Ipakilala ka ng artikulong ito sa nitty gritty ng pagpapatupad mga kasanayan sa serbisyo sa Pag-aaral ng Azure Machine. Saklaw ang artikulong ito sa artikulong ito,
- Pag-aaral ng Azure Machine
- Serbisyo sa Pag-aaral ng Azure Machine
- Ang Serbisyo sa Pag-aaral ng Machine sa Cloud
- Graphical Interface
- Machine Learning API
- ML.NET
- AutoML
Kaya't magsimula tayo sa artikulong ito sa Pag-aaral ng Azure Machine,
Pag-aaral ng Azure Machine
Ang pag-usbong ng ulap ay nagmarka ng isang bagong simula sa computing imprastraktura. Karaniwan nang sinadya nito na ang isang tao ay maaaring gumamit ng mga mapagkukunan na kung saan ay napakamahal na bilhin kung hindi man upang magamit sa Internet. Ang pag-aaral ng makina, lalo na ang malalim na pag-aaral, ay nangangailangan ng paggamit ng mga arkitektura ng computer na nagpapahintulot sa paggamit ng isang napakataas na halaga ng RAM, at VRAM (para sa Cuda Cores). Ang parehong mga kalakal na ito ay mahirap kunin para sa dalawang pangunahing kadahilanan -
Ang mga laptop para sa isa, maaari lamang mag-pack sa isang limitadong halaga ng mga mapagkukunan sa frame na mayroon sila. Nangangahulugan ito na ang isang tipikal na gumagamit ng laptop ay hindi maaaring magkaroon ng sapat na mapagkukunan sa kanyang pagtatapon upang maisagawa nang lokal ang mga gawain sa pag-aaral ng machine sa makina
Ang RAM at lalo na ang VRAM ay napakamahal na bilhin at lumilitaw na isang napakataas na pamumuhunan. Kasabay ng matatag na RAM at VRAM, kailangan din namin ng pagsuporta sa mga high-grade CPU's (kung hindi man ay patunayan ng isang bottleneck para sa system ang CPU) na ito ay nagdudulot ng karagdagang presyo sa mas mataas.
Nagpapatuloy sa Azure Machine Learning Article,
Serbisyo sa Pag-aaral ng Azure Machine
Isinasaalang-alang ang mga isyu sa itaas, madali nating maiintindihan ang pangangailangan para sa mga mapagkukunan na maaaring itapon nang malayuan sa Internet na may 24 * 7 na pag-access.
Ang Azure ML ay isang cloud-based na serbisyo na nagbibigay ng isang streamline na karanasan para sa mga siyentipiko ng data sa lahat ng mga antas. Ito ay lalong mahalaga dahil sa ang katunayan na maraming mga bagong inhinyero ang sumusubok na ipasok ang puwang na ito at maaari itong maging partikular na nakakatakot upang maisagawa ang mga gawaing ito nang walang isang madaling gamitin na interface ng gumagamit.
(Pinagmulan: Microsoft.com)
Ang Azure ML ay sinamahan ng ML studio, na mahalagang isang browser-based na tool na nagbibigay sa data scientist ng isang madaling gamitin na drag and drop interface para sa layunin ng pagbuo ng mga modelong ito.
Karamihan sa mga ginagamit nang labis na mga algorithm at aklatan ay lumabas sa kahon para sa mga gumagamit. Ipinagmamalaki din nito ang built-in na suporta para sa R at Python, na hinahayaan ang beteranong mga siyentipiko ng data na baguhin at ipasadya ang kanilang modelo at arkitektura ayon sa gusto nila.
Kapag ang modelo ay naitayo at handa na, madali itong magamit bilang isang serbisyo sa web na maaaring tawagan ng isang kalabisan ng mga wika sa pagprograma, mahalagang ginagawa itong magagamit para sa application na talagang nakaharap sa end user.
Ginagawa ng Machine Learning Studio na matuto nang diretso sa pamamagitan ng pagbibigay ng isang drag-and-drop na paraan kung saan mo binuo ang daloy ng trabaho. Sa ML Studio at maraming bilang ng mga modyul na inaalok nito para sa pagmomodelo sa daloy ng trabaho, ang isa ay maaaring gumawa ng mga advanced na modelo nang hindi nagsusulat ng anumang code.
Nagsisimula ang Pag-aaral ng Machine sa data, na maaaring magmula sa iba't ibang mga pinagmulan. Karaniwang kailangang 'malinis' ang data bago magamit, kung saan isinasama ng ML Studio ang mga module na makakatulong sa paglilinis. Kapag handa na ang data, maaaring pumili ang isang algorithm at 'sanayin' ang modelo sa data at maghanap ng mga pattern dito. Pagkatapos nito ay darating ang pagmamarka at suriin ang modelo, na nagsasabi sa iyo kung gaano kahusay na mahulaan ng modelo ang mga kinalabasan. Ang lahat ng ito ay naihatid nang biswal sa ML Studio. Kapag handa na ang modelo, i-click ng ilang pindutan ang pag-deploy nito bilang isang serbisyo sa Web upang matawag ito mula sa mga client app.
Nagbibigay ang ML Studio ng mga naka-record na pagpapatupad ng dalawampu't limang mga karaniwang algorithm na ginagamit sa pag-aaral ng makina. Pinaghihiwalay nila ang mga ito sa apat na seksyon.
- Ang pagtuklas ng Anomaly ay isang pamamaraan ng pag-uuri ng mga bagay, kaganapan, o obserbasyon na hindi umaangkop sa isang maginoo na pattern o iba pang mga item sa isang dataset.
- Ang mga algorithm sa pag-urong ay nagtatangkang tuklasin at sukatin ang mga ugnayan sa pagitan ng mga variable. Sa pamamagitan ng pagtataguyod ng isang ugnayan sa pagitan ng isang umaasa na variable at isa o higit pang mga independiyenteng variable, ang pag-aaral ng pagbabalik ay maaaring paganahin ang halaga ng isang umaasa na variable na mahulaan na binigyan ng isang hanay ng mga input na may isang nabibilang na kawastuhan.
- Ang layunin ng pag-uuri ng mga algorithm ay upang makilala ang klase kung saan kabilang ang isang pagmamasid batay sa data ng pagsasanay na binubuo ng mga obserbasyon na naitalaga sa isang kategorya.
- Hinahangad ng Clustering na magtipun-tipon ng isang bungkos ng mga bagay sa paraang ang mga bagay sa parehong pangkat (tinatawag na isang kumpol) ay higit na magkatulad sa bawat isa kaysa sa mga nasa ibang mga pangkat (kumpol).
Sa sandaling pinalawig bilang isang serbisyo sa Web, maaaring magamit ang isang modelo na may simplistic na mga tawag sa REST sa HTTP. Pinapayagan nitong bumuo ang mga developer ng mga application na kukuha ng kanilang intelihensiya mula sa pag-aaral ng makina.
kung paano baligtarin ang isang numero
Ang sumusunod sa artikulong Azure Machine Learning na ito ay isang mabilis na balot tungkol sa azure at mga tampok nito
Nagpapatuloy sa Azure Machine Learning Article,
Ang Serbisyo sa Pag-aaral ng Machine sa Cloud
Mahalagang pinapayagan ng mga serbisyong cloud ang isang end-user na magrenta, o gamitin ang mga serbisyo (mga makina ng hardware) na ipinakalat ng ibang kumpanya, mula sa malayo sa Internet.
Nagbibigay ang serbisyo ng Azure Machine Learning ng Mga Software Development Kit at mga serbisyo upang agad na maghanda ng data, sanayin, at mag-deploy ng mga pasadyang modelo ng ML.Mayroong out of the box support para sa mga open-source na frameworks ng Python, tulad ng PyTorch, TensorFlow, at scikit-know.Dapat isaalang-alang ng isa ang paggamit nito kung kailangan nilang bumuo ng mga pasadyang modelo o magtrabaho kasama ang mga malalim na modelo ng pag-aaral
Gayunpaman, kung may hilig kang hindi gumana sa Python o nais ng isang mas simpleng serbisyo, huwag itong gamitin.
Ang mga serbisyong ito ay nangangailangan ng isang mahusay na pakikitungo ng kaalaman sa data at background ng agham at hindi inirerekumenda para sa baguhan. Magbayad lamang para sa mga mapagkukunan upang sanayin ang mga modelo. Maraming mga tier ng pagpepresyo para sa pag-deploy sa pamamagitan ng Azure Kubernetes Service.
Nagpapatuloy sa Azure Machine Learning Article,
Graphical Interface
Ang mga graphic interface ay walang code o mababang code ng platform batay sa mga paraan upang ma-access ang mga kakayahan tulad ng ML. Ang ilan sa mga ito ay maaaring mga listahan ng drop-down, sa kasong ito, ito ay isang tool na pag-drag at drop.
Ang Azure Machine Learning Studio ay isang drag-and-drop na tool sa Pag-aaral ng Machine na nagbibigay-daan sa iyo upang bumuo, sanayin at ipasadya ang mga modelo ng pag-aaral ng makina sa pamamagitan ng pag-upload ng isang pasadyang hanay ng data upang suriin ang mga resulta sa isang graphic na interface. Matapos sanayin ang isang modelo, maaari mo itong i-deploy bilang isang serbisyo sa web na diretso mula sa Studio.
Ang pagpapaandar na ito ay karaniwang ginagamit kapag ang code na isusulat ay dapat maging mababa o ang pangunahing gawain ay batay sa mga pangunahing problema tulad ng pag-uuri, pagbabalik at pag-cluster.
Ang pamamaraang ito sa pangkalahatan ay palakaibigan sa begineer gayunpaman, nangangailangan ito ng kaunting kaalaman sa background sa agham ng data.
Habang mayroon itong isang libreng pagpipilian, ang standard na baitang ay nagkakahalaga ng $ 9.99 bawat upuan, bawat buwan at $ 1 bawat oras ng pag-e-eksperimento.
Machine Learning API
Ang isang Application Program Interface (API) ay isang serbisyo na maaaring ibigay ng isang samahan na maaaring magpadala ng mga tugon sa ilang mga query at ang mga tugon na iyon ay maaaring magamit upang mapagbuti ang aplikasyon ng isang tao.
Pinapayagan kaming magkaroon ng kakayahang umangkop upang ma-access ang iba't ibang mga serbisyo nang hindi direktang binabagsak ang aming pangunahing aplikasyon.
pagkakaiba sa pagitan ng interface at klase sa java
Ang mga serbisyo ng API ng Microsoft ay tinatawag na Cognitive Services. Maaari itong mai-deploy mismo sa Azure. Mayroong limang klase ng mga serbisyo na magagamit kabilang ang paningin, wika, pagsasalita, paghahanap, at pagpapasya. Ito ang mga paunang sinanay na mga modelo na nababagay sa mga developer na masigasig na gamitin ang Pag-aaral ng Makina ngunit walang background ng agham ng data.
Gayunpaman, ang mga serbisyong ito ay nabagsak pagdating sa mga pagpapasadya at samakatuwid ay hindi inirerekomenda sa mga kaso kung saan maraming mga bagay na mahusay na tinukoy na mga kinakailangan ay hindi nababaluktot.
Nagpapatuloy sa Azure Machine Learning Article,
ML.NET
Ang mga Framework ay pangkalahatang balangkas ng code na ang isa ay maaaring bumuo ng kanilang sariling aplikasyon sa tuktok ng. Pinapayagan ng mga Framework ang mas mababang antas ng pag-andar na mabantayan upang ang isa lamang ang magbantay sa kanilang lohika sa aplikasyon.
Ang ML.NET ay may isang pag-uuri, pag-urong, pagtuklas ng anomalya, at mga algorithm ng pagsasanay sa rekomendasyon at maaaring mapalawak sa Tensorflow at ONNX para sa mga neural network.
Maaari itong maging mahusay na paggamit sa isang .NET developer na komportable sa pagbuo ng kanyang sariling mga pipeline ng ML.Gayunpaman, ang kurba sa pag-aaral ay nangangahulugang ang mga pangkalahatang developer ng sawa ay dapat na lumayo.
Nagpapatuloy sa Azure Machine Learning Article,
AutoML
Ang pag-aaral ng awtomatikong makina ay nakakaakit ng pansin kamakailan, at ito ay isang software na awtomatikong pumipili at nagsasanay ng mga modelo ng Pag-aaral ng Machine. Habang madaling isipin na maaari nitong teknikal na palitan ang trabaho ng isang siyentipiko ng data, malinaw na alam ng isang tao na talagang ginamit ito, may mga limitasyon sa kung ano ang maaari at hindi magawa.
Ang kasalukuyang meta (walang AutoML) para sa mga siyentipiko ng data ay dapat munang lumikha ng isang batayang modelo at pagkatapos ay umulit sa iba't ibang mga posibilidad para sa mga hyper na parameter, nang manu-mano hanggang sa makarating sila sa isang hanay ng mga halagang magbubunga ng pinakamahusay na mga resulta. Tulad ng isang madaling hulaan, ito ay isang labis na pag-ubos ng oras at isang hit at miss batay diskarte. Gayundin, ang puwang ng paghahanap ay nagdaragdag nang mabilis habang ang bilang ng mga hyperparameter ay tumataas, na ginagawang mas bago, malalim na mga neural na nakabase sa network na arkitektura na halos imposibleng ganap na umulit at mag-optimize.
Sa kasalukuyan, ang AutoML ng Microsoft ay nakakagawa ng isang hanay ng mga modelo ng ML nang awtomatiko, matalinong pumili ng mga modelo para sa pagsasanay, pagkatapos ay inirerekumenda ang pinakamahusay para sa iyo batay sa problema sa ML at uri ng data. Sa madaling sabi, pipiliin nito ang tamang algorithm at makakatulong upang ibagay ang mga hyperparameter. Sa kasalukuyan, sinusuportahan nito ang mga problema sa pag-uuri, pagtataya at pagbabalik lamang.
Ginamit ang AutoML sa Azure Machine Learning Service o ML.NET at magbabayad ka para sa anumang mga gastos na nauugnay sa mga iyon.
Kaya't dinadala tayo nito sa pagtatapos ng artikulong ito. Inaasahan kong nasiyahan ka sa artikulong ito. Kung binabasa mo ito, Hayaan akong Binati kita. Tulad ng hindi ka na isang baguhan sa Azure! Ang mas maraming kasanayan ay mas maraming matutunan. Upang gawing madali ang iyong paglalakbay, naisip namin ito Azure Tutorial Serye ng Blog na kung saan ay maa-update nang madalas, kaya't manatiling nakasubaybay!
Nakakuha din kami ng isang kurikulum na sumasaklaw sa eksaktong kung ano ang kakailanganin mong i-crack ang Azure Examinations! Maaari kang tumingin sa mga detalye ng kurso para sa . Maligayang Pag-aaral!
May tanong ba sa amin? Mangyaring banggitin ito sa seksyon ng mga komento ng artikulong ito at babalikan ka namin.