vzťahy medzi premennými. Vytvorením vzťahu medzi závislou premennou a jednou alebo viacerými nezávislými premennými môže regresná analýza umožniť predikciu hodnoty závislej premennej na základe množiny vstupov s kvantifikovateľnou presnosťou.
- Cieľom klasifikačných algoritmov je identifikovať triedu, do ktorej pozorovanie patrí, na základe tréningových údajov pozostávajúcich z pozorovaní, ktoré už boli priradené ku kategórii.
- Zhlukovanie sa usiluje zhromaždiť hromadu objektov spôsobom, že objekty v tej istej skupine (nazývané zhluk) sú si navzájom viac podobné ako v iných skupinách (zhlukoch).
Po rozšírení ako webovej služby je možné model použiť so zjednodušenými hovormi REST cez HTTP. To umožňuje vývojárom vytvárať aplikácie, ktoré získavajú ich inteligenciu zo strojového učenia.
V tomto článku o Azure Machine Learning nasleduje rýchle zoznámenie sa s azúrom a jeho funkciami
Ďalej článok o Azure Machine Learning,
funkcie Java 9 s príkladmi
Cloudová služba Machine Learning
Cloudové služby v zásade umožňujú koncovému používateľovi prenajať si alebo využiť služby (hardvérové stroje) nasadené inou spoločnosťou na diaľku cez internet.
Služba Azure Machine Learning poskytuje súpravy a služby na vývoj softvéru na rýchlu prípravu údajov, školenie a nasadenie vlastných modelov ML.Podpora pre open-source rámce Pythonu, ako sú PyTorch, TensorFlow a scikit-learn, je hotová.Jeden by mal zvážiť použitie tohto nástroja, ak potrebuje zostaviť vlastné modely alebo pracovať s modelmi hlbokého učenia
Ak však máte sklon nepracovať v Pythone alebo chcete jednoduchšiu službu, nepoužívajte to.
Tieto služby vyžadujú veľa znalostí a znalostí z oblasti dátovej vedy a pre nováčikov sa neodporúčajú. Plaťte iba za prostriedky na školenie modelov. Niekoľko cenových úrovní pre nasadenie prostredníctvom služby Azure Kubernetes Service.
Ďalej článok o Azure Machine Learning,
Grafické rozhranie
Grafické rozhrania neobsahujú žiadny kód alebo platformu s nízkym kódom založenú na spôsoboch prístupu k funkciám, ako je ML. Niektoré z nich môžu byť rozbaľovacie zoznamy, v tomto prípade ide o nástroj na presúvanie.
Azure Machine Learning Studio je nástroj Machine Learning typu drag-and-drop, ktorý vám umožňuje vytvárať, trénovať a prispôsobovať modely strojového učenia nahrávaním vlastnej sady údajov na vyhodnotenie výsledkov v grafickom rozhraní. Po nacvičení modelu ho môžete nasadiť ako webovú službu priamo zo Štúdia.
Táto funkcionalita sa zvyčajne používa, keď musí byť kód, ktorý má byť zapísaný, nízky alebo hlavná práca je založená na základných problémoch, ako je klasifikácia, regresia a klastrovanie
Tento prístup je vo všeobecnosti vhodný pre začiatočníkov, vyžaduje však určité základné vedomosti v oblasti dátovej vedy.
Aj keď má možnosť zadarmo, štandardná vrstva stojí 9,99 dolárov za sedadlo, mesačne a 1 dolár za hodinu experimentovania.
API strojového učenia
Aplikačné programové rozhranie (API) je služba, ktorú môže poskytovať organizácia, ktorá môže odosielať odpovede na určité dotazy, a tieto odpovede možno použiť na vylepšenie aplikácie.
čo robí tostring v jave
To nám umožňuje mať flexibilitu prístupu k rôznym službám bez toho, aby sme sa priamo zahĺbili do svojej základnej aplikácie.
Služby Microsoft API sa nazývajú Kognitívne služby. Tieto môžu byť nasadené priamo v Azure. K dispozícii je päť tried služieb vrátane videnia, jazyka, reči, vyhľadávania a rozhodovania. Jedná sa o vopred vyškolené modely, ktoré vyhovujú vývojárom, ktorí sú nadšení využívať strojové učenie, ale nemajú skúsenosti s dátovou vedou.
Tieto služby však zaostávajú za úpravami, a preto sa neodporúčajú v prípadoch, keď je veľa vecí dobre definovaných, požiadavky nie sú flexibilné.
Ďalej článok o Azure Machine Learning,
ML.NET
Rámec je všeobecný obrysový kód, nad ktorým je možné vytvoriť vlastnú aplikáciu. Rámec umožňuje postarať sa o funkčnosť na nižšej úrovni, takže sa musí starať iba o ich aplikačnú logiku.
ML.NET má klasifikačné, regresné, detekčné anomálie a výcvikové algoritmy odporúčaní a môže byť rozšírený o Tensorflow a ONNX pre neurónové siete.
To môže byť veľmi užitočné pre vývojára .NET, ktorý je pohodlný pri vytváraní svojich vlastných potrubí ML.Krivka učenia však znamená, že by sa vývojári všeobecného jazyka Python mali držať ďalej.
Ďalej článok o Azure Machine Learning,
AutoML
Automatické strojové učenie priťahuje v poslednej dobe veľkú pozornosť a predstavuje softvér, ktorý automaticky vyberá a trénuje modely strojového učenia. Aj keď je ľahké si myslieť, že to môže technicky nahradiť prácu dátového vedca, niekto, kto to skutočne použil, jasne vie, že čo môže a čo nemôže robiť, existujú určité obmedzenia.
Aktuálnou meta (bez AutoML) pre vedcov v oblasti dát by bolo najskôr vytvoriť základný model a potom iterovať rôzne možnosti hyper parametrov manuálne, kým neprídu k množine hodnôt, ktoré prinesú najlepšie výsledky. Ako je možné ľahko uhádnuť, ide o mimoriadne časovo náročnú stratégiu založenú na princípe hit and miss. Vyhľadávací priestor sa tiež exponenciálne zväčšuje so zvyšujúcim sa počtom hyperparametrov, takže je takmer nemožné novšie architektúry založené na hlbokej neurálnej sieti úplne iterovať a optimalizovať.
V súčasnosti je program Microsoft AutoML spoločnosti Microsoft schopný automaticky zostavovať množinu modelov ML, inteligentne vyberať modely na školenie a potom vám odporučiť ten najlepší pre vás na základe problému s ML a typu údajov. Stručne povedané, vyberie správny algoritmus a pomôže vyladiť hyperparametre. V súčasnosti podporuje iba problémy s klasifikáciou, predpovedaním a regresiou.
AutoML sa používa so službou Azure Machine Learning Service alebo ML.NET a platíte za všetky súvisiace náklady.
Týmto sa dostávame na koniec tohto článku. Dúfam, že sa vám tento článok páčil. Ak toto čítate, dovoľte mi, aby som vám zablahoželal. Pretože už nie ste v Azure nováčikom! Čím viac cvičíte, tým viac sa naučíte. Aby sme vám uľahčili cestu, prišli sme s týmto Výukový program Azure Séria blogov ktoré sa budú často aktualizovať, takže zostaňte naladení!
Tiež sme prišli s učebným plánom, ktorý obsahuje presne to, čo by ste potrebovali na zvládnutie skúšok Azure! Môžete sa pozrieť na podrobnosti kurzu pre . Šťastné učenie!
Máte na nás otázku? Uveďte to prosím v sekcii komentárov tohto článku a my sa vám ozveme.