Allt du behöver veta om Azure Machine Learning Service

Den här artikeln kommer att presentera dig för det som är bra att implementera praxis på Azure Machine Learning-tjänsten. Följande tips kommer att behandlas i den här artikeln,

• Azure Machine Learning
• Azure Machine Learning Service
• Machine Learning Cloud Service
• Grafiskt gränssnitt
• Machine Learning API
• ML.NET
• AutoML

Så låt oss komma igång med den här Azure Machine Learning-artikeln,

Azure Machine Learning

Tillkomsten av moln markerade en ny början inom datorinfrastruktur. Det innebar i princip att man kan använda resurser som annars skulle ha varit extremt dyra att köpa för att använda via Internet. Maskininlärning, särskilt djupinlärning, kräver användning av datorarkitekturer som möjliggör användning av extremt hög RAM-minne och VRAM (för Cuda Cores). Båda dessa varor är svåra att skaffa av två huvudskäl -

1. Bärbara datorer för en, kan bara packa i en begränsad mängd resurser i den ram de har. Det betyder att en typisk bärbar datoranvändare inte kan ha tillräckligt med resurser till sitt förfogande för att utföra maskininlärningsuppgifter lokalt på maskinen

   
   
   

2. RAM och särskilt VRAM är extremt dyra att köpa och de verkar vara en extremt hög investering. Tillsammans med robust RAM och VRAM behöver vi också stödja högkvalitativa processorer (annars skulle CPU visa sig vara en flaskhals för systemet), vilket ytterligare driver det totala priset ännu högre.

Gå vidare med Azure Machine Learning-artikeln,

Azure Machine Learning Service

Med hänsyn till ovanstående frågor kan vi enkelt förstå behovet av resurser som är disponibla över Internet med 24 * 7-åtkomst.

Azure ML är en molnbaserad tjänst som ger en strömlinjeformad upplevelse för datavetare på alla nivåer. Detta är särskilt viktigt på grund av att många nya ingenjörer försöker komma in i detta utrymme och det kan vara särskilt skrämmande att utföra dessa uppgifter utan ett intuitivt användargränssnitt.

(Källa: Microsoft.com)

Azure ML åtföljs av ML studio, som i huvudsak är ett webbläsarbaserat verktyg som ger datavetaren ett lättanvänt dra-och-släpp-gränssnitt för att bygga dessa modeller.

De flesta av de starkt använda algoritmerna och biblioteken kommer ut ur lådan för användarna. Den har också inbyggt stöd för R och Python, vilket låter veterandata forskare ändra och anpassa sin modell och dess arkitektur enligt deras önskemål.

När modellen väl har byggts och är klar kan den enkelt användas som en webbtjänst som kan anropas av en uppsjö av programmeringsspråk, vilket i princip gör den tillgänglig för applikationen som faktiskt vänder mot slutanvändaren.

Machine Learning Studio gör maskininlärning ganska enkel genom att tillhandahålla ett drag-och-släpp-sätt på vilket du bygger arbetsflödet. Med ML Studio och ett stort antal moduler som den erbjuder för modellering av arbetsflödet kan man skapa avancerade modeller utan att skriva någon kod.

Machine Learning börjar med data, som kan komma från olika ursprung. Uppgifterna behöver vanligtvis ”rengöras” innan de används, för vilka ML Studio innehåller moduler för att hjälpa till med rengöringen. När data är klara kan man välja en algoritm och ”träna” modellen över data och hitta mönster i den. Därefter kommer poäng och utvärdering av modellen, som berättar hur väl modellen kan förutsäga resultat. Allt detta levereras visuellt i ML Studio. När modellen är klar distribuerar den några knappklick som en webbtjänst så att den kan anropas från klientappar.

ML Studio tillhandahåller förinspelade implementeringar av tjugofem av standardalgoritmerna som används vid maskininlärning. Den delar upp dem i fyra sektioner.

• Avvikelsedetektering är en metod för klassificering av saker, händelser eller observationer som inte passar till ett konventionellt mönster eller andra objekt i en dataset.
• Regressionsalgoritmer försöker upptäcka och kvantifiera relationer mellan variabler. Genom att etablera ett förhållande mellan en beroende variabel och en eller flera oberoende variabler kan regressionsanalys möjliggöra att värdet på en beroende variabel kan förutsägas med en uppsättning ingångar med en kvantifierbar noggrannhet.
• Målet med klassificeringsalgoritmer är att identifiera klassen som en observation tillhör baserat på träningsdata bestående av observationer som redan har tilldelats en kategori.
• Clustering syftar till att stapla upp en massa objekt på ett sätt som objekt i samma grupp (kallas ett kluster) är mer lik varandra än de i andra grupper (kluster).

En gång utökad som en webbtjänst kan en modell användas med förenklade REST-samtal via HTTP. Detta gör det möjligt för utvecklare att bygga applikationer som hämtar sin intelligens från maskininlärning.

Vad som följer i den här Azure Machine Learning-artikeln är en snabb sammanfattning om azurblå och dess funktioner

Gå vidare med Azure Machine Learning-artikeln,

Machine Learning Cloud Service

Molntjänsterna tillåter i princip en slutanvändare att hyra ut eller använda de tjänster (hårdvarumaskiner) som distribueras av ett annat företag, via internet.

Azure Machine Learning-tjänsten tillhandahåller programutvecklingssatser och tjänster för att snabbt förbereda data, träna och distribuera anpassade ML-modeller.Det finns stöd för öppen källkod Python-ramar, som PyTorch, TensorFlow och scikit-learning.Man bör överväga att använda detta om de behöver bygga anpassade modeller eller arbeta med deep learning-modeller

Men om du är benägen att inte arbeta i Python eller vill ha en enklare tjänst, använd inte den här.

Dessa tjänster kräver en hel del datavetenskaplig kunskap och bakgrund och rekommenderas inte för nybörjare. Betala bara för resurser för att träna modeller. Flera prisnivåer för distribution via Azure Kubernetes Service.

Gå vidare med Azure Machine Learning-artikeln,

Grafiskt gränssnitt

Grafiska gränssnitt är ingen kod eller plattform med låg kod baserat på sätt att komma åt funktioner som ML. Några av dem kan vara listrutor, i det här fallet är det ett drag-och-släpp-verktyg.

Azure Machine Learning Studio är ett drag-och-släpp-maskininlärningsverktyg som gör att du kan bygga, träna och anpassa maskininlärningsmodeller genom att ladda upp en anpassad uppsättning data för att utvärdera resultaten i ett grafiskt gränssnitt. Efter att ha tränat en modell kan du distribuera den som en webbtjänst direkt från studion.

Denna funktionalitet används vanligtvis när koden som ska skrivas måste vara låg eller huvudarbetet baseras på grundläggande problem som klassificering, regression och kluster

Detta tillvägagångssätt är i allmänhet nybörjarvänligt men det kräver viss bakgrundskunskap inom datavetenskap.

Även om det har ett gratis alternativ, kostar standardnivån $ 9,99 per plats, per månad och $ 1 per experimentstid.

Machine Learning API

Ett API (Application Program Interface) är en tjänst som kan tillhandahållas av en organisation som kan skicka svar till vissa frågor och dessa svar kan användas för att förbättra sin applikation.

Detta gör att vi har flexibiliteten att få tillgång till olika tjänster utan att direkt kasta ner vår kärnapplikation.

Microsofts API-tjänster kallas Cognitive Services. Dessa kan distribueras direkt på Azure. Det finns fem klasser av tjänster tillgängliga inklusive vision, språk, tal, sökning och beslut. Dessa är förutbildade modeller som passar utvecklare som är entusiastiska att använda Machine Learning men inte har en bakgrund från datavetenskap.

Dessa tjänster saknas dock när det gäller anpassningar och rekommenderas därför inte i fall där många saker är väldefinierade, kraven är inte flexibla.

Gå vidare med Azure Machine Learning-artikeln,

ML.NET

Ramar är allmänna kontokoder som man kan bygga sin egen applikation på. Ramar gör det möjligt att ta hand om funktionerna på lägre nivå så att man bara behöver ta hand om deras applikationslogik.

ML.NET har algoritmer för klassificering, regression, avvikelse och reklamträning och kan utökas med Tensorflow och ONNX för neurala nätverk.

java hur man använder tostring

Detta kan vara till stor nytta för en .NET-utvecklare som är bekväm att bygga sina egna ML-rörledningar.Inlärningskurvan betyder dock att de allmänna pythonutvecklarna ska hålla sig borta.

Gå vidare med Azure Machine Learning-artikeln,

AutoML

Automatiserad maskininlärning har väckt stor uppmärksamhet nyligen och är programvara som automatiskt väljer och tränar maskininlärningsmodeller. Även om det är lätt att tänka att det tekniskt kan ersätta en datavetenskapares jobb, vet någon som verkligen har använt det tydligt, det finns begränsningar för vad det kan och inte kan göra.

Den nuvarande metan (utan AutoML) för dataforskare skulle vara att först skapa en basmodell och sedan itera över de olika möjligheterna för hyperparametrar, manuellt tills de kommer fram till en uppsättning värden som ger bästa resultat. Som man lätt kan gissa är detta en extremt tidskrävande och en hit-miss-strategi. Dessutom ökar sökutrymmet exponentiellt när antalet hyperparametrar ökar, vilket gör de nyare, djupa neurala nätverksbaserade arkitekturerna nästan omöjliga att fullständigt itera och optimera.

För närvarande kan Microsofts AutoML automatiskt bygga en uppsättning ML-modeller, välja intelligenta modeller för träning och sedan rekommendera den bästa för dig baserat på ML-problemet och datatypen. I ett nötskal väljer den rätt algoritm och hjälper till att ställa in hyperparametrar. För närvarande stöder den endast klassificerings-, prognos- och regressionsproblem.

AutoML används med Azure Machine Learning Service eller ML.NET och du betalar för eventuella kostnader i samband med dessa.

Så detta leder oss till slutet av den här artikeln. Jag hoppas att du gillade den här artikeln. Om du läser detta, låt mig gratulera dig. Eftersom du inte längre är nybörjare i Azure! Ju mer du tränar desto mer lär du dig. För att göra din resa enkel har vi kommit fram till detta Azure Tutorial Bloggserien som kommer att uppdateras ofta, så håll ögonen öppna!

Vi har också kommit med en läroplan som täcker exakt vad du behöver för att knäcka Azure Examinations! Du kan ta en titt på kursinformation för . Happy Learning!

Har du en fråga till oss? Vänligen nämna det i kommentarsektionen i den här artikeln så återkommer vi till dig.