Всичко, което трябва да знаете за услугата за машинно обучение Azure



Тази статия ще ви запознае с услугата Azure Machine, предлагана от Azure Cloud, а също така ще ви запознае с различни компоненти и функции на една и съща.

Тази статия ще ви запознае с глупавата пясъчност на изпълнението практики в услугата за машинно обучение Azure. Следните указания ще бъдат обхванати в тази статия,

Така че нека да започнем с тази статия за машинно обучение на Azure,





Мазутно обучение Azure

Появата на облак бележи ново начало в изчислителната инфраструктура. По същество това означаваше, че човек може да използва ресурси, които биха били изключително скъпи за закупуване, иначе за използване през Интернет. Машинното обучение, особено дълбокото обучение, изисква използването на компютърни архитектури, които позволяват използването на изключително голямо количество RAM и VRAM (за ядрата Cuda). И двете стоки са трудни за придобиване поради две основни причини -

  1. Лаптопи за един, могат да пакетират само ограничено количество ресурси в рамката, която имат. Това означава, че един типичен потребител на лаптоп не може да има достатъчно ресурси на свое разположение, за да изпълнява задачи за машинно обучение локално на машината



  2. RAM и особено VRAM са изключително скъпи за закупуване и изглеждат изключително висока инвестиция. Заедно със здравата RAM и VRAM, ние също се нуждаем от поддържане на висококачествени CPU (в противен случай CPU ще се окаже пречка за системата), което допълнително води до още по-висока обща цена.

Преминавайки към статия за машинно обучение на Azure,

Служба за машинно обучение Azure

Вземайки предвид горните проблеми, можем лесно да разберем необходимостта от ресурси, които се разполагат дистанционно през Интернет с достъп 24 * 7.



Лого на Azure ML - Azure Machine Learning - Edureka

Azure ML е услуга, базирана в облак, която осигурява рационализирана практическа работа за изследователите на данни на всички нива. Това е особено важно поради факта, че много нови инженери се опитват да влязат в това пространство и може да бъде особено обезсърчително да изпълнявате тези задачи без интуитивен потребителски интерфейс.

(Източник: Microsoft.com)

Azure ML е придружен от ML studio, което по същество е инструмент, базиран на браузър, който дава на учения за данни лесен за използване интерфейс за плъзгане и пускане за целите на изграждането на тези модели.

как да конвертирате double в int java -

Повечето от силно използваните алгоритми и библиотеки излизат от кутията за потребителите. Той също така може да се похвали с вградена поддръжка за R и Python, позволявайки на ветераните учени по данни да променят и персонализират своя модел и неговата архитектура според техните предпочитания.

След като моделът бъде изграден и готов, той може лесно да се използва като уеб услуга, която може да бъде извикана от множество програмни езици, като по същество го прави достъпно за приложението, което всъщност е изправено пред крайния потребител.

Студиото за машинно обучение прави машинното обучение доста лесно, като предоставя начин на плъзгане и пускане, по който изграждате работния процес. С ML Studio и голям брой модули, които предлага за моделиране на работния процес, можете да създавате усъвършенствани модели, без да пишете никакъв код.

Машинното обучение започва с данни, които могат да идват от различен произход. Данните обикновено трябва да бъдат „почистени“, преди да бъдат използвани, за което ML Studio включва модули, които помагат при почистването. След като данните са готови, човек може да избере алгоритъм и да „обучи“ модела върху данните и да намери модели в него. След това идва оценка и оценка на модела, което ви казва колко добре моделът е в състояние да предскаже резултатите. Всичко това се доставя визуално в ML Studio. След като моделът е готов, няколко кликвания върху бутона го разполагат като уеб услуга, за да може да се извиква от клиентски приложения.

ML Studio предлага предварително записани изпълнения на двадесет и пет от стандартните алгоритми, използвани в машинното обучение. Разделя ги на четири секции.

  • Откриването на аномалии е метод за класификация на неща, събития или наблюдения, които не се вписват в конвенционален модел или други елементи в набор от данни.
  • Регресионните алгоритми се опитват да открият и количествено определят връзките между променливите. Чрез установяване на връзка между зависима променлива и една или повече независими променливи, регресионният анализ може да позволи да се предскаже стойността на зависима променлива, като се даде набор от входни данни с количествено измерима точност.
  • Целта на класификационните алгоритми е да се идентифицира класът, към който принадлежи наблюдението, въз основа на данни за обучение, състоящи се от наблюдения, които вече са определени за категория.
  • Клъстерирането се стреми да натрупа куп обекти по начин, по който обектите от една и съща група (наречена клъстер) са по-сходни помежду си, отколкото тези в други групи (клъстери).

Веднъж разширен като уеб услуга, моделът може да се използва с опростени REST повиквания през HTTP. Това позволява на разработчиците да създават приложения, които извличат интелигентността си от машинно обучение.

Това, което следва в тази статия за машинното обучение на Azure, е кратко обобщение за лазура и неговите характеристики

Преминавайки към статия за машинно обучение на Azure,

jobtracker и tasktracker в hadoop

Облачната услуга за машинно обучение

Облачните услуги по същество позволяват на крайния потребител да отдаде под наем или да използва услугите (хардуерни машини), внедрени от друга компания, дистанционно през Интернет.

Услугата за машинно обучение Azure предоставя комплекти и услуги за разработка на софтуер за бърза подготовка на данни, обучение и внедряване на персонализирани модели на ML.Предлага се поддръжка за Python рамки с отворен код, като PyTorch, TensorFlow и scikit-learn.Човек трябва да обмисли използването на това, ако трябва да изгради персонализирани модели или да работи с модели за задълбочено обучение

Ако обаче сте склонни да не работите в Python или искате по-проста услуга, не използвайте това.

Тази услуга изисква много знания и опит в областта на данните и не се препоръчва за начинаещи. Плащайте само за ресурси за обучение на модели. Няколко ценови нива за внедряване чрез услугата Azure Kubernetes.

Преминавайки към статия за машинно обучение на Azure,

Графичен интерфейс

Графичните интерфейси не представляват код или платформа с нисък код, базирана на начини за достъп до възможности като ML. Някои от тях могат да бъдат падащи списъци, в този случай това е инструмент за плъзгане и пускане.

Azure Machine Learning Studio е инструмент за машинно обучение с плъзгане и пускане, който ви позволява да изграждате, обучавате и персонализирате модели за машинно обучение, като качвате персонализиран набор от данни за оценка на резултатите в графичен интерфейс. След като обучите модел, можете да го внедрите като уеб услуга направо от Studio.

Тази функционалност обикновено се използва, когато кодът, който трябва да се напише, трябва да е нисък или основната работа се основава на основни проблеми като класификация, регресия и групиране

Този подход обикновено е удобен за начинаещи, но изисква известни познания в областта на науката за данни.

Въпреки че има безплатна опция, стандартното ниво струва $ 9,99 на място на месец и $ 1 на час за експерименти.

API за машинно обучение

Интерфейсът на приложната програма (API) е услуга, която може да бъде предоставена от организация, която може да изпраща отговори на определени запитвания и тези отговори могат да се използват за подобряване на нечие приложение.

какво е променлива на екземпляра

Това ни позволява да имаме гъвкавост за достъп до различни услуги, без директно да затрупваме основното си приложение.

API услугите на Microsoft се наричат ​​Когнитивни услуги. Те могат да бъдат разположени направо в Azure. Налични са пет класа услуги, включително зрение, език, реч, търсене и решение. Това са предварително обучени модели, които отговарят на разработчиците, които са ентусиазирани да използват машинно обучение, но нямат опит в науката за данни.

Тези услуги обаче не достигат, когато става въпрос за персонализиране и следователно не се препоръчват в случаите, когато много неща са добре дефинирани, изискванията не са гъвкави.

Преминавайки към статия за машинно обучение на Azure,

ML.NET

Рамките са общ контурен код, върху който може да се изгради собствено приложение. Рамките позволяват да се гледа функционалността на по-ниското ниво, така че човек трябва само да се грижи за тяхната логика на приложение.

ML.NET има алгоритми за класификация, регресия, откриване на аномалии и препоръки и може да бъде разширена с Tensorflow и ONNX за невронни мрежи.

Това може да бъде от голяма полза за разработчика на .NET, който се чувства удобно да изгражда свои собствени тръбопроводи за ML.Кривата на обучение обаче означава, че общите разработчици на python трябва да стоят настрана.

Преминавайки към статия за машинно обучение на Azure,

AutoML

Автоматизираното машинно обучение привлича голямо внимание напоследък и представлява софтуер, който автоматично избира и обучава модели за машинно обучение. Въпреки че е лесно да се мисли, че технически може да замени работата на учен по данни, но някой, който действително го е използвал, ясно знае, има ограничения за това какво може и какво не може да направи.

Текущата мета (без AutoML) за изследователите на данни би трябвало първо да създаде базов модел и след това да преразгледа различните възможности за хипер параметри, ръчно, докато получат набор от стойности, които дават най-добри резултати. Както лесно може да се досетите, това е изключително отнемащо време и базирана на удари и пропуски стратегия. Също така, пространството за търсене се увеличава експоненциално, тъй като броят на хиперпараметрите се увеличава, което прави по-новите, дълбоки невронни мрежови архитектури почти невъзможни за пълна итерация и оптимизиране.

В момента AutoML на Microsoft е в състояние да изгради автоматично набор от ML модели, интелигентно избира модели за обучение, след което препоръчва най-добрия за вас въз основа на проблема с ML и типа данни. Накратко, той избира правилния алгоритъм и помага за настройка на хиперпараметрите. Понастоящем той поддържа само проблеми с класификация, прогнозиране и регресия.

AutoML се използва с услугата за машинно обучение Azure или ML.NET и вие плащате за всички разходи, свързани с тях.

Така че това ни води до края на тази статия. Надявам се тази статия да ви е харесала. Ако четете това, позволете ми да ви поздравя. Тъй като вече не сте начинаещ в Azure! Колкото повече практикувате, толкова повече ще научите. За да улесним вашето пътуване, ние измислихме това Урок за Azure Блог серия които ще се актуализират често, така че следете!

Ние също така измислихме учебна програма, която покрива точно това, от което се нуждаете, за да пробиете изпитите по Azure! Можете да разгледате подробностите за курса за . Честито обучение!

Имате въпрос към нас? Моля, споменете го в раздела за коментари на тази статия и ние ще се свържем с вас.