บทความนี้จะแนะนำคุณให้รู้จักกับความสำคัญของการนำไปใช้งาน แนวทางปฏิบัติเกี่ยวกับบริการ Azure Machine Learning คำแนะนำต่อไปนี้จะกล่าวถึงในบทความนี้
- Azure Machine Learning
- บริการ Azure Machine Learning
- บริการ Machine Learning Cloud
- อินเทอร์เฟซแบบกราฟิก
- Machine Learning API
- มล. เน็ต
- AutoML
มาเริ่มกันเลยกับบทความ Azure Machine Learning
Azure Machine Learning
การถือกำเนิดของคลาวด์ถือเป็นการเริ่มต้นใหม่ของโครงสร้างพื้นฐานด้านคอมพิวเตอร์ โดยพื้นฐานแล้วหมายความว่าเราสามารถใช้ทรัพยากรที่มีราคาแพงมากในการซื้อเพื่อใช้ผ่านอินเทอร์เน็ต การเรียนรู้ของเครื่องโดยเฉพาะอย่างยิ่งการเรียนรู้เชิงลึกจำเป็นต้องใช้สถาปัตยกรรมคอมพิวเตอร์ซึ่งอนุญาตให้ใช้ RAM ในปริมาณที่สูงมากและ VRAM (สำหรับ Cuda Cores) สินค้าทั้งสองชนิดนี้หาซื้อได้ยากด้วยเหตุผลหลักสองประการ -
แล็ปท็อปสำหรับหนึ่งเครื่องสามารถบรรจุทรัพยากรในกรอบที่มีได้ จำกัด เท่านั้น ซึ่งหมายความว่าผู้ใช้แล็ปท็อปทั่วไปไม่สามารถมีทรัพยากรเพียงพอที่จะกำจัดเพื่อดำเนินงานแมชชีนเลิร์นนิงในเครื่องได้
RAM และโดยเฉพาะ VRAM นั้นมีราคาแพงมากในการซื้อและดูเหมือนว่าจะเป็นการลงทุนที่สูงมาก นอกจาก RAM และ VRAM ที่แข็งแกร่งแล้วเรายังต้องรองรับ CPU คุณภาพสูง (มิฉะนั้น CPU จะพิสูจน์ได้ว่าเป็นคอขวดสำหรับระบบ) ซึ่งจะทำให้ราคาโดยรวมสูงขึ้นไปอีก
ดำเนินการต่อด้วยบทความ Azure Machine Learning
บริการ Azure Machine Learning
เมื่อคำนึงถึงประเด็นข้างต้นเราสามารถเข้าใจความต้องการทรัพยากรที่ใช้แล้วทิ้งจากระยะไกลผ่านอินเทอร์เน็ตด้วยการเข้าถึง 24 * 7
Azure ML เป็นบริการบนคลาวด์ที่ให้ประสบการณ์ที่คล่องตัวสำหรับนักวิทยาศาสตร์ข้อมูลในทุกระดับ นี่เป็นสิ่งสำคัญอย่างยิ่งเนื่องจากมีวิศวกรใหม่จำนวนมากพยายามเข้ามาในพื้นที่นี้และอาจเป็นเรื่องที่น่ากังวลเป็นอย่างยิ่งที่จะทำงานเหล่านี้โดยไม่มีอินเทอร์เฟซผู้ใช้ที่ใช้งานง่าย
(ที่มา: Microsoft.com)
Azure ML มาพร้อมกับ ML studio ซึ่งโดยพื้นฐานแล้วเป็นเครื่องมือบนเบราว์เซอร์ที่ช่วยให้นักวิทยาศาสตร์ข้อมูลมีอินเทอร์เฟซการลากและวางที่ใช้งานง่ายเพื่อจุดประสงค์ในการสร้างโมเดลเหล่านี้
อัลกอริทึมและไลบรารีที่ใช้งานหนักส่วนใหญ่ออกมาจากกล่องสำหรับผู้ใช้ นอกจากนี้ยังมีการสนับสนุนในตัวสำหรับ R และ Python ทำให้นักวิทยาศาสตร์ข้อมูลรุ่นเก๋าสามารถเปลี่ยนแปลงและปรับแต่งโมเดลและสถาปัตยกรรมของตนได้ตามความชื่นชอบ
เมื่อสร้างแบบจำลองและพร้อมแล้วก็สามารถใช้เป็นบริการบนเว็บได้อย่างง่ายดายซึ่งสามารถเรียกได้ด้วยภาษาโปรแกรมมากมายทำให้สามารถใช้งานได้สำหรับแอปพลิเคชันที่ต้องเผชิญกับผู้ใช้ปลายทาง
Machine Learning Studio ทำให้การเรียนรู้ของเครื่องค่อนข้างตรงไปตรงมาโดยจัดเตรียมวิธีการลากและวางในการสร้างเวิร์กโฟลว์ ด้วย ML Studio และโมดูลจำนวนมากที่มีให้สำหรับการสร้างแบบจำลองขั้นตอนการทำงานเราสามารถสร้างโมเดลขั้นสูงได้โดยไม่ต้องเขียนโค้ดใด ๆ
การเรียนรู้ของเครื่องเริ่มต้นด้วยข้อมูลซึ่งอาจมาจากแหล่งกำเนิดที่หลากหลาย โดยทั่วไปข้อมูลจะต้องได้รับการ 'ทำความสะอาด' ก่อนที่จะนำมาใช้ซึ่ง ML Studio จะรวมโมดูลเพื่อช่วยในการทำความสะอาด เมื่อข้อมูลพร้อมแล้วเราสามารถเลือกอัลกอริทึมและ 'ฝึก' แบบจำลองบนข้อมูลและค้นหารูปแบบได้ หลังจากนั้นก็มาถึงการให้คะแนนและการประเมินโมเดลซึ่งจะบอกให้คุณทราบว่าโมเดลนั้นสามารถคาดการณ์ผลลัพธ์ได้ดีเพียงใด ทั้งหมดนี้จัดส่งด้วยสายตาใน ML Studio เมื่อโมเดลพร้อมแล้วให้คลิกปุ่มสองสามครั้งเพื่อปรับใช้เป็นบริการบนเว็บเพื่อให้เรียกใช้จากแอปไคลเอ็นต์ได้
ML Studio มีการใช้งานอัลกอริทึมมาตรฐานที่บันทึกไว้ล่วงหน้าที่ใช้ในการเรียนรู้ของเครื่อง มันแยกออกเป็นสี่ส่วน
- การตรวจจับความผิดปกติเป็นวิธีการจำแนกสิ่งของเหตุการณ์หรือการสังเกตที่ไม่สอดคล้องกับรูปแบบทั่วไปหรือรายการอื่น ๆ ในชุดข้อมูล
- อัลกอริธึมการถดถอยพยายามค้นหาและหาปริมาณความสัมพันธ์ระหว่างตัวแปร ด้วยการสร้างความสัมพันธ์ระหว่างตัวแปรตามและตัวแปรอิสระหนึ่งตัวหรือมากกว่านั้นการวิเคราะห์การถดถอยสามารถทำให้สามารถทำนายค่าของตัวแปรตามได้ด้วยชุดอินพุตที่มีความแม่นยำเชิงปริมาณ
- เป้าหมายของอัลกอริทึมการจำแนกประเภทคือการระบุชั้นเรียนที่การสังเกตอยู่บนพื้นฐานของข้อมูลการฝึกอบรมซึ่งประกอบด้วยการสังเกตซึ่งได้กำหนดให้กับหมวดหมู่แล้ว
- การทำคลัสเตอร์พยายามที่จะรวมกลุ่มของวัตถุในลักษณะที่วัตถุในกลุ่มเดียวกัน (เรียกว่าคลัสเตอร์) มีความคล้ายคลึงกันมากกว่ากลุ่มอื่น ๆ (คลัสเตอร์)
เมื่อขยายเป็นบริการบนเว็บแล้วโมเดลสามารถใช้กับการเรียก REST แบบง่ายผ่าน HTTP สิ่งนี้ช่วยให้นักพัฒนาสามารถสร้างแอปพลิเคชันที่ดึงข้อมูลอัจฉริยะจากการเรียนรู้ของเครื่อง
สิ่งที่ตามมาในบทความ Azure Machine Learning นี้เป็นการสรุปเกี่ยวกับสีฟ้าและคุณสมบัติต่างๆ
ดำเนินการต่อด้วยบทความ Azure Machine Learning
บริการ Machine Learning Cloud
โดยพื้นฐานแล้วบริการคลาวด์จะอนุญาตให้ผู้ใช้ปลายทางเช่าหรือใช้บริการ (เครื่องฮาร์ดแวร์) ที่ บริษัท อื่นใช้งานจากระยะไกลผ่านอินเทอร์เน็ต
บริการ Azure Machine Learning มอบชุดพัฒนาซอฟต์แวร์และบริการเพื่อเตรียมข้อมูลฝึกอบรมและปรับใช้แบบจำลอง ML ที่กำหนดเองในทันทีมีการสนับสนุนเฟรมเวิร์ก Python แบบโอเพนซอร์สแบบนอกกรอบเช่น PyTorch, TensorFlow และ scikit-learnเราควรพิจารณาใช้สิ่งนี้หากจำเป็นต้องสร้างโมเดลที่กำหนดเองหรือทำงานกับโมเดลการเรียนรู้เชิงลึก
อย่างไรก็ตามหากคุณมีแนวโน้มที่จะไม่ทำงานใน Python หรือต้องการบริการที่ง่ายกว่านี้อย่าใช้สิ่งนี้
บริการนี้ต้องใช้ความรู้และภูมิหลังด้านวิทยาศาสตร์ข้อมูลเป็นอย่างดีและไม่แนะนำสำหรับมือใหม่ จ่ายเฉพาะทรัพยากรในการฝึกโมเดล ระดับราคาหลายระดับสำหรับการปรับใช้ผ่าน Azure Kubernetes Service
ดำเนินการต่อด้วยบทความ Azure Machine Learning
อินเทอร์เฟซแบบกราฟิก
อินเทอร์เฟซแบบกราฟิกไม่ใช่โค้ดหรือแพลตฟอร์มโค้ดต่ำตามวิธีการเข้าถึงความสามารถเช่น ML บางรายการอาจเป็นรายการแบบเลื่อนลงในกรณีนี้เป็นเครื่องมือลากและวาง
Azure Machine Learning Studio เป็นเครื่องมือ Machine Learning แบบลากแล้วปล่อยซึ่งช่วยให้คุณสร้างฝึกอบรมและปรับแต่งโมเดลการเรียนรู้ของเครื่องโดยการอัปโหลดชุดข้อมูลที่กำหนดเองเพื่อประเมินผลลัพธ์ในอินเทอร์เฟซแบบกราฟิก หลังจากฝึกโมเดลแล้วคุณสามารถปรับใช้เป็นบริการบนเว็บได้โดยตรงจาก Studio
โดยปกติแล้วฟังก์ชันนี้จะใช้เมื่อโค้ดที่จะเขียนต้องมีค่าต่ำหรืองานหลักนั้นขึ้นอยู่กับปัญหาพื้นฐานเช่นการจำแนกการถดถอยและการจัดกลุ่ม
วิธีนี้โดยทั่วไปแล้วจะเป็นมิตรกับผู้เริ่มต้นอย่างไรก็ตามต้องมีความรู้พื้นฐานในวิทยาศาสตร์ข้อมูล
แม้ว่าจะมีตัวเลือกฟรี แต่ระดับมาตรฐานจะมีราคา 9.99 ดอลลาร์ต่อที่นั่งต่อเดือนและ 1 ดอลลาร์ต่อชั่วโมงการทดลอง
คลาสที่ไม่ระบุชื่อใน java คืออะไร
Machine Learning API
Application Program Interface (API) เป็นบริการที่องค์กรสามารถให้บริการซึ่งสามารถส่งการตอบกลับไปยังคำถามบางอย่างและคำตอบเหล่านั้นสามารถใช้เพื่อปรับปรุงแอปพลิเคชันของผู้ใช้
สิ่งนี้ช่วยให้เรามีความยืดหยุ่นในการเข้าถึงบริการต่างๆโดยไม่ต้องรบกวนแอปพลิเคชันหลักของเราโดยตรง
บริการ API ของ Microsoft เรียกว่า Cognitive Services สิ่งเหล่านี้สามารถปรับใช้บน Azure ได้ มีบริการห้าประเภท ได้แก่ การมองเห็นภาษาการพูดการค้นหาและการตัดสินใจ เป็นโมเดลที่ผ่านการฝึกอบรมมาแล้วซึ่งเหมาะกับนักพัฒนาที่กระตือรือร้นที่จะใช้ Machine Learning แต่ไม่มีพื้นฐานด้านวิทยาศาสตร์ข้อมูล
อย่างไรก็ตามบริการเหล่านี้ขาดการปรับแต่งดังนั้นจึงไม่แนะนำให้ใช้ในกรณีที่มีข้อกำหนดหลายอย่างที่กำหนดไว้อย่างดีไม่ยืดหยุ่น
ดำเนินการต่อด้วยบทความ Azure Machine Learning
มล. เน็ต
Frameworks เป็นรหัสโครงร่างทั่วไปที่สามารถสร้างแอปพลิเคชันของตนเองได้ เฟรมเวิร์กช่วยให้สามารถดูแลฟังก์ชันการทำงานระดับล่างได้ดังนั้นจึงต้องดูแลลอจิกแอปพลิเคชันเท่านั้น
ML.NET มีการจำแนกประเภทการถดถอยการตรวจจับความผิดปกติและอัลกอริธึมการฝึกอบรมคำแนะนำและสามารถขยายได้ด้วย Tensorflow และ ONNX สำหรับเครือข่ายประสาทเทียม
สิ่งนี้สามารถใช้ประโยชน์ได้ดีกับนักพัฒนา. NET ที่สะดวกในการสร้างท่อส่ง ML ของตัวเองอย่างไรก็ตามเส้นโค้งการเรียนรู้หมายถึงนักพัฒนา Python ทั่วไปควรอยู่ห่าง ๆ
ดำเนินการต่อด้วยบทความ Azure Machine Learning
AutoML
การเรียนรู้ของเครื่องอัตโนมัติได้รับความสนใจอย่างมากเมื่อเร็ว ๆ นี้และเป็นซอฟต์แวร์ที่เลือกและฝึกโมเดล Machine Learning โดยอัตโนมัติ แม้ว่าจะเป็นเรื่องง่ายที่จะคิดว่ามันสามารถแทนที่งานของนักวิทยาศาสตร์ข้อมูลในทางเทคนิคได้ แต่คนที่เคยใช้งานจริงก็รู้ดีว่ามีข้อ จำกัด ในสิ่งที่ทำได้และไม่สามารถทำได้
เมตาปัจจุบัน (ไม่มี AutoML) สำหรับนักวิทยาศาสตร์ข้อมูลจะต้องสร้างแบบจำลองพื้นฐานก่อนจากนั้นจึงวนซ้ำตามความเป็นไปได้ต่างๆสำหรับพารามิเตอร์ไฮเปอร์ด้วยตนเองจนกว่าจะได้ชุดของค่าที่ให้ผลลัพธ์ที่ดีที่สุด อย่างที่ใคร ๆ ก็สามารถเดาได้ว่านี่เป็นกลยุทธ์ที่ใช้เวลานานมากและเป็นกลยุทธ์แบบตีแล้วพลาด นอกจากนี้พื้นที่การค้นหาจะเพิ่มขึ้นอย่างทวีคูณเมื่อจำนวนไฮเปอร์พารามิเตอร์เพิ่มขึ้นทำให้สถาปัตยกรรมที่ใช้เครือข่ายประสาทเทียมรุ่นใหม่ ๆ แทบจะเป็นไปไม่ได้เลยที่จะวนซ้ำและปรับให้เหมาะสมทั้งหมด
ปัจจุบัน AutoML ของ Microsoft สามารถสร้างชุดโมเดล ML โดยอัตโนมัติเลือกโมเดลสำหรับการฝึกอบรมอย่างชาญฉลาดจากนั้นแนะนำรุ่นที่ดีที่สุดสำหรับคุณโดยพิจารณาจากปัญหา ML และประเภทข้อมูล สรุปได้ว่ามันเลือกอัลกอริทึมที่เหมาะสมและช่วยในการปรับแต่งไฮเปอร์พารามิเตอร์ ปัจจุบันสนับสนุนการจำแนกประเภทการพยากรณ์และปัญหาการถดถอยเท่านั้น
AutoML ใช้กับ Azure Machine Learning Service หรือ ML.NET และคุณต้องจ่ายค่าใช้จ่ายใด ๆ ที่เกี่ยวข้องกับสิ่งเหล่านั้น
ดังนั้นเราจึงมาถึงตอนท้ายของบทความนี้ ฉันหวังว่าคุณจะสนุกกับบทความนี้ หากคุณกำลังอ่านข้อความนี้ขอแสดงความยินดีกับคุณ ในฐานะที่คุณไม่ใช่มือใหม่ใน Azure อีกต่อไป! ยิ่งคุณฝึกฝนมากขึ้นคุณจะได้เรียนรู้มากขึ้น เพื่อให้การเดินทางของคุณง่ายขึ้นเราได้จัดทำสิ่งนี้ บทช่วยสอน Azure บล็อกซีรีส์ ซึ่งจะได้รับการอัปเดตบ่อยครั้งโปรดติดตาม!
นอกจากนี้เรายังได้จัดทำหลักสูตรที่ครอบคลุมสิ่งที่คุณจำเป็นต้องใช้ในการเจาะข้อสอบ Azure! คุณสามารถดูรายละเอียดหลักสูตรสำหรับ . มีความสุขในการเรียนรู้!
มีคำถามสำหรับเรา? โปรดระบุไว้ในส่วนความคิดเห็นของบทความนี้แล้วเราจะติดต่อกลับไป