Aquest article us introduirà a la pràctica aplicació pràctiques al servei d'Aprenentatge automàtic d'Azure. En aquest article es tractaran les següents indicacions,
- Aprenentatge automàtic d'Azure
- Servei d'aprenentatge automàtic d'Azure
- El servei del núvol d’aprenentatge automàtic
- Interfície gràfica
- API d’aprenentatge automàtic
- ML.NET
- AutoML
Comencem, doncs, amb aquest article d’Azure Machine Learning,
Aprenentatge automàtic d'Azure
L'aparició del núvol va suposar un nou començament en la infraestructura informàtica. Bàsicament volia dir que es podien utilitzar recursos que haurien estat extremadament costosos de comprar d'una altra manera per a Internet. L’aprenentatge automàtic, especialment l’aprenentatge profund, requereix l’ús d’arquitectures d’ordinadors que permetin utilitzar una quantitat extremadament elevada de RAM i VRAM (per als nuclis Cuda). Aquests dos productes bàsics són difícils d'adquirir per dos motius principals:
Els ordinadors portàtils per a un només poden empaquetar-se en una quantitat limitada de recursos en el marc que tenen. Això significa que un usuari portàtil típic no pot tenir prou recursos a la seva disposició per realitzar les tasques d'aprenentatge automàtic a la màquina
La memòria RAM i, especialment, la VRAM són extremadament cars de comprar i semblen ser una inversió extremadament elevada. Juntament amb la RAM i la VRAM robustes, també necessitem suportar CPU d’alta qualitat (en cas contrari, la CPU seria un coll d’ampolla per al sistema), això augmenta encara més el preu global.
Continuant amb l'article d'Azure Machine Learning,
Servei d'aprenentatge automàtic d'Azure
Tenint en compte els problemes anteriors, podem entendre fàcilment la necessitat de recursos que s’utilitzen remotament per Internet amb accés 24 * 7.
Azure ML és un servei basat en el núvol que proporciona una experiència simplificada per a científics de dades a tots els nivells. Això és especialment important a causa del fet que molts enginyers nous estan intentant entrar en aquest espai i pot resultar especialment descoratjador realitzar aquestes tasques sense una interfície d'usuari intuïtiva.
(Font: Microsoft.com)
Azure ML s'acompanya d'un estudi ML, que bàsicament és una eina basada en navegadors que proporciona al científic de dades una interfície d'arrossegar i deixar anar fàcil d'utilitzar amb la finalitat de construir aquests models.
La majoria dels algoritmes i biblioteques molt utilitzats surten de la caixa dels usuaris. També compta amb suport integrat per a R i Python, que permet als científics veterans de dades canviar i personalitzar el seu model i la seva arquitectura segons el seu gust.
Una vegada que el model està construït i està llest, es pot utilitzar fàcilment com a servei web que pot ser cridat per una gran quantitat de llenguatges de programació, essencialment fent-lo disponible per a l'aplicació que realment s'enfronta a l'usuari final.
Machine Learning Studio fa que l’aprenentatge automàtic sigui bastant senzill, ja que proporciona una manera d’arrossegar i deixar anar en la qual es construeix el flux de treball. Amb ML Studio i un gran nombre de mòduls que ofereix per modelar el flux de treball, es poden crear models avançats sense escriure cap codi.
L’aprenentatge automàtic comença amb dades, que poden provenir d’orígens diversos. Normalment, les dades necessiten ser 'netejades' abans d'utilitzar-se, per la qual cosa ML Studio incorpora mòduls per ajudar a la neteja. Quan les dades estiguin llestes, es pot seleccionar un algorisme i 'entrenar' el model sobre les dades i trobar patrons en ell. Després d'això, es fa la puntuació i l'avaluació del model, que us indiquen fins a quin punt el model és capaç de predir els resultats. Tot això es lliura visualment a ML Studio. Un cop el model estigui llest, uns quants clics de botó el desplegaran com a servei web perquè es pugui cridar des de les aplicacions del client.
ML Studio proporciona implementacions preenregistrades de vint-i-cinc dels algoritmes estàndard utilitzats en l’aprenentatge automàtic. Els separa en quatre seccions.
- La detecció d’anomalies és un mètode de classificació de coses, esdeveniments o observacions que no s’ajusten a un patró convencional ni a altres elements d’un conjunt de dades.
- Els algoritmes de regressió intenten descobrir i quantificar les relacions entre variables. En establir una relació entre una variable dependent i una o més variables independents, l’anàlisi de regressió pot permetre predir el valor d’una variable dependent donat un conjunt d’entrades amb una precisió quantificable.
- L'objectiu dels algoritmes de classificació és identificar la classe a la qual pertany una observació basant-se en dades d'entrenament que consisteixen en observacions que ja s'han assignat a una categoria.
- El clúster vol amuntegar un munt d’objectes de manera que els objectes del mateix grup (anomenats clústers) siguin més semblants entre ells que els d’altres grups (clústers).
Un cop ampliat com a servei web, es pot utilitzar un model amb trucades REST simplistes per HTTP. Això permet als desenvolupadors construir aplicacions que obtinguin la seva intel·ligència a partir de l’aprenentatge automàtic.
El que segueix en aquest article d’Azure Machine Learning és un resum breu sobre l’azure i les seves característiques
Continuant amb l'article d'Azure Machine Learning,
El servei del núvol d’aprenentatge automàtic
Els serveis al núvol permeten essencialment a un usuari final llogar o utilitzar els serveis (màquines de maquinari) desplegats per una altra empresa, remotament per Internet.
El servei d’aprenentatge automàtic d’Azure proporciona serveis i kits de desenvolupament de programari per preparar ràpidament dades, formar-se i desplegar models de ML personalitzats.No hi ha suport per a frameworks Python de codi obert, com PyTorch, TensorFlow i scikit-learn.S'hauria de plantejar utilitzar-lo si necessiten construir models personalitzats o treballar amb models d'aprenentatge profund
Tot i això, si esteu inclinat a no treballar a Python o voleu un servei més senzill, no l’utilitzeu.
Aquest servei requereix una gran quantitat de coneixements i antecedents en ciències de les dades i no es recomana als principiants. Pagueu només per recursos per formar models. Diversos nivells de preus per al desplegament mitjançant el servei Azure Kubernetes.
Continuant amb l'article d'Azure Machine Learning,
Interfície gràfica
Les interfícies gràfiques no són cap plataforma o codi baix basat en maneres d’accedir a funcions com ML. Alguns d’ells poden ser llistes desplegables, en aquest cas és una eina d’arrossegar i deixar anar.
Azure Machine Learning Studio és una eina d’aprenentatge automàtic per arrossegar i deixar anar que us permet construir, formar i personalitzar models d’aprenentatge automàtic carregant un conjunt de dades personalitzat per avaluar els resultats en una interfície gràfica. Després d'entrenar un model, el podeu desplegar com a servei web directament des de Studio.
Aquesta funcionalitat s'utilitza generalment quan el codi a escriure ha de ser baix o el treball principal es basa en problemes fonamentals com la classificació, la regressió i l'agrupació
Aquest enfocament generalment és amigable per a principiants, però requereix coneixements bàsics en ciència de dades.
Tot i que té una opció gratuïta, el nivell estàndard costa 9,99 dòlars per seient, per mes i 1 dòlar per hora d’experimentació.
API d’aprenentatge automàtic
Una interfície de programa d’aplicació (API) és un servei que pot proporcionar una organització que pot enviar respostes a determinades consultes i que es poden utilitzar per millorar la vostra aplicació.
dades del quadre que combinen unió esquerra
Això ens permet tenir la flexibilitat d’accedir a diversos serveis sense aturar directament la nostra aplicació principal.
Els serveis API de Microsoft s’anomenen serveis cognitius. Es poden desplegar directament a Azure. Hi ha cinc classes de serveis disponibles, incloent visió, llenguatge, parla, cerca i decisió. Es tracta de models prèviament formats que s’adapten als desenvolupadors entusiastes d’utilitzar l’aprenentatge automàtic però que no tenen antecedents en ciència de dades.
No obstant això, aquests serveis es queden curts quan es tracta de personalitzacions i, per tant, no es recomana en casos en què moltes coses estan ben definides, els requisits no són flexibles.
Continuant amb l'article d'Azure Machine Learning,
ML.NET
Els marcs són un codi general d’esquema que es pot crear a sobre de la seva pròpia aplicació. Els marcs permeten tenir en compte la funcionalitat de nivell inferior, de manera que només cal tenir cura de la seva lògica d'aplicació.
ML.NET té una classificació, regressió, detecció d’anomalies i algorismes d’entrenament de recomanacions i es pot ampliar amb Tensorflow i ONNX per a xarxes neuronals.
Això pot ser molt útil per a un desenvolupador .NET que es senti còmode construint les seves pròpies canonades ML.Tot i això, la corba d’aprenentatge significa que els desenvolupadors generals de Python s’han de mantenir allunyats.
Continuant amb l'article d'Azure Machine Learning,
AutoML
L’aprenentatge automàtic automàtic ha cridat molta atenció recentment i és un programari que selecciona i forma automàticament els models d’aprenentatge automàtic. Tot i que és fàcil pensar que tècnicament pot substituir la feina d’un científic de dades, algú que realment l’ha utilitzat sap clarament que hi ha limitacions en el que pot i no pot fer.
La meta actual (sense AutoML) per als científics de dades seria primer crear un model base i després iterar les diverses possibilitats dels paràmetres hiper, manualment, fins que arribin a un conjunt de valors que donin els millors resultats. Com es pot endevinar fàcilment, es tracta d’una estratègia basada en l’èxit i la pèrdua de temps. A més, l'espai de cerca augmenta exponencialment a mesura que augmenta el nombre d'hiperparàmetres, cosa que fa que les arquitectures basades en xarxes neuronals més profundes i noves siguin gairebé impossibles d'iterar i optimitzar completament.
Actualment, AutoML de Microsoft és capaç de crear automàticament un conjunt de models de ML, seleccionar intel·ligentment els models de formació i, després, recomanar-vos el millor segons el problema i el tipus de dades de ML. En poques paraules, selecciona l’algoritme adequat i ajuda a sintonitzar els hiperparàmetres. Actualment, només admet problemes de classificació, previsió i regressió.
AutoML s’utilitza amb Azure Machine Learning Service o ML.NET i pagueu els costos associats.
Per tant, això ens porta al final d’aquest article. Espero que us hagi agradat aquest article. Si esteu llegint això, deixeu-me felicitar-vos. Com que ja no sou principiants a Azure. Com més practiquis, més aprendràs. Per fer el vostre viatge fàcil, hem arribat a això Tutorial d'Azure Sèrie de blocs que s'actualitzarà amb freqüència, així que estigueu atents!
També hem elaborat un pla d’estudis que cobreix exactament el que necessitaria per trencar els exàmens Azure. Podeu consultar els detalls del curs . Feliç aprenentatge!
Tens alguna pregunta? Si us plau, mencioneu-lo a la secció de comentaris d’aquest article i us respondrem.