Все, что вам нужно знать о службе машинного обучения Azure

Эта статья познакомит вас с мельчайшими подробностями реализации практики в службе машинного обучения Azure. Следующие указатели будут рассмотрены в этой статье,

• Машинное обучение Azure
• Служба машинного обучения Azure
• Облачная служба машинного обучения
• Графический интерфейс
• API машинного обучения
• ML.NET
• AutoML

Итак, давайте начнем с этой статьи о машинном обучении Azure,

что такое символ в Java

Машинное обучение Azure

Появление облачных технологий ознаменовало новое начало в вычислительной инфраструктуре. По сути, это означало, что можно использовать ресурсы, которые было бы чрезвычайно дорого купить, в противном случае для использования через Интернет. Машинное обучение, особенно глубокое обучение, требует использования компьютерных архитектур, которые позволяют использовать чрезвычайно большой объем оперативной памяти и VRAM (для ядер Cuda). Оба этих товара трудно приобрести по двум основным причинам:

1. Ноутбуки, например, могут содержать только ограниченное количество ресурсов в имеющемся у них корпусе. Это означает, что у типичного пользователя портативного компьютера не может быть достаточно ресурсов для выполнения задач машинного обучения локально на машине.

   
   
   

2. ОЗУ и особенно видеопамять очень дороги в приобретении и, по-видимому, требуют очень больших инвестиций. Наряду с надежной оперативной памятью и видеопамятью нам также необходима поддержка высококлассных ЦП (в противном случае ЦП окажется узким местом для системы), что еще больше увеличивает общую стоимость.

Продолжая статью по машинному обучению Azure,

Служба машинного обучения Azure

Принимая во внимание вышеупомянутые проблемы, мы можем легко понять потребность в ресурсах, которые можно использовать удаленно через Интернет с доступом 24 * 7.

Azure ML - это облачная служба, которая упрощает работу специалистов по обработке данных на всех уровнях. Это особенно важно из-за того, что многие новые инженеры пытаются войти в это пространство, и выполнение этих задач без интуитивно понятного пользовательского интерфейса может быть особенно сложным.

(Источник: Microsoft.com)

Машинное обучение к Azure сопровождается студией машинного обучения, которая, по сути, представляет собой инструмент на основе браузера, который предоставляет специалистам по обработке данных простой в использовании интерфейс перетаскивания для создания этих моделей.

Большинство часто используемых алгоритмов и библиотек уже готово для пользователей. Он также может похвастаться встроенной поддержкой R и Python, что позволяет опытным специалистам по данным изменять и настраивать свою модель и ее архитектуру по своему вкусу.

После того, как модель построена и готова, ее можно легко использовать в качестве веб-службы, которую можно вызывать из множества языков программирования, что по существу делает ее доступной для приложения, с которым фактически сталкивается конечный пользователь.

Студия машинного обучения значительно упрощает машинное обучение, предоставляя способ построения рабочего процесса с помощью перетаскивания. С помощью ML Studio и большого количества модулей, которые она предлагает для моделирования рабочего процесса, можно создавать сложные модели без написания кода.

Машинное обучение начинается с данных, которые могут поступать из самых разных источников. Как правило, данные необходимо «очистить» перед использованием, для чего ML Studio включает модули, помогающие с очисткой. Когда данные готовы, можно выбрать алгоритм и «обучить» модель на данных и найти в ней закономерности. После этого идет подсчет и оценка модели, которая показывает, насколько хорошо модель может предсказывать результаты. Все это осуществляется визуально в ML Studio. Когда модель готова, несколько щелчков кнопок разверните ее как веб-службу, чтобы ее можно было вызывать из клиентских приложений.

ML Studio предоставляет предварительно записанные реализации двадцати пяти стандартных алгоритмов, используемых в машинном обучении. Он разделяет их на четыре части.

• Обнаружение аномалий - это метод классификации вещей, событий или наблюдений, которые не соответствуют традиционному шаблону или другим элементам в наборе данных.
• Алгоритмы регрессии пытаются обнаружить и количественно оценить отношения между переменными. Устанавливая связь между зависимой переменной и одной или несколькими независимыми переменными, регрессионный анализ может дать возможность прогнозировать значение зависимой переменной с учетом набора входных данных с измеримой точностью.
• Цель алгоритмов классификации - определить класс, к которому принадлежит наблюдение, на основе обучающих данных, состоящих из наблюдений, которые уже были отнесены к категории.
• Кластеризация направлена ​​на создание группы объектов таким образом, чтобы объекты в одной группе (называемой кластером) были более похожи друг на друга, чем на объекты в других группах (кластерах).

После расширения в виде веб-службы модель может использоваться с упрощенными вызовами REST через HTTP. Это позволяет разработчикам создавать приложения, которые черпают свои знания из машинного обучения.

В этой статье, посвященной Машинному обучению Azure, следует краткое изложение Azure и его функций.

Продолжая статью по машинному обучению Azure,

Облачная служба машинного обучения

Облачные сервисы, по сути, позволяют конечному пользователю сдавать в аренду или использовать сервисы (аппаратные машины), развернутые другой компанией, удаленно через Интернет.

Служба машинного обучения Azure предоставляет наборы и услуги для разработки программного обеспечения для оперативной подготовки данных, обучения и развертывания пользовательских моделей машинного обучения.Имеется готовая поддержка фреймворков Python с открытым исходным кодом, таких как PyTorch, TensorFlow и scikit-learn.Следует рассмотреть возможность использования этого, если им нужно создавать собственные модели или работать с моделями глубокого обучения.

Однако, если вы склонны не работать с Python или хотите более простой сервис, не используйте это.

Эти услуги требуют хороших знаний и опыта в области науки о данных и не рекомендуются для новичков. Платите только за ресурсы для обучения моделей. Несколько ценовых уровней для развертывания через службу Azure Kubernetes.

Продолжая статью по машинному обучению Azure,

Графический интерфейс

Графические интерфейсы - это не платформа кода или низкого кода, основанная на способах доступа к таким возможностям, как ML. Некоторые из них могут быть раскрывающимися списками, в данном случае это инструмент перетаскивания.

Студия машинного обучения Azure - это инструмент машинного обучения с перетаскиванием, который позволяет создавать, обучать и настраивать модели машинного обучения путем загрузки настраиваемого набора данных для оценки результатов в графическом интерфейсе. После обучения модели вы можете развернуть ее как веб-службу прямо из Studio.

Эта функция обычно используется, когда код, который нужно написать, должен быть низким или основная работа основана на фундаментальных проблемах, таких как классификация, регрессия и кластеризация.

Этот подход обычно удобен для начинающих, однако он требует некоторых базовых знаний в области науки о данных.

Хотя у него есть бесплатная опция, стандартный уровень стоит 9,99 доллара за место в месяц и 1 доллар за час экспериментов.

API машинного обучения

Интерфейс прикладных программ (API) - это служба, которая может быть предоставлена ​​организацией, которая может отправлять ответы на определенные запросы, и эти ответы могут использоваться для улучшения своего приложения.

Это позволяет нам иметь гибкий доступ к различным сервисам, не перегружая работу нашего основного приложения.

способы создать одноэлементный класс в java

Службы API Microsoft называются когнитивными службами. Их можно развернуть прямо в Azure. Доступно пять классов услуг, включая зрение, язык, речь, поиск и принятие решений. Это предварительно обученные модели, которые подходят разработчикам, которые с энтузиазмом используют машинное обучение, но не имеют опыта в области науки о данных.

Однако эти услуги не подходят для настройки и, следовательно, не рекомендуются в случаях, когда многие вещи четко определены, требования не являются гибкими.

Продолжая статью по машинному обучению Azure,

ML.NET

Фреймворки - это общий набросок кода, на котором можно создать собственное приложение. Фреймворки позволяют следить за функциональностью нижнего уровня, так что нужно только следить за их логикой приложения.

ML.NET имеет алгоритмы классификации, регрессии, обнаружения аномалий и рекомендаций и может быть расширен с помощью Tensorflow и ONNX для нейронных сетей.

Это может быть очень полезно для .NET-разработчика, который умеет создавать собственные конвейеры машинного обучения.Однако кривая обучения означает, что обычные разработчики Python должны держаться подальше.

Продолжая статью по машинному обучению Azure,

AutoML

Автоматическое машинное обучение в последнее время привлекает большое внимание и представляет собой программное обеспечение, которое автоматически выбирает и обучает модели машинного обучения. Хотя легко думать, что технически он может заменить работу специалиста по данным, тот, кто действительно его использовал, четко знает, что существуют ограничения на то, что он может и что не может делать.

Текущая мета (без AutoML) для специалистов по данным будет заключаться в том, чтобы сначала создать базовую модель, а затем вручную перебирать различные варианты гиперпараметров, пока они не получат набор значений, дающий наилучшие результаты. Как нетрудно догадаться, это чрезвычайно трудоемкая стратегия, основанная на ударах и промахах. Кроме того, пространство поиска увеличивается экспоненциально по мере увеличения числа гиперпараметров, что делает практически невозможным полностью перебирать и оптимизировать новые архитектуры на основе глубоких нейронных сетей.

В настоящее время AutoML от Microsoft может автоматически создавать набор моделей машинного обучения, разумно выбирать модели для обучения, а затем рекомендовать лучшую из них на основе проблемы машинного обучения и типа данных. Короче говоря, он выбирает правильный алгоритм и помогает настроить гиперпараметры. В настоящее время он поддерживает только задачи классификации, прогнозирования и регрессии.

AutoML используется со службой машинного обучения Azure или ML.NET, и вы оплачиваете все связанные с этим расходы.

На этом мы подошли к концу статьи. Надеюсь, вам понравилась эта статья. Если вы это читаете, позвольте мне вас поздравить. Поскольку вы больше не новичок в Azure! Чем больше вы практикуетесь, тем больше вы узнаете. Чтобы облегчить ваше путешествие, мы придумали это Учебник по Azure Блог Серии который будет часто обновляться, так что следите за обновлениями!

Мы также разработали учебный план, который точно охватывает то, что вам нужно для сдачи экзаменов Azure! Вы можете ознакомиться с деталями курса для . Удачного обучения!

Есть вопрос к нам? Пожалуйста, укажите это в комментариях к этой статье, и мы свяжемся с вами.