Tento článek vás seznámí s hloupou implementací postupy ve službě Azure Machine Learning. V tomto článku se budeme zabývat následujícími ukazateli,
- Azure Machine Learning
- Služba Azure Machine Learning
- Cloudová služba Machine Learning
- Grafické rozhraní
- Machine Learning API
- ML.NET
- AutoML
Pojďme tedy začít s tímto článkem Azure Machine Learning,
Azure Machine Learning
Příchod cloudu znamenal nový začátek výpočetní infrastruktury. V podstatě to znamenalo, že lze použít zdroje, které by bylo extrémně nákladné koupit, jinak by se používaly přes internet. Strojové učení, zejména hluboké učení, vyžaduje použití počítačových architektur, které umožňují použití extrémně vysokého množství paměti RAM, a VRAM (pro Cuda Cores). Obě tyto komodity je těžké získat ze dvou hlavních důvodů -
Notebooky pro jednoho, mohou zabalit pouze omezené množství zdrojů v rámci, který mají. To znamená, že typický uživatel notebooku pravděpodobně nemá k dispozici dostatek prostředků k provádění úloh strojového učení lokálně na stroji
RAM a zejména VRAM jsou extrémně nákladné na nákup a jeví se jako extrémně vysoká investice. Spolu s robustní RAM a VRAM potřebujeme také podporu vysoce kvalitních CPU (jinak by se CPU ukázalo jako překážka systému), což dále zvyšuje celkovou cenu ještě výše.
Pokračujeme článkem Azure Machine Learning,
Služba Azure Machine Learning
Vezmeme-li v úvahu výše uvedené problémy, můžeme snadno pochopit potřebu zdrojů, které jsou k dispozici na dálku přes internet s přístupem 24 * 7.
Azure ML je cloudová služba, která poskytuje efektivní prostředí pro datové vědce na všech úrovních. To je zvláště důležité kvůli skutečnosti, že se do tohoto prostoru pokouší vstoupit mnoho nových techniků a může být obzvláště skličující provádět tyto úkoly bez intuitivního uživatelského rozhraní.
(Zdroj: Microsoft.com)
Azure ML je doprovázeno ML studio, což je v podstatě nástroj založený na prohlížeči, který datovému vědci poskytuje snadno použitelné rozhraní drag and drop pro účely vytváření těchto modelů.
jak vytvořit třídu singleton v java
Většina často používaných algoritmů a knihoven vychází uživatelům z krabice. Může se také pochlubit vestavěnou podporou pro R a Python, která umožňuje veteránům datovým vědcům měnit a přizpůsobovat jejich model a jeho architekturu podle svých představ.
Jakmile je model sestaven a je připraven, lze jej snadno použít jako webovou službu, kterou lze vyvolat nepřeberným množstvím programovacích jazyků, čímž je v podstatě zpřístupněn aplikaci, která ve skutečnosti čelí koncovému uživateli.
Studio pro strojové učení dělá strojové učení poměrně přímočarým poskytováním způsobu přetahování, ve kterém vytváříte pracovní postup. S ML Studio a velkým množstvím modulů, které nabízí pro modelování pracovního toku, lze vytvářet pokročilé modely bez psaní jakéhokoli kódu.
Machine Learning začíná daty, která mohou pocházet z různých zdrojů. Data je obvykle třeba před použitím „vyčistit“, což ML Studio obsahuje moduly, které pomáhají s čištěním. Jakmile jsou data připravena, lze vybrat algoritmus, model „trénovat“ nad daty a najít v něm vzory. Poté přijde skórování a vyhodnocení modelu, které vám řekne, jak dobře je model schopen předpovídat výsledky. To vše se vizuálně dodává v ML Studio. Jakmile je model připraven, několik kliknutí na tlačítko jej nasadí jako webovou službu, aby jej bylo možné volat z klientských aplikací.
ML Studio poskytuje předem zaznamenané implementace dvaceti pěti standardních algoritmů používaných ve strojovém učení. Rozděluje je na čtyři části.
- Detekce anomálií je metoda klasifikace věcí, událostí nebo pozorování, které neodpovídají konvenčnímu vzoru nebo jiným položkám v datové sadě.
- Regresní algoritmy se pokoušejí objevit a kvantifikovat vztahy mezi proměnnými. Vytvořením vztahu mezi závislou proměnnou a jednou nebo více nezávislými proměnnými může regresní analýza umožnit predikci hodnoty závislé proměnné na základě sady vstupů s kvantifikovatelnou přesností.
- Cílem klasifikačních algoritmů je identifikovat třídu, do které pozorování patří, na základě tréninkových dat sestávajících z pozorování, která již byla přiřazena ke kategorii.
- Clustering se snaží nashromáždit spoustu objektů takovým způsobem, že objekty ve stejné skupině (nazývané cluster) jsou si navzájem podobnější než objekty v jiných skupinách (klastrech).
Po rozšíření jako webové služby lze model použít se zjednodušujícími REST voláními přes HTTP. To umožňuje vývojářům vytvářet aplikace, které získávají jejich inteligenci ze strojového učení.
V tomto článku o Azure Machine Learning následuje rychlé shrnutí o azure a jeho funkcích
Pokračujeme článkem Azure Machine Learning,
Java C ++ Python
Cloudová služba Machine Learning
Cloudové služby v zásadě umožňují koncovému uživateli pronajmout si nebo využívat služby (hardwarové stroje) nasazené jinou společností na dálku přes internet.
Služba Azure Machine Learning poskytuje softwarové vývojové sady a služby pro rychlou přípravu dat, školení a nasazení vlastních modelů ML.Podpora pro open-source rámce Pythonu, jako jsou PyTorch, TensorFlow a scikit-learn, je mimo krabici.Jeden by měl zvážit jeho použití, pokud potřebuje sestavit vlastní modely nebo pracovat s modely hlubokého učení
Pokud však máte sklon nepracovat v Pythonu nebo chcete jednodušší službu, nepoužívejte to.
Tato služba vyžaduje velké množství znalostí a znalostí z oblasti datové vědy a pro nováčky se nedoporučuje. Plaťte pouze za zdroje na trénování modelů. Několik cenových úrovní pro nasazení prostřednictvím služby Azure Kubernetes Service.
Pokračujeme článkem Azure Machine Learning,
Grafické rozhraní
Grafická rozhraní nejsou žádný kód nebo platforma s nízkým kódem založená na způsobech přístupu k funkcím, jako je ML. Některými z nich mohou být rozevírací seznamy, v tomto případě se jedná o nástroj pro přetažení.
Azure Machine Learning Studio je nástroj Machine Learning drag-and-drop, který vám umožňuje vytvářet, trénovat a přizpůsobovat modely strojového učení nahráním vlastní sady dat k vyhodnocení výsledků v grafickém rozhraní. Po zaškolení modelu jej můžete nasadit jako webovou službu přímo ze Studia.
Tato funkce se obvykle používá, když kód, který má být zapsán, musí být nízký nebo hlavní práce je založena na základních problémech, jako je klasifikace, regrese a shlukování
Tento přístup je obecně vhodný pro začátečníky, vyžaduje však určité základní znalosti v oblasti datové vědy.
I když má možnost zdarma, standardní vrstva stojí 9,99 $ za místo, za měsíc a 1 $ za hodinu experimentování.
Machine Learning API
Rozhraní API (Application Program Interface) je služba, kterou může poskytovat organizace, která může odesílat odpovědi na určité dotazy a tyto odpovědi lze použít k vylepšení aplikace.
jak se stát technikem umělé inteligence
To nám umožňuje mít flexibilitu pro přístup k různým službám, aniž bychom přímo blokovali naši základní aplikaci.
Služby Microsoft API se nazývají Cognitive Services. Ty lze nasadit přímo v Azure. K dispozici je pět tříd služeb včetně vidění, jazyka, řeči, vyhledávání a rozhodování. Jedná se o předem vyškolené modely, které vyhovují vývojářům, kteří jsou nadšení zaměstnávat strojové učení, ale nemají zkušenosti s datovou vědou.
Tyto služby však zaostávají, pokud jde o přizpůsobení, a proto se nedoporučují v případech, kdy je mnoho věcí dobře definovaných, požadavky nejsou flexibilní.
Pokračujeme článkem Azure Machine Learning,
ML.NET
Rámec je obecný obrysový kód, ze kterého lze vytvořit vlastní aplikaci. Rámec umožňuje postarat se o funkčnost na nižší úrovni, takže se člověk musí starat pouze o logiku své aplikace.
ML.NET má klasifikaci, regresi, detekci anomálií a tréninkové algoritmy doporučení a lze jej rozšířit pomocí Tensorflow a ONNX pro neuronové sítě.
To může být velmi užitečné pro vývojáře .NET, který je pohodlný při vytváření vlastních kanálů ML.Křivka učení však znamená, že by se vývojáři obecného pythonu měli držet stranou.
Pokračujeme článkem Azure Machine Learning,
AutoML
Automatické strojové učení v poslední době přitahuje velkou pozornost a jedná se o software, který automaticky vybírá a trénuje modely strojového učení. I když je snadné si myslet, že to může technicky nahradit práci datového vědce, někdo, kdo ji skutečně použil, jasně ví, že existují omezení toho, co může a co nemůže dělat.
Současnou meta (bez AutoML) pro datové vědce by bylo nejprve vytvořit základní model a poté iterovat různé možnosti hyper parametrů ručně, dokud nepřijdou na sadu hodnot, které přinášejí nejlepší výsledky. Jak lze snadno uhodnout, jedná se o extrémně časově náročnou strategii založenou na zásahu a chybě. S rostoucím počtem hyperparametrů se také exponenciálně zvyšuje prostor pro vyhledávání, takže je téměř nemožné novější architektury založené na hlubokých neuronových sítích zcela iterovat a optimalizovat.
V současné době je Microsoft AutoML schopen automaticky vytvářet sadu modelů ML, inteligentně vybírat modely pro školení a poté vám doporučit ten nejlepší pro vás na základě problému ML a datového typu. Stručně řečeno, vybere správný algoritmus a pomůže vyladit hyperparametry. V současné době podporuje pouze problémy s klasifikací, prognózováním a regresí.
AutoML se používá se službou Azure Machine Learning Service nebo ML.NET a platíte za veškeré náklady s nimi spojené.
Tím se dostáváme na konec tohoto článku. Doufám, že se vám tento článek líbil. Pokud to čtete, dovolte mi, abych vám poblahopřál. Protože už nejste nováčkem v Azure! Čím více procvičujete, tím více se naučíte. Abychom vám usnadnili cestu, přišli jsme s tím Kurz Azure Série blogů které budou často aktualizovány, takže zůstaňte naladěni!
Také jsme přišli s osnovami, které obsahují přesně to, co byste potřebovali k prolomení zkoušek Azure! Můžete se podívat na podrobnosti kurzu pro . Šťastné učení!
Máte na nás dotaz? Uveďte to prosím v sekci komentářů tohoto článku a my se vám ozveme.