כל מה שאתה צריך לדעת על שירות למידת מכונה של Azure

מאמר זה יציג בפניכם את הגרעיני הטמון ביישום נוהלים בשירות Azure Machine Learning. המצביעים הבאים יוסקרו במאמר זה,

• למידת מכונה בתכלת
• שירות למידת מכונה בתכלת הרקיע
• שירות הענן למידת מכונה
• ממשק גרפי
• ממשק API ללימוד מכונה
• ML.NET
• AutoML

אז בואו נתחיל עם המאמר הזה של Azure Machine Learning,

למידת מכונה בתכלת

הופעת הענן סימנה התחלה חדשה בתשתית המחשוב. זה בעצם פירושו שאפשר להשתמש במשאבים שהיה יקר מאוד לקנות אחרת כדי להשתמש באינטרנט. למידת מכונה, במיוחד למידה עמוקה, מחייבת שימוש בארכיטקטורות מחשבים המאפשרות שימוש בכמות גבוהה במיוחד של זיכרון RAM ו- VRAM (עבור ליבות Cuda). קשה לרכוש את שתי הסחורות הללו משתי סיבות עיקריות -

1. מחשבים ניידים לאחד, יכולים לארוז רק כמות מוגבלת של משאבים במסגרת שיש להם. המשמעות היא שמשתמש מחשב נייד טיפוסי אינו יכול לרשותו מספיק משאבים לביצוע משימות למידת המכונה באופן מקומי במכונה

   
   
   

2. זיכרון RAM ובמיוחד VRAM הם יקרים במיוחד לרכישה ונראים כהשקעה גבוהה במיוחד. יחד עם זיכרון RAM ו- VRAM חזקים, אנו זקוקים גם לתמיכה במעבדים ברמה גבוהה (אחרת מעבד יתגלה כצוואר בקבוק עבור המערכת) הדבר ממשיך עוד יותר את המחיר הכללי.

ממשיכים הלאה עם המאמר של Azure Machine Learning,

כיצד להשתמש באנקונדה לפיתון

שירות למידת מכונה בתכלת הרקיע

אם ניקח בחשבון את הנושאים הנ'ל, נוכל להבין בקלות את הצורך במשאבים הפנויים מרחוק דרך האינטרנט עם גישה 24 * 7.

Azure ML הוא שירות מבוסס ענן המספק חוויה יעילה למדעני נתונים בכל הרמות. זה חשוב במיוחד בגלל העובדה שהרבה מהנדסים חדשים מנסים להיכנס למרחב הזה וזה יכול להיות מרתיע במיוחד לבצע משימות אלה ללא ממשק משתמש אינטואיטיבי.

(מקור: Microsoft.com)

Azure ML מלווה ב- ML studio, שהוא למעשה כלי מבוסס דפדפן המעניק למדען הנתונים ממשק גרור ושחרור קל לשימוש לצורך בניית מודלים אלה.

רוב האלגוריתמים והספריות הנמצאים בשימוש רב יוצאים מהקופסה עבור המשתמשים. זה גם מתגאה בתמיכה מובנית ב- R ו- Python, ומאפשר למדעני הנתונים הוותיקים לשנות ולהתאים אישית את המודל שלהם ואת הארכיטקטורה שלו לפי טעמם.

לאחר שהמודל נבנה ומוכן, הוא יכול לשמש בקלות כשירות אינטרנט שניתן לקרוא לו על ידי שפע של שפות תכנות, ובעצם להפוך אותו לזמין ליישום שפונה למעשה למשתמש הקצה.

הסטודיו ללימוד מכונה הופך את למידת המכונה לפשוטה למדי על ידי מתן דרך גרור ושחרר בה אתה בונה את זרימת העבודה. עם ML Studio ומספר רב של מודולים שהיא מציעה לדגם את זרימת העבודה, ניתן ליצור דגמים מתקדמים מבלי לכתוב שום קוד.

למידת מכונה מתחילה בנתונים, שיכולים להגיע ממגוון מקורות. בדרך כלל צריך 'לנקות' את הנתונים לפני השימוש בהם, שעבורם ML Studio משלב מודולים שיעזרו לניקוי. לאחר שהנתונים מוכנים, ניתן לבחור אלגוריתם ו'אמן 'את המודל על הנתונים ולמצוא בהם דפוסים. לאחר מכן מגיע ניקוד והערכת המודל, אשר אומר לך עד כמה המודל מסוגל לחזות תוצאות. כל זה מועבר באופן חזותי ב- ML Studio. לאחר שהמודל מוכן, כמה לחיצות כפתור פורסות אותו כשירות אינטרנט כך שניתן להתקשר אליו מאפליקציות לקוח.

ML Studio מספק יישומים מוקלטים מראש של עשרים וחמישה מהאלגוריתמים הסטנדרטיים המשמשים ללימוד מכונה. זה מפריד אותם לארבעה חלקים.

• זיהוי חריגות הוא שיטת סיווג של דברים, אירועים או תצפיות שאינן מתאימות לתבנית קונבנציונאלית או לפריטים אחרים במערך נתונים.
• אלגוריתמי רגרסיה מנסים לגלות ולכמת קשרים בין משתנים. על ידי יצירת קשר בין משתנה תלוי למשתנה עצמאי אחד או יותר, ניתוח רגרסיה יכול לאפשר לחזות את הערך של משתנה תלוי בהינתן מערך תשומות בדיוק הניתן לכימות.
• מטרת אלגוריתמי הסיווג היא לזהות את המעמד אליו שייכת תצפית על סמך נתוני אימונים המורכבים מתצפיות שכבר הוקצו לקטגוריה.
• אשכולות מבקשים לערום חבורה של חפצים באופן שאובייקטים באותה קבוצה (הנקראים אשכול) דומים יותר זה לזה מאשר לאלה בקבוצות אחרות (אשכולות).

לאחר הרחבתו כשירות אינטרנט, ניתן להשתמש במודל עם שיחות REST פשטניות באמצעות HTTP. זה מאפשר למפתחים לבנות יישומים שמביאים את האינטליגנציה שלהם מלימוד מכונה.

להלן מאמר זה של Azure Machine Learning הוא סיכום מהיר על תכלת ותכונותיו

ממשיכים הלאה עם המאמר של Azure Machine Learning,

שירות הענן למידת מכונה

שירותי הענן מאפשרים למעשה למשתמש קצה להשכיר, או להשתמש בשירותים (מכונות חומרה) שפרסו חברה אחרת, מרחוק דרך האינטרנט.

שירות Azure Machine Learning מספק ערכות ושירותי פיתוח תוכנה להכנה מהירה של נתונים, הכשרה ופריסה של דגמי ML מותאמים אישית.קיימת תמיכה מחוץ לקופסה למסגרות פיתון בעלות קוד פתוח, כגון PyTorch, TensorFlow ו- scikit-learning.צריך לשקול להשתמש בזה אם הם צריכים לבנות מודלים מותאמים אישית או לעבוד עם מודלים של למידה עמוקה

עם זאת, אם אתה נוטה לא לעבוד ב- Python או רוצה שירות פשוט יותר, אל תשתמש בזה.

שירותים אלה דורשים ידע רב ורקע במדעי הנתונים ואינם מומלצים עבור טירונים. שלם רק עבור משאבים להכשרת דגמים. מספר דרגי תמחור לפריסה באמצעות Azure Kubernetes Service.

ממשיכים הלאה עם המאמר של Azure Machine Learning,

ממשק גרפי

ממשקים גרפיים אינם קוד או פלטפורמת קוד נמוך המבוססים על דרכים לגשת ליכולות כגון ML. חלקן יכולות להיות רשימות נפתחות, במקרה זה מדובר בכלי גרירה ושחרור.

Studio Machine Learning Studio הוא כלי גרור ושחרר מכונת למידה המאפשר לך לבנות, להכשיר ולהתאים אישית מודלים של למידת מכונה על ידי העלאת סט נתונים מותאם אישית להערכת תוצאות בממשק גרפי. לאחר הכשרת מודל, תוכלו לפרוס אותו כשירות אינטרנט ישירות מהסטודיו.

פונקציונליות זו משמשת בדרך כלל כאשר הקוד שצריך לכתוב צריך להיות נמוך או שהעבודה העיקרית מבוססת על בעיות בסיסיות כמו סיווג, רגרסיה ואשכולות.

גישה זו בדרך כלל ידידותית למתחילים, אולם היא מצריכה ידע רקע במדעי הנתונים.

אמנם יש לה אפשרות בחינם, אבל שכבה סטנדרטית עולה 9.99 דולר למושב, לחודש ו -1 דולר לשעת ניסוי.

ממשק API ללימוד מכונה

ממשק תכנות יישומים (API) הוא שירות שיכול להינתן על ידי ארגון שיכול לשלוח תגובות לשאילתות מסוימות ותגובות אלו יכולות לשמש לשיפור היישום של האדם.

זה מאפשר לנו את הגמישות לגשת לשירותים שונים מבלי לטרוף ישירות את יישום הליבה שלנו.

שירותי ה- API של מיקרוסופט נקראים Cognitive Services. אלה ניתנים לפריסה ישירות ב- Azure. ישנם חמישה סוגים של שירותים זמינים, כולל חזון, שפה, דיבור, חיפוש והחלטה. מדובר במודלים שהוכשרו מראש המתאימים למפתחים שמתלהבים להעסיק למידה מכונה אך אין להם רקע של מדעי הנתונים.

עם זאת, שירותים אלה נופלים לקוי בכל הנוגע להתאמות אישיות ולכן אינם מומלצים במקרים בהם הרבה דברים מוגדרים היטב הדרישות אינן גמישות.

ממשיכים הלאה עם המאמר של Azure Machine Learning,

ML.NET

מסגרות הן קוד מתאר כללי שאפשר לבנות עליו יישום משלו. מסגרות מאפשרות לטפל בפונקציונליות ברמה הנמוכה יותר כך שיש רק לדאוג לוגיקת היישומים שלהן.

ל- ML.NET אלגוריתמים של אימונים לסיווג, רגרסיה, זיהוי חריגות ואימון המלצות וניתן להרחיב אותם באמצעות Tensorflow ו- ONNX עבור רשתות עצביות.

זה יכול להועיל למפתח .NET שנוח לבנות צינורות ML משלו.עם זאת, עקומת הלמידה פירושה שמפתחי הפיתונים הכלליים צריכים להתרחק.

ממשיכים הלאה עם המאמר של Azure Machine Learning,

AutoML

למידת מכונה אוטומטית מושכת תשומת לב רבה לאחרונה, והיא תוכנה שבוחרת ומכשירה באופן אוטומטי מודלים של Machine Learning. אמנם קל לחשוב שזה יכול להחליף את עבודתו של מדען נתונים מבחינה טכנית, אבל מישהו שבאמת השתמש בה יודע בבירור, אך יש מגבלות למה שהוא יכול ולא יכול לעשות.

המטא הנוכחי (ללא AutoML) עבור מדעני נתונים יהיה תחילה ליצור מודל בסיס ואז לחזור על האפשרויות השונות לפרמטרים היפר, באופן ידני עד שהם מגיעים למערכת ערכים המניבה את התוצאות הטובות ביותר. כפי שאפשר לנחש בקלות, זוהי אסטרטגיה גוזלת זמן ביותר ומבוססת על להיט והחמצה. כמו כן, מרחב החיפוש גדל באופן אקספוננציאלי ככל שמספר ההיפרפרמטרים גדל, מה שהופך את הארכיטקטורות החדשות והעמוקות יותר המבוססות על רשת עצבית כמעט בלתי אפשרית לחזור ולבצע אופטימיזציה לחלוטין.

נכון לעכשיו, ה- AutoML של מיקרוסופט מסוגל לבנות קבוצה של דגמי ML באופן אוטומטי, לבחור בצורה חכמה מודלים לאימון, ואז להמליץ ​​על הטוב ביותר עבורך בהתבסס על בעיית ה- ML וסוג הנתונים. בקיצור נמר, הוא בוחר את האלגוריתם הנכון ועוזר לכוון היפרפרמטרים. נכון לעכשיו, הוא תומך בבעיות סיווג, חיזוי ורגרסיה בלבד.

AutoML משמש עם Azure Machine Learning Service או ML.NET ואתה משלם עבור כל העלויות הקשורות לאלה.

אז זה מביא אותנו לסוף מאמר זה. אני מקווה שנהנית מהמאמר הזה. אם אתה קורא את זה, תן לי לברך אותך. מכיוון שאתה כבר לא מתחיל בתכלת! ככל שתתאמנו יותר כך תלמדו יותר. כדי להקל על המסע, עלינו על כך מדריך תכלת סדרת בלוגים אשר יעודכן לעיתים קרובות, אז הישאר מעודכן!

הגענו גם לתכנית לימודים המכסה בדיוק את מה שתצטרך לפצח את בחינות התכלת! אתה יכול להעיף מבט על פרטי הקורס עבור . למידה שמחה!

יש לך שאלה עבורנו? אנא הזכיר זאת בסעיף ההערות במאמר זה ונחזור אליך.