Alles, was Sie über den Azure Machine Learning Service wissen müssen

Dieser Artikel führt Sie in die Grundlagen der Implementierung ein Praktiken für den Azure Machine Learning-Dienst. Die folgenden Hinweise werden in diesem Artikel behandelt:

• Azure Machine Learning
• Azure-Dienst für maschinelles Lernen
• Der Cloud-Service für maschinelles Lernen
• Grafische Oberfläche
• API für maschinelles Lernen
• ML.NET
• AutoML

Beginnen wir also mit diesem Azure Machine Learning-Artikel.

Azure Machine Learning

Das Aufkommen der Cloud markierte einen Neuanfang in der Computerinfrastruktur. Es bedeutete im Grunde, dass man Ressourcen verwenden kann, deren Anschaffung extrem teuer gewesen wäre, um sie über das Internet zu nutzen. Maschinelles Lernen, insbesondere Deep Learning, erfordert die Verwendung von Computerarchitekturen, die die Verwendung einer extrem hohen RAM-Menge ermöglichen, und VRAM (für die Cuda-Kerne). Beide Waren sind aus zwei Hauptgründen schwer zu erwerben -

1. Laptops für einen können nur eine begrenzte Menge an Ressourcen in den Rahmen packen, den sie haben. Dies bedeutet, dass ein typischer Laptop-Benutzer möglicherweise nicht über genügend Ressourcen verfügen kann, um die maschinellen Lernaufgaben lokal auf der Maschine auszuführen

   
   
   

2. RAM und insbesondere VRAM sind extrem teuer in der Anschaffung und scheinen eine extrem hohe Investition zu sein. Neben robustem RAM und VRAM müssen wir auch hochwertige CPUs unterstützen (andernfalls würde sich die CPU als Engpass für das System herausstellen), was den Gesamtpreis noch weiter erhöht.

Fahren Sie mit dem Azure-Artikel zum maschinellen Lernen fort.

Azure-Dienst für maschinelles Lernen

Unter Berücksichtigung der oben genannten Punkte können wir leicht den Bedarf an Ressourcen verstehen, die über das Internet mit 24 * 7-Zugriff aus der Ferne verfügbar sind.

Azure ML ist ein Cloud-basierter Dienst, der Datenwissenschaftlern auf allen Ebenen eine optimierte Erfahrung bietet. Dies ist besonders wichtig, da viele neue Ingenieure versuchen, diesen Bereich zu betreten, und es besonders entmutigend sein kann, diese Aufgaben ohne eine intuitive Benutzeroberfläche auszuführen.

(Quelle: Microsoft.com)

Azure ML wird von ML Studio begleitet, einem im Wesentlichen browserbasierten Tool, das dem Datenwissenschaftler eine benutzerfreundliche Drag & Drop-Oberfläche zum Erstellen dieser Modelle bietet.

Python was ist __init__

Die meisten der häufig verwendeten Algorithmen und Bibliotheken sind für die Benutzer sofort einsatzbereit. Es bietet auch integrierte Unterstützung für R und Python, sodass die erfahrenen Datenwissenschaftler ihr Modell und seine Architektur nach ihren Wünschen ändern und anpassen können.

Sobald das Modell erstellt und fertig ist, kann es problemlos als Webdienst verwendet werden, der von einer Vielzahl von Programmiersprachen aufgerufen werden kann, sodass es im Wesentlichen für die Anwendung verfügbar ist, die dem Endbenutzer tatsächlich gegenübersteht.

Das Machine Learning Studio macht maschinelles Lernen ziemlich einfach, indem es eine Drag-and-Drop-Methode zum Erstellen des Workflows bereitstellt. Mit ML Studio und einer Vielzahl von Modulen zur Modellierung des Workflows können erweiterte Modelle erstellt werden, ohne dass Code geschrieben werden muss.

Maschinelles Lernen beginnt mit Daten, die aus verschiedenen Quellen stammen können. Die Daten müssen in der Regel vor der Verwendung „bereinigt“ werden. ML Studio enthält Module, die bei der Bereinigung helfen. Sobald die Daten fertig sind, kann man einen Algorithmus auswählen und das Modell über die Daten „trainieren“ und Muster darin finden. Anschließend wird das Modell bewertet und bewertet. Dies zeigt Ihnen, wie gut das Modell die Ergebnisse vorhersagen kann. All dies wird visuell in ML Studio geliefert. Sobald das Modell fertig ist, wird es mit wenigen Mausklicks als Webdienst bereitgestellt, sodass es über Client-Apps aufgerufen werden kann.

ML Studio bietet aufgezeichnete Implementierungen von 25 der Standardalgorithmen, die beim maschinellen Lernen verwendet werden. Es unterteilt sie in vier Abschnitte.

• Die Erkennung von Anomalien ist eine Methode zur Klassifizierung von Dingen, Ereignissen oder Beobachtungen, die nicht zu einem herkömmlichen Muster oder anderen Elementen in einem Datensatz passen.
• Regressionsalgorithmen versuchen, Beziehungen zwischen Variablen zu entdecken und zu quantifizieren. Durch Herstellen einer Beziehung zwischen einer abhängigen Variablen und einer oder mehreren unabhängigen Variablen kann die Regressionsanalyse die Vorhersage des Werts einer abhängigen Variablen bei einer Reihe von Eingaben mit quantifizierbarer Genauigkeit ermöglichen.
• Das Ziel von Klassifizierungsalgorithmen besteht darin, die Klasse, zu der eine Beobachtung gehört, anhand von Trainingsdaten zu identifizieren, die aus Beobachtungen bestehen, die bereits einer Kategorie zugeordnet wurden.
• Beim Clustering wird versucht, eine Reihe von Objekten so zu stapeln, dass Objekte in derselben Gruppe (als Cluster bezeichnet) einander ähnlicher sind als Objekte in anderen Gruppen (Cluster).

Nach der Erweiterung als Webdienst kann ein Modell mit vereinfachten REST-Aufrufen über HTTP verwendet werden. Auf diese Weise können Entwickler Anwendungen erstellen, die ihre Intelligenz aus maschinellem Lernen beziehen.

In diesem Artikel zum maschinellen Lernen in Azure wird kurz auf Azure und seine Funktionen eingegangen

Fahren Sie mit dem Azure-Artikel zum maschinellen Lernen fort.

c ++ - Programm zum Sortieren eines Arrays in aufsteigender Reihenfolge

Der Cloud-Service für maschinelles Lernen

Die Cloud-Dienste ermöglichen es einem Endbenutzer im Wesentlichen, die von einem anderen Unternehmen bereitgestellten Dienste (Hardwaremaschinen) remote über das Internet zu vermieten oder zu nutzen.

Der Azure Machine Learning-Dienst bietet Software Development Kits und -Dienste, um Daten umgehend vorzubereiten, benutzerdefinierte ML-Modelle zu trainieren und bereitzustellen.Open-Source-Python-Frameworks wie PyTorch, TensorFlow und Scikit-Learn werden sofort unterstützt.Man sollte dies in Betracht ziehen, wenn man benutzerdefinierte Modelle erstellen oder mit Deep-Learning-Modellen arbeiten muss

Wenn Sie jedoch dazu neigen, nicht in Python zu arbeiten oder einen einfacheren Dienst wünschen, verwenden Sie diesen nicht.

Dieser Service erfordert viel datenwissenschaftliches Wissen und Hintergrundwissen und wird für Anfänger nicht empfohlen. Zahlen Sie nur für Ressourcen, um Modelle zu trainieren. Mehrere Preisstufen für die Bereitstellung über den Azure Kubernetes-Dienst.

Fahren Sie mit dem Azure-Artikel zum maschinellen Lernen fort.

Grafische Oberfläche

Grafische Schnittstellen sind keine Code- oder Low-Code-Plattform, die auf Zugriffsmöglichkeiten wie ML basiert. Einige von ihnen können Dropdown-Listen sein. In diesem Fall handelt es sich um ein Drag & Drop-Tool.

Azure Machine Learning Studio ist ein Drag-and-Drop-Tool für maschinelles Lernen, mit dem Sie Modelle für maschinelles Lernen erstellen, trainieren und anpassen können, indem Sie einen benutzerdefinierten Datensatz hochladen, um die Ergebnisse in einer grafischen Oberfläche auszuwerten. Nach dem Training eines Modells können Sie es direkt aus dem Studio als Webdienst bereitstellen.

Diese Funktionalität wird normalerweise verwendet, wenn der zu schreibende Code niedrig sein muss oder die Hauptarbeit auf grundlegenden Problemen wie Klassifizierung, Regression und Clustering basiert

Dieser Ansatz ist im Allgemeinen anfängerfreundlich, erfordert jedoch Hintergrundwissen in den Datenwissenschaften.

Obwohl es eine kostenlose Option gibt, kostet die Standardstufe 9,99 USD pro Sitzplatz und Monat und 1 USD pro Experimentierstunde.

API für maschinelles Lernen

Eine Anwendungsprogrammschnittstelle (Application Program Interface, API) ist ein Dienst, der von einer Organisation bereitgestellt werden kann, die Antworten auf bestimmte Abfragen senden kann. Diese Antworten können zur Verbesserung der eigenen Anwendung verwendet werden.

Was macht .trim in Java?

Dies ermöglicht uns die Flexibilität, auf verschiedene Dienste zuzugreifen, ohne unsere Kernanwendung direkt zu blockieren.

Die API-Dienste von Microsoft werden als Cognitive Services bezeichnet. Diese können direkt in Azure bereitgestellt werden. Es stehen fünf Klassen von Diensten zur Verfügung, darunter Vision, Sprache, Sprache, Suche und Entscheidung. Hierbei handelt es sich um vorab geschulte Modelle, die sich für Entwickler eignen, die sich für maschinelles Lernen begeistern, aber keinen datenwissenschaftlichen Hintergrund haben.

Diese Dienste sind jedoch bei Anpassungen unzureichend und werden daher nicht empfohlen, wenn viele Dinge genau definiert sind und die Anforderungen nicht flexibel sind.

Fahren Sie mit dem Azure-Artikel zum maschinellen Lernen fort.

ML.NET

Frameworks sind allgemeine Gliederungscodes, auf denen eine eigene Anwendung erstellt werden kann. Frameworks ermöglichen die Pflege der untergeordneten Funktionen, sodass nur die Anwendungslogik berücksichtigt werden muss.

ML.NET verfügt über Algorithmen für Klassifizierung, Regression, Anomalieerkennung und Empfehlungstraining und kann mit Tensorflow und ONNX für neuronale Netze erweitert werden.

Dies kann für einen .NET-Entwickler von großem Nutzen sein, der seine eigenen ML-Pipelines problemlos erstellen kann.Die Lernkurve bedeutet jedoch, dass die allgemeinen Python-Entwickler sich fernhalten sollten.

Fahren Sie mit dem Azure-Artikel zum maschinellen Lernen fort.

AutoML

Automatisiertes maschinelles Lernen hat in letzter Zeit viel Aufmerksamkeit auf sich gezogen und ist eine Software, die Modelle für maschinelles Lernen automatisch auswählt und trainiert. Während es leicht zu glauben ist, dass es den Job eines Datenwissenschaftlers technisch ersetzen kann, weiß jemand, der es tatsächlich verwendet hat, klar, dass es Einschränkungen gibt, was es kann und was nicht.

Das aktuelle Meta (ohne AutoML) für Datenwissenschaftler besteht darin, zunächst ein Basismodell zu erstellen und dann die verschiedenen Möglichkeiten für Hyperparameter manuell zu durchlaufen, bis sie zu einer Reihe von Werten gelangen, die die besten Ergebnisse liefern. Wie man leicht erraten kann, ist dies eine äußerst zeitaufwändige und auf Hits und Miss basierende Strategie. Außerdem nimmt der Suchraum exponentiell zu, wenn die Anzahl der Hyperparameter zunimmt, was es nahezu unmöglich macht, die neueren, auf tiefen neuronalen Netzen basierenden Architekturen vollständig zu durchlaufen und zu optimieren.

Derzeit kann Microsoft AutoML automatisch eine Reihe von ML-Modellen erstellen, intelligent Modelle für das Training auswählen und dann basierend auf dem ML-Problem und dem Datentyp das beste für Sie empfehlen. Kurz gesagt, es wählt den richtigen Algorithmus aus und hilft bei der Optimierung von Hyperparametern. Derzeit werden nur Klassifizierungs-, Prognose- und Regressionsprobleme unterstützt.

AutoML wird mit Azure Machine Learning Service oder ML.NET verwendet und Sie zahlen die damit verbundenen Kosten.

Das bringt uns zum Ende dieses Artikels. Ich hoffe, Ihnen hat dieser Artikel gefallen. Wenn Sie dies lesen, lassen Sie mich Ihnen gratulieren. Da Sie in Azure kein Neuling mehr sind! Je mehr Sie üben, desto mehr werden Sie lernen. Um Ihnen die Reise zu erleichtern, haben wir uns dies ausgedacht Azure-Lernprogramm Blog-Serie die regelmäßig aktualisiert werden, also bleiben Sie dran!

Wir haben auch einen Lehrplan erstellt, der genau das abdeckt, was Sie zum Knacken der Azure-Prüfungen benötigen würden! Sie können sich die Kursdetails für ansehen . Viel Spaß beim Lernen!

Hast du eine Frage an uns? Bitte erwähnen Sie es in den Kommentaren dieses Artikels und wir werden uns bei Ihnen melden.