Dit artikel laat je kennismaken met de essentie van de implementatie praktijken op de Azure Machine Learning-service. De volgende tips komen in dit artikel aan bod:
- Azure Machine Learning
- Azure Machine Learning-service
- De Machine Learning Cloud Service
- Grafische interface
- Machine Learning API
- ML.NET
- AutoML
Dus laten we aan de slag gaan met dit Azure Machine Learning-artikel,
Azure Machine Learning
De komst van de cloud markeerde een nieuw begin in de computerinfrastructuur. Het betekende in feite dat men bronnen kon gebruiken die anders extreem duur zouden zijn geweest om via internet te gebruiken. Machine learning, met name deep learning, vereist het gebruik van computerarchitecturen die het gebruik van een extreem hoge hoeveelheid RAM en VRAM (voor de Cuda Cores) mogelijk maken. Beide grondstoffen zijn om twee belangrijke redenen moeilijk te verkrijgen:
Laptops bijvoorbeeld, kunnen slechts een beperkte hoeveelheid bronnen inpakken in het frame dat ze hebben. Dit betekent dat een typische laptopgebruiker onmogelijk over voldoende middelen kan beschikken om de machine learning-taken lokaal op de machine uit te voeren
RAM en vooral VRAM zijn extreem duur in aanschaf en blijken een extreem hoge investering te zijn. Naast robuuste RAM en VRAM hebben we ook ondersteuning nodig van hoogwaardige CPU's (anders zou de CPU een bottleneck voor het systeem blijken te zijn), waardoor de totale prijs nog hoger wordt.
Verdergaan met Azure Machine Learning-artikel,
Azure Machine Learning-service
Rekening houdend met de bovenstaande kwesties, kunnen we gemakkelijk de behoefte aan middelen begrijpen die op afstand via internet kunnen worden weggegooid met 24 * 7-toegang.
hoe trim in java te gebruiken
Azure ML is een cloudgebaseerde service die een gestroomlijnde ervaring biedt voor datawetenschappers op alle niveaus. Dit is vooral belangrijk vanwege het feit dat veel nieuwe ingenieurs deze ruimte proberen binnen te komen en het kan bijzonder ontmoedigend zijn om deze taken uit te voeren zonder een intuïtieve gebruikersinterface.
(Bron: Microsoft.com)
Azure ML wordt vergezeld door ML studio, wat in wezen een browsergebaseerde tool is die de datawetenschapper een eenvoudig te gebruiken drag-and-drop-interface geeft om deze modellen te bouwen.
De meeste van de veelgebruikte algoritmen en bibliotheken komen uit de doos voor de gebruikers. Het biedt ook ingebouwde ondersteuning voor R en Python, waardoor de ervaren datawetenschappers hun model en architectuur naar wens kunnen aanpassen en aanpassen.
Als het model eenmaal is gebouwd en klaar is, kan het gemakkelijk worden gebruikt als een webservice die kan worden aangeroepen door een overvloed aan programmeertalen, waardoor het in wezen beschikbaar wordt gemaakt voor de applicatie die daadwerkelijk naar de eindgebruiker is gericht.
De Machine Learning Studio maakt machine learning redelijk eenvoudig door een manier te bieden waarop u de workflow kunt slepen en neerzetten. Met ML Studio en een groot aantal modules die het biedt voor het modelleren van de workflow, kan men geavanceerde modellen maken zonder code te schrijven.
Machine Learning begint met gegevens, die van verschillende oorsprong kunnen zijn. De gegevens moeten doorgaans worden 'opgeschoond' voordat ze worden gebruikt, waarvoor ML Studio modules bevat om te helpen bij het opschonen. Zodra de gegevens klaar zijn, kan men een algoritme selecteren en het model over de gegevens 'trainen' en er patronen in vinden. Daarna volgt het scoren en evalueren van het model, wat aangeeft hoe goed het model uitkomsten kan voorspellen. Dit alles wordt visueel geleverd in ML Studio. Zodra het model klaar is, wordt het met een paar klikken op de knop geïmplementeerd als een webservice, zodat het kan worden aangeroepen vanuit client-apps.
ML Studio biedt vooraf opgenomen implementaties van vijfentwintig van de standaardalgoritmen die worden gebruikt bij machine learning. Het verdeelt ze in vier secties.
- Anomaliedetectie is een methode voor het classificeren van dingen, gebeurtenissen of waarnemingen die niet passen in een conventioneel patroon of andere items in een dataset.
- Regressie-algoritmen proberen relaties tussen variabelen te ontdekken en te kwantificeren. Door een relatie te leggen tussen een afhankelijke variabele en een of meer onafhankelijke variabelen, kan regressieanalyse het mogelijk maken de waarde van een afhankelijke variabele te voorspellen, gegeven een set van inputs met een kwantificeerbare nauwkeurigheid.
- Het doel van classificatie-algoritmen is om de klasse te identificeren waartoe een observatie behoort op basis van trainingsgegevens die bestaan uit observaties die al aan een categorie zijn toegewezen.
- Clustering probeert een aantal objecten op te stapelen op een manier dat objecten in dezelfde groep (een cluster genoemd) meer op elkaar lijken dan op die in andere groepen (clusters).
Eenmaal uitgebreid als een webservice, kan een model worden gebruikt met simplistische REST-aanroepen via HTTP. Hierdoor kunnen ontwikkelaars applicaties bouwen die hun intelligentie halen uit machine learning.
Wat volgt in dit Azure Machine Learning-artikel is een korte samenvatting van Azure en de bijbehorende functies
Verdergaan met Azure Machine Learning-artikel,
De Machine Learning Cloud Service
Met de clouddiensten kan een eindgebruiker in wezen de diensten (hardwaremachines) die door een ander bedrijf worden ingezet, op afstand via internet verhuren of gebruiken.
De Azure Machine Learning-service biedt softwareontwikkelingskits en -services om snel gegevens voor te bereiden, aangepaste ML-modellen te trainen en te implementeren.Er is kant-en-klare ondersteuning voor open-source Python-frameworks, zoals PyTorch, TensorFlow en scikit-learn.Men zou moeten overwegen om dit te gebruiken als ze aangepaste modellen moeten bouwen of met deep learning-modellen moeten werken
Als u echter geneigd bent om niet in Python te werken of een eenvoudigere service wilt, gebruik deze dan niet.
Deze service vereist veel data science kennis en achtergrond en wordt niet aanbevolen voor de beginner. Betaal alleen voor middelen om modellen te trainen. Verschillende prijsniveaus voor implementatie via Azure Kubernetes Service.
Verdergaan met Azure Machine Learning-artikel,
Grafische interface
Grafische interfaces zijn geen code of low code-platform dat gebaseerd is op manieren om toegang te krijgen tot mogelijkheden zoals ML. Sommige kunnen vervolgkeuzelijsten zijn, in dit geval is het een hulpmiddel voor slepen en neerzetten.
Azure Machine Learning Studio is een Machine Learning-tool met slepen en neerzetten waarmee u machine learning-modellen kunt bouwen, trainen en aanpassen door een aangepaste set gegevens te uploaden om de resultaten in een grafische interface te evalueren. Nadat u een model heeft getraind, kunt u het rechtstreeks vanuit de Studio als webservice inzetten.
Deze functionaliteit wordt meestal gebruikt wanneer de te schrijven code laag moet zijn of wanneer het belangrijkste werk is gebaseerd op fundamentele problemen zoals classificatie, regressie en clustering
Deze benadering is over het algemeen vriendelijk voor het begin, maar vereist wel enige achtergrondkennis op het gebied van data science.
Hoewel het een gratis optie heeft, kost het standaardniveau $ 9,99 per stoel, per maand en $ 1 per experimentuur.
Machine Learning API
Een Application Program Interface (API) is een service die kan worden geleverd door een organisatie die antwoorden op bepaalde vragen kan verzenden en die antwoorden kunnen worden gebruikt om iemands applicatie te verbeteren.
Hierdoor hebben we de flexibiliteit om toegang te krijgen tot verschillende services zonder onze kerntoepassing direct vast te lopen.
wat is applet in java met voorbeeld
De API-services van Microsoft worden Cognitive Services genoemd. Deze kunnen rechtstreeks op Azure worden geïmplementeerd. Er zijn vijf soorten services beschikbaar, waaronder visie, taal, spraak, zoeken en beslissen. Dit zijn voorgetrainde modellen die geschikt zijn voor ontwikkelaars die enthousiast zijn om Machine Learning in te zetten, maar geen achtergrond hebben in data science.
Deze services schieten echter tekort als het gaat om aanpassingen en worden daarom niet aanbevolen in gevallen waarin veel dingen goed zijn gedefinieerd, vereisten zijn niet flexibel.
Verdergaan met Azure Machine Learning-artikel,
ML.NET
Frameworks zijn algemene overzichtscodes waarop men een eigen applicatie kan bouwen. Frameworks zorgen ervoor dat de functionaliteit op een lager niveau kan worden beheerd, zodat men alleen hoeft te letten op hun applicatielogica.
ML.NET heeft een classificatie-, regressie-, anomaliedetectie- en aanbevelingstrainingsalgoritmen en kan worden uitgebreid met Tensorflow en ONNX voor neurale netwerken.
Dit kan van groot nut zijn voor een .NET-ontwikkelaar die zich op zijn gemak voelt bij het bouwen van zijn eigen ML-pipelines.De leercurve betekent echter dat de algemene python-ontwikkelaars weg moeten blijven.
Verdergaan met Azure Machine Learning-artikel,
AutoML
Geautomatiseerd machine learning heeft de laatste tijd veel aandacht gekregen en is software die automatisch Machine Learning-modellen selecteert en traint. Hoewel het gemakkelijk is om te denken dat het technisch gezien de taak van een datawetenschapper kan vervangen, weet iemand die het daadwerkelijk heeft gebruikt duidelijk, er zijn beperkingen aan wat het wel en niet kan doen.
De huidige meta (zonder AutoML) voor datawetenschappers zou zijn om eerst een basismodel te maken en vervolgens de verschillende mogelijkheden voor hyperparameters handmatig te herhalen totdat ze op een set waarden komen die de beste resultaten opleveren. Zoals je gemakkelijk kunt raden, is dit een extreem tijdrovende en op hit and miss gebaseerde strategie. Ook neemt de zoekruimte exponentieel toe naarmate het aantal hyperparameters toeneemt, waardoor de nieuwere, diepgaande neurale netwerkgebaseerde architecturen bijna onmogelijk volledig herhalen en optimaliseren.
Momenteel is AutoML van Microsoft in staat om automatisch een set ML-modellen te bouwen, intelligent modellen voor training te selecteren en vervolgens de beste voor u aan te bevelen op basis van het ML-probleem en het gegevenstype. In een notendop: het selecteert het juiste algoritme en helpt bij het afstemmen van hyperparameters. Momenteel ondersteunt het alleen classificatie-, prognose- en regressieproblemen.
AutoML wordt gebruikt met Azure Machine Learning Service of ML.NET en u betaalt de eventuele kosten die daaraan zijn verbonden.
Dit brengt ons dus bij het einde van dit artikel. Ik hoop dat je dit artikel leuk vond. Als u dit leest, wil ik u feliciteren. Omdat je geen nieuweling meer bent in Azure! Hoe meer je oefent, hoe meer je leert. Om uw reis gemakkelijk te maken, hebben we dit bedacht Azure-zelfstudie Blog-serie die regelmatig worden bijgewerkt, dus houd het in de gaten!
We hebben ook een curriculum bedacht dat precies dekt wat u nodig heeft om de Azure-examens te kraken! U kunt de cursusdetails bekijken voor . Veel plezier met leren!
Heeft u een vraag voor ons? Vermeld het in het opmerkingengedeelte van dit artikel en we nemen contact met u op.