إعداد تدريب AutoML بدون تعليمات برمجية للبيانات الجدولية باستخدام واجهة مستخدم الاستوديو

ستتعلم في هذه المقالة كيفية إعداد مهام تدريب AutoML يعمل بدون سطر واحد من التعليمات البرمجية باستخدام التعلم الآلي التلقائي من التعلم الآلي من Microsoft Azure في استوديو التعلم الآلي من Azure.

التعلم الآلي التلقائي، AutoML، هو العملية التي يتم فيها تحديد أفضل خوارزمية للتعلم الآلي لاستخدامها لبياناتك المحددة. تمكنك هذه العملية من إنشاء نماذج للتعلم الآلي بسرعة. تعرف على المزيد حول كيفية تنفيذ التعلم الآلي من Microsoft Azure للتعلم الآلي التلقائي.

لمثال من طرف إلى طرف، تفقد برنامج تعليمي: نماذج تصنيف تدريب AutoML بدون تعليمات برمجية.

للحصول على تجربة قائمة على التعليمات البرمجية لـPython، قم بتكوين تجاربك التلقائية للتعلم الآلي باستخدام SDK للتعلم الآلي من Microsoft Azure.

المتطلبات الأساسية

• اشتراك Azure. في حال لم يكن لديك اشتراك Azure، فأنشئ حساباً مجانيّاً قبل البدء. جرب الإصدار المجاني أو المدفوع الخاص بـ Azure Machine Learning اليوم.

• مساحة عمل للتعلم الآلي من Microsoft Azure. راجع إنشاء موارد مساحة العمل.

الشروع في العمل

1. سجل الدخول إلى Azure Machine Learning Studio.

2. حدد اشتراكك ومساحة عملك.

3. توجه إلى الجزء الأيسر. حدد Automated ML ضمن قسم Authoring .

إذا كانت هذه هي المرة الأولى التي تجري فيها أي تجارب، فسترى قائمة فارغة وارتباطات إلى الوثائق.

وإلا، فسترى قائمة بتجارب التعلم الآلي التلقائي الأخيرة، بما في ذلك تلك التي تم إنشاؤها باستخدام SDK.

إنشاء وتشغيل تجربة

1. حدد+ New automated ML job وقم بملء النموذج.

2. حدد أصل بيانات من حاوية التخزين الخاصة بك، أو قم بإنشاء أصل بيانات جديد. يمكن إنشاء أصل بيانات من الملفات المحلية أو عناوين URL للويب أو مخازن البيانات أو مجموعات بيانات Azure مفتوحة. تعلم المزيد عن إنشاء أصل البيانات.

   هام

   المتطلبات لبيانات التدريب:

   • يجب أن تكون البيانات في نموذج مجدول.
   • يجب أن تكون القيمة التي تود توقعها (عمود هدف) موجودة في البيانات.

   1. لإنشاء مجموعة بيانات جديدة من ملف على جهازك محلي، حدد +Create dataset ثم حدد From local file.

   2. حدد Next لفتح نموذج Datastore and file selection. ، يمكنك تحديد مكان تحميل مجموعة البيانات الخاصة بك؛ حاوية التخزين الافتراضية التي يتم إنشاؤها تلقائيا باستخدام مساحة العمل الخاصة بك، أو اختر حاوية تخزين تريد استخدامها للتجربة.

      1. في حال كانت بياناتك خلف شبكة ظاهرية، فأنت بحاجة لتمكين skip the validation للتأكد من أن مساحة العمل يمكنها الوصول إلى بياناتك. للمزيد من المعلومات، راجع استخدام استوديو التعلم الآلي من Microsoft Azure في شبكة Azure الظاهرية.

   3. حدد Browse لتحميل ملف البيانات لمجموعة بياناتك.

   4. راجع نموذج Settings and preview للدقة. يتم ملء النموذج بذكاء بناء على نوع الملف.

      الحقل	‏‏الوصف
      تنسيق الملف	يحدد تخطيط ونوع البيانات المخزنة في ملف.
      المحدِد	حرف واحد أو أكثر لتحديد الحد بين مناطق منفصلة ومستقلة في نص عادي أو تدفقات بيانات أخرى.
      الترميز	يحدد أي جزء من جدول مخطط الأحرف لاستخدامه في قراءة مجموعة البيانات الخاصة بك.
      عناوين الأعمدة	يشير إلى كيفية التعامل مع رؤوس مجموعة البيانات، إن وجدت.
      تخطي الصفوف	يشير إلى عدد الصفوف التي تم تخطيها في مجموعة البيانات، إن وجدت.

      حدد التالي.

   5. يتم ملء نموذج Schema بذكاء اعتمادا على التحديدات في نموذج Settings and preview. هنا قم بتكوين نوع البيانات لكل عمود وراجع أسماء الأعمدة وحدد الأعمدة التي لن يتم تضمينها في تجربتك.

      حدد التالي.

   6. يعد نموذج Confirm details ملخصا للمعلومات التي تم ادخالها مسبقا في النماذج Basic info وSettings and preview. تمتلك أيضا الخيار لإنشاء ملف تعريف بيانات لمجموعة بياناتك باستخدام حساب تمكين جمع المعلومات.

      حدد التالي.

3. حدد مجموعة بيانات; التي تم إنشاؤها حديثا بمجرد ظهورها. يمكنك أيضا عرض معاينة لمجموعة البيانات وعينة الإحصائيات.

4. في نموذج Configure job، حدد Create new وأدخل Tutorial-automl-deploy لاسم التجربة.

5. حدد عمود هدف؛ سيكون هذا هو العمود الذي ترغب في إجراء توقعات عليه.

6. حدد نوع حساب لوظيفة جمع معلومات البيانات والتدريب. بإمكانك تحديد نظام مجموعة حساب أو مثيل حساب.

7. حدد حسابا من القائمة المنسدلة لحساباتك الموجودة. لإنشاء حساب جديد، اتبع الإرشادات المذكورة في الخطوة 8.

8. حدد Create a new compute لتكوين سياق حسابك لهذه التجربة.

   الحقل	‏‏الوصف
   اسم الحساب	ادخل اسم مميز يعرف سياق حسابك.
   الأولوية للجهاز الظاهري	الأجهزة الظاهرية ذات الأولوية المنخفضة أرخص ولكنها لا تضمن عقد الحساب.
   نوع الجهاز الظاهري	تحديد CPU أو GPU لنوع الجهاز الظاهري.
   حجم الجهاز الظاهري	حدد حجم الجهاز الظاهري لحسابك.
   الحد الأدنى / الحد الأقصى للعقد	لملف تعريف البيانات، يجب تحديد عقدة واحدة أو أكثر. أدخل الحد الأقصى لعدد العقد للحساب. الإعداد الافتراضي هو ست عقد لحساب Azure التعلم الآلي.
   الإعدادات المتقدمة	تسمح لك هذه الإعدادات بتكوين حساب مستخدم وشبكة ظاهرية متواجدة من أجل تجربتك.

   حدد إنشاء. قد تستغرق بضع دقائق لإنشاء حساب جديد.

   حدد التالي.

9. حدد نوع المهمة في نموذج Task type and settings: تصنيف أو تراجع أو تنبؤ. راجع أنواع المهام المدعومة لمزيد من المعلومات.

   1. للتصنيف، يمكنك أيضا تفعيل التعلم العميق.

   2. يمكنكللتنبؤ القيام بما يلي،

      1. تفعيل التعلم العميق.

      2. حدد time column: يشتمل هذا العمود على بيانات الوقت التي سيتم استخدامها.

      3. حدد forecast horizon: يوضح عدد الوحدات الزمنية (الدقائق/الساعات/الأيام/الأسابيع/الشهور/السنوات) التي سيتمكن النموذج من التنبؤ بها في المستقبل. كلما زاد توقع النموذج في المستقبل، كلما أصبح النموذج أقل دقة. تعلم المزيد حول التنبؤ وأفق التنبؤ.

10. (اختياري) عرض إعدادات تكوين الإضافة: إعدادات إضافية بإمكانك استخدامها للتحكم بشكل أفضل في وظيفة التدريب. بخلاف ذلك، يتم تطبيق الإعدادات الافتراضية بناءً على اختيار التجربة والبيانات.

    تكوينات إضافية	‏‏الوصف
    المقياس الأساسي	القياس الرئيسي المستخدم لتسجيل نموذجك. تعلم المزيد عن نموذج القياسات.
    تمكين تكديس المجموعة	يحسن التعلم الجماعية نتائج التعلم الآلي والأداء التنبؤي من خلال الجمع بين نماذج متعددة بدلاً من استخدام نماذج واحدة. تعرف على المزيد حول نماذج المجموعة.
    النماذج المحظورة	حدد النماذج التي تريد استبعادها من مهمة التدريب. لا يتوفر السماح بالنماذج إلا لتجارب SDK. تفقد الخوارزميات المدعومة لكل نوع مهمة.
    شرح أفضل نموذج	يعرض تلقائيا إمكانية الشرح على أفضل نموذج تم إنشاؤه بواسطة التعلم الآلي التلقائي.
    تسمية الفئة الموجبة	التسمية التي سيستخدمها التعلم الآلي التلقائي لحساب المقاييس الثنائية.

11. (اختياري) عرض إعدادات التمييز: إذا اخترت تفعيل Automatic featurization في نموذج Additional configuration settings، فسيتم تطبيق تقنيات التمييز الافتراضية. في إعدادات عرض الميزات، يمكنك تغيير هذه الإعدادات الافتراضية وتخصيصها وفقا لذلك. تعلم طريقة تخصيص التمييز.

    

12. يسمح لك نموذج الحدود [اختياري] بالقيام بما يلي.

    الخيار	‏‏الوصف
    الحد الأقصى من الإصدارات التجريبية	الحد الأقصى لعدد التجارب، لكل منها مجموعة مختلفة من الخوارزمية والمقاييس الفائقة لتجربتها أثناء مهمة AutoML. يجب أن يكون عدداً صحيحاً بين 1 و1000.
    الحد الأقصى من الإصدارات التجريبية المتزامنة	الحد الأقصى لعدد المهام التجريبية التي يمكن تنفيذها بالتوازي. يجب أن يكون عدداً صحيحاً بين 1 و1000.
    الحد الأقصى للعقد	الحد الأقصى لعدد العقد التي يمكن لهذه الوظيفة استخدامها من هدف الحساب المحدد.
    حد درجة القياس	عندما يتم الوصول إلى قيمة العتبة هذه لمقياس التكرار، ستنتهي مهمة التدريب. ضع في اعتبارك أن النماذج ذات المعنى لها ارتباط > 0، وإلا فهي جيدة مثل تخمين متوسط عتبة القياس يجب أن تكون بين الحدود [0، 10].
    مهلة التجربة (بالدقائق)	الحد الأقصى للوقت بالدقائق المسموح بتشغيل التجربة بأكملها. بمجرد الوصول إلى هذا الحد، سيقوم النظام بإلغاء وظيفة AutoML، بما في ذلك جميع تجاربها (وظائف الأطفال).
    مهلة التكرار (بالدقائق)	الحد الأقصى للوقت بالدقائق يسمح بتشغيل كل مهمة تجريبية. وبمجرد الوصول إلى هذا الحد، سيقوم النظام بإلغاء الإصدار التجريبي.
    تمكين الإنهاء المبكر	حدد لإنهاء المهمة إذا لم تتحسن النتيجة على المدى القصير.

13. يتيح لك نموذج [Optional] Validate and test القيام بما يلي.

أ. تحديد نوع التحقق من الصحة الذي سيتم استخدامه لوظيفة التدريب. إذا لم تحدد معلمة validation_data أو n_cross_validations صراحةً، فإن التعلم الآلي من Microsoft Azure يطبق تقنيات افتراضية بناءً على عدد الصفوف المتوفرة في مجموعة البيانات الفردية training_data.

حجم بيانات التدريب	تقنية التحقق من الصحة
أكبر من 20,000 سجل	تم تطبيق تقسيم بيانات التدريب/التحقق من الصحة. الافتراضي هو أن تأخذ 10% من مجموعة بيانات التدريب الأولية كمجموعة التحقق من الصحة. في المقابل، يتم استخدام مجموعة التحقق من الصحة لحساب القياسات.
أصغر من 20000 صف	تم تطبيق نهج التحقق المتبادل. يعتمد العدد الافتراضي للطيات على عدد السجلات. إذا كانت مجموعة البيانات أقل من 1,000 سجل، فسيتم استخدام 10 أضعاف. إذا كانت السجلات بين 1000 و20000، فسيتم استخدام ثلاث طيات.

ب. ادخل مجموعة بيانات اختبار (معاينة) لتقييم النموذج الموصى به الذي ينشئه التعلم الآلي التلقائي لك في نهاية تجربتك. عند إدخال بيانات الاختبار، سيتم تشغيل مهمة الاختبار تلقائيًا في نهاية تجربتك. وظيفة الاختبار هذه هي وظيفة فقط على أفضل نموذج موصى به من قبل التعلم الآلي التلقائي. تعلم كيفية الحصول على نتائج مهمة الاختبار عن بعد.

هام

يعد توفير مجموعة بيانات اختبار لتقييم النماذج المنشأة ميزة معاينة. تعد هذه الإمكانية ميزة معاينة تجريبية، وقد تتغير في أي وقت. * تعتبر بيانات الاختبار منفصلة عن التدريب والتحقق من الصحة، وذلك لعدم تحيز نتائج مهمة الاختبار للنموذج الموصى به. تعلم المزيد عن التحيز أثناء التحقق من صحة النموذج. * يمكنك إما توفير مجموعة بيانات الاختبار الخاصة بك أو اختيار استخدام نسبة مئوية من مجموعة بيانات التدريب الخاصة بك. تكون مجموعات بيانات الاختبار في شكل Azure Machine Learning TabularDataset.
* يجب أن يتطابق مخطط مجموعة بيانات الاختبار مع مجموعة بيانات التدريب. العمود الهدف اختياري، ولكن في حالة عدم تحديد عمود هدف، لن يتم حساب مقاييس الاختبار. * لا ينبغي أن تكون مجموعة بيانات الاختبار هي نفسها مجموعة بيانات التدريب أو مجموعة بيانات التحقق من الصحة. * لا تدعم مهام التنبؤ تقسيم التدريب/الاختبار.

تخصيص التمييز

في النموذج Featurization، يمكنك تمكين/تعطيل التمييز التلقائي وتخصيص إعدادات التمييز التلقائية للتجربة. لفتح هذا النموذج، تفقد الخطوة 10 في قسم إنشاء وتشغيل التجربة.

يلخص الجدول الآتي التخصيصات المتوفرة حاليا عبر الاستوديو.

Column	التخصيص
نوع الميزة	غير نوع القيمة للعمود المختار.
الاسناد باستخدام	حدد القيمة التي تود أن تسند إليها القيم المفقودة في بياناتك.

قم بتشغيل التجربة واعرض النتائج

قم بتحديد "Finish" لتشغيل تجربتك. قد تستغرق عملية الإعداد للتجربة ما يصل إلى 10 دقائق. قد تستغرق وظائف التدريب 2-3 دقائق إضافية حتى ينتهي تشغيل كل مسار. إذا حددت إنشاء لوحة معلومات RAI لأفضل نموذج موصى به، فقد يستغرق الأمر ما يصل إلى 40 دقيقة.

إشعار

تمتلك الخوارزميات التي يستخدمها التعلم الآلي التلقائي عشوائية متأصلة يمكن أن تسبب تباينا طفيفا في درجة المقاييس النهائية للنموذج الموصى به، مثل الدقة. كما ينفذ التعلم الآلي التلقائي عمليات على البيانات مثل تقسيم اختبار التدريب أو تقسيم التحقق من صحة التدريب أو التحقق المقطعي عند الضرورة. لذا في حال قيامك بتجربة بنفس إعدادات التكوين والقياس الأساسي عدة مرات، فسترى على الأرجح تباينا في كل درجة للمقاييس النهائية للتجربة بسبب هذه العوامل.

اعرض تفاصيل التجربة

تفتح شاشة Job Detail على علامة التبويب Details. توضح لك هذه الشاشة ملخصًا لمهمة التجربة تتضمن شريط الحالة في الجزء العلوي بجوار رقم المهمة.

تحتوي علامة التبويب Models على قائمة النماذج التي تم إنشاؤها مرتبة حسب درجة القياس. بشكل افتراضي، يتواجد النموذج الذي يسجل أعلى الدرجات في أعلى القائمة بناء على المقياس المختار. بينما تجرب مهمة التدريب المزيد من النماذج، تتم إضافتها إلى القائمة. استخدم هذا للحصول على مقارنة سريعة لمقاييس النماذج التي تم إنتاجها حتى الآن.

عرض التفاصيل الخاصة بمهمة التدريب

تعمق في أي من النماذج المكتملة لمشاهدة تفاصيل مهمة التدريب.

يمكنك مشاهدة مخططات قياس أداء محددة للنموذج في علامة التبويب Metrics . تعرف على المزيد حول المخططات.

هذا هو أيضا المكان الذي يمكنك فيه العثور على تفاصيل حول جميع خصائص النموذج جنبا إلى جنب مع التعليمات البرمجية المقترنة والمهام التابعة والصور.

عرض نتائج مهمة الاختبار البعيد (معاينة)

إذا حددت مجموعة بيانات اختبار أو اخترت تقسيم تدريب/اختبار أثناء إعداد التجربة - في نموذج التحقق من الصحة والاختبار ، يختبر التعلم الآلي التلقائي النموذج الموصى به تلقائيا بشكل افتراضي. ونتيجة لذلك، سيحسب التعلم الآلي التلقائي مقاييس الاختبار لتحديد جودة النموذج الموصى به وتوقعاته.

هام

اختبار النماذج الخاصة بك مع مجموعة بيانات اختبار لتقييم النماذج التي تم إنشاؤها هي ميزة معاينة. تعد هذه الإمكانية ميزة معاينة تجريبية، وقد تتغير في أي وقت.

تحذير

هذه الميزة غير متاحة لسيناريوهات التعلم الآلي من Microsoft Azure الآتية

• مهام رؤية الكمبيوتر
• العديد من النماذج والتدريب على تنبؤ السلاسل الزمنية الهرمية (إصدار أولي)
• مهام التنبؤ حيث تكون الشبكات العصبية للتعلم العميق (DNN) ممكنة
• مهام التعلم الآلي من Microsoft Azure الآلية من الحوسبة المحلية أو مجموعات Azure Databricks

لعرض مقاييس مهمة الاختبار الخاصة بالنموذج الموصى به،

1. توجه إلى صفحة النماذج، وحدد أفضل نموذج.
2. حدد علامة التبويب Test results (preview).
3. حدد الوظيفة التي تريدها، واعرض علامة التبويب Metrics .

لعرض توقعات الاختبار المستخدمة لحساب مقاييس الاختبار،

1. توجه إلى أسفل الصفحة وحدد الارتباط ضمن Outputs dataset لفتح مجموعة البيانات.
2. في صفحة Datasets، حدد علامة التبويب Explore لعرض التوقعات من مهمة الاختبار.
   1. بدلا من ذلك، يمكن أيضا عرض/تنزيل ملف التوقع من علامة التبويب Outputs + logs، وتوسيع مجلد Predictions لتحديد موقع ملف predicted.csv الخاص بك.

بدلا من ذلك، يمكن أيضا عرض/تنزيل ملف التوقع من علامة التبويب «Outputs + logs»، وتوسيع مجلد «Predictions» لتحديد موقع ملف predictions.csv.

ينشئ مهمة اختبار النموذج ملف predictions.csv المخزن في مخزن البيانات الافتراضي الذي أنشأ باستخدام مساحة العمل. المخزن للبيانات مرئي لكل المستخدمين الذين يمتلكون نفس الاشتراك. لا يوصى بوظائف الاختبار للسيناريوهات إذا كانت أي من المعلومات المستخدمة لوظيفة الاختبار أو التي تم إنشاؤها بواسطة مهمة الاختبار تحتاج إلى أن تظل خاصة.

اختبار نموذج تلقائي موجود للتعلم الآلي (إصدار أولي)

هام

اختبار النماذج الخاصة بك مع مجموعة بيانات اختبار لتقييم النماذج التي تم إنشاؤها هي ميزة معاينة. تعد هذه الإمكانية ميزة معاينة تجريبية، وقد تتغير في أي وقت.

تحذير

هذه الميزة غير متاحة لسيناريوهات التعلم الآلي من Microsoft Azure الآتية

• مهام رؤية الكمبيوتر
• العديد من النماذج والتدريب على تنبؤ السلاسل الزمنية الهرمية (إصدار أولي)
• مهام التنبؤ حيث تكون الشبكات العصبية للتعلم العميق (DNN) ممكنة
• يتم تشغيل التعلم الآلي التلقائي من الحسابات المحلية أو مجموعات Azure Databricks

بعد اكتمال تجربتك، يمكنك اختبار النموذج (النماذج) الذي ينشئه التعلم الآلي التلقائي لأجلك. في حال كنت ترغب في اختبار نموذج تلقائي مختلف للتعلم الآلي تم إنشاؤه، وليس النموذج الموصى به، فيمكنك القيام بذلك بالخطوات التالية.

1. حدد مهمة تجربة تلقائية موجودة للتعلم الآلي.

2. توجه إلى علامة التبويب Models الخاصة بالمهمة وحدد النموذج المكتمل الذي تود اختباره.

3. في صفحة التفاصيل بالنموذج، حدد الزر Test model(preview) لفتح جزء Test model.

4. في جزء Test model، حدد نظام مجموعة الحساب ومجموعة بيانات الاختبار التي تود استخدامها لمهمة الاختبار.

5. حدد الزر Test. ينبغي أن يتطابق مخطط مجموعة بيانات الاختبار مع مجموعة بيانات التدريب، ولكن العمود الهدف اختياري.

6. عند الإنشاء الناجح لمهمة اختبار النموذج، تعرض صفحة Details رسالة النجاح. حدد علامة التبويب Test results لرؤية التقدم المحرز في المهمة.

7. لعرض نتائج مهمة الاختبار، افتح صفحة Details واتبع الخطوات المذكورة في قسم view results of the remote test job.

   

لوحة معلومات الذكاء الاصطناعي المسؤولة (معاينة)

لفهم النموذج الخاص بك بشكل أفضل، يمكنك رؤية رؤى مختلفة حول النموذج الخاص بك باستخدام لوحة معلومات الذكاء الاصطناعي المسؤول. يسمح لك بتقييم وتصحيح أفضل نموذج تعلم آلي تلقائي. ستقوم لوحة معلومات الذكاء الاصطناعي المسؤولة بتقييم أخطاء النموذج ومشكلات الإنصاف، وتشخيص سبب حدوث هذه الأخطاء من خلال تقييم بيانات التدريب و/أو الاختبار، ومراقبة تفسيرات النموذج. معا، يمكن أن تساعدك هذه الرؤى على بناء الثقة مع النموذج الخاص بك وتمرير عمليات التدقيق. لا يمكن إنشاء لوحات معلومات الذكاء الاصطناعي المسؤولة لنموذج التعلم الآلي التلقائي الحالي. يتم إنشاؤه فقط لأفضل نموذج موصى به عند إنشاء مهمة AutoML جديدة. يجب أن يستمر المستخدمون في استخدام تفسيرات النموذج (معاينة) فقط حتى يتم توفير الدعم للنماذج الموجودة.

لإنشاء لوحة معلومات الذكاء الاصطناعي مسؤول لنموذج معين،

1. أثناء إرسال مهمة التعلم الآلي التلقائي، انتقل إلى قسم إعدادات المهمة على شريط التنقل الأيسر وحدد الخيار عرض إعدادات التكوين الإضافية.

2. في النموذج الجديد الذي يظهر بعد هذا التحديد، حدد خانة الاختيار شرح أفضل نموذج .

   

3. انتقل إلى صفحة Compute لنموذج الإعداد واختر الخيار Serverless للحساب الخاص بك.

   

4. بمجرد الانتهاء، انتقل إلى صفحة النماذج لمهمة التعلم الآلي التلقائي، والتي تحتوي على قائمة بالنماذج المدربة. حدد على ارتباط عرض لوحة معلومات الذكاء الاصطناعي المسؤولة:

   

تظهر لوحة معلومات الذكاء الاصطناعي المسؤول لهذا النموذج كما هو موضح في هذه الصورة:

في لوحة المعلومات، ستجد أربعة مكونات تم تنشيطها لأفضل نموذج التعلم الآلي الخاص بك:

المكون	ما الذي يظهره المكون؟	كيفية قراءة المخطط؟
تحليل الأخطاء	استخدم تحليل الأخطاء عندما تحتاج إلى: اكتساب فهم عميق لكيفية توزيع فشل النموذج عبر مجموعة بيانات وعبر العديد من أبعاد الإدخال والميزة. قم بتقسيم مقاييس الأداء المجمعة لاكتشاف مجموعات خاطئة تلقائيا من أجل إبلاغ خطوات التخفيف المستهدفة.	مخططات تحليل الأخطاء
نظرة عامة على النموذج والإنصاف	استخدم هذا المكون من أجل: اكتساب فهم عميق لأداء النموذج الخاص بك عبر مجموعات مختلفة من البيانات. فهم مشكلات الإنصاف في النموذج الخاص بك من خلال النظر في مقاييس التباين. يمكن لهذه المقاييس تقييم سلوك النموذج ومقارنتها عبر المجموعات الفرعية المحددة من حيث الميزات الحساسة (أو غير المنطقية).	نظرة عامة على النموذج ومخططات الإنصاف
تفسيرات النموذج	استخدم مكون شرح النموذج لإنشاء أوصاف يمكن فهمها من قبل الإنسان لتوقعات نموذج التعلم الآلي من خلال النظر في: التفسيرات العالمية: على سبيل المثال، ما الميزات التي تؤثر على السلوك العام لنموذج تخصيص القرض؟ التفسيرات المحلية: على سبيل المثال، لماذا تمت الموافقة على طلب قرض العميل أو رفضه؟	مخططات شرح النموذج
تحليل البيانات	استخدم تحليل البيانات عندما تحتاج إلى: استكشف إحصائيات مجموعة البيانات بتحديد عوامل تصفية مختلفة لتقسيم بياناتك إلى أبعاد مختلفة (تُعرف أيضًا باسم الفئات). فهم توزيع مجموعة البيانات الخاصة بك عبر الفئات ومجموعات الميزات المختلفة. تحديد ما إذا كانت النتائج المتعلقة بالإنصاف وتحليل الأخطاء والسببية (المشتقة من مكونات لوحة المعلومات الأخرى) هي نتيجة لتوزيع مجموعة البيانات الخاصة بك. حدد المناطق التي يجب جمع المزيد من البيانات للتخفيف من الأخطاء التي تأتي من مشكلات التمثيل وضوضاء التسمية وضوضاء الميزات وتحيز التسمية والعوامل المماثلة.	مخططات مستكشف البيانات

5. يمكنك أيضا إنشاء مجموعات (مجموعات فرعية من نقاط البيانات التي تشترك في خصائص محددة) لتركيز تحليلك لكل مكون على مجموعات مختلفة. دائمًا ما يظهر اسم المجموعة النموذجية المطبقة حاليًا على لوحة المعلومات في الجزء العلوي الأيسر من لوحة المعلومات. طريقة العرض الافتراضية في لوحة المعلومات هي مجموعة البيانات بأكملها، بعنوان "جميع البيانات" (بشكل افتراضي). تعرف على المزيد حول التحكم العالمي في لوحة المعلومات هنا.

تحرير المهام وإرسالها (إصدار أولي)

هام

القدرة على نسخ وتحرير وإرسال تجربة جديدة استنادا إلى تجربة موجودة هي ميزة إصدار أولي. تعد هذه الإمكانية ميزة معاينة تجريبية، وقد تتغير في أي وقت.

في السيناريوهات التي تود فيها في إنشاء تجربة جديدة استنادا إلى إعدادات تجربة موجودة، يوفر التعلم الآلي التلقائي خيار القيام بذلك باستخدام الزر Edit and submit في واجهة مستخدم الاستوديو.

تقتصر هذه الخاصية على التجارب التي بدأت من واجهة مستخدم الاستوديو وتتطلب مخطط البيانات للتجربة الجديدة لمطابقة مخطط التجربة الأصلية.

يفتح الزر Edit and submit معالج إنشاء مهمة ML تلقائية جديدة مع إعدادات البيانات والحوسبة والتجربة مسبقة الملء. بإمكانك الانتقال عبر كل نموذج وتحرير التحديدات حسب الحاجة لتجربتك الجديدة.

استخدام نموذجك

بمجرد أن يكون لديك أفضل نموذج في متناول اليد، فقد حان الوقت لنشره كخدمة ويب للتنبؤ بالبيانات الجديدة.

تلميح

إذا كنت تبحث عن نشر نموذج تم إنشاؤه عبر الحزمة automl باستخدام Python SDK، يجب عليك تسجيل النموذج الخاص بك) إلى مساحة العمل.

بمجرد تسجيل النموذج، يمكنك إيجاده في الاستوديو عن طريق تحديد Models في الجزء الأيسر. بمجرد فتح نموذجك، يمكنك تحديد الزر Deploy في أعلى الشاشة، ثم اتباع الإرشادات كما هو موضح في الخطوة 2 من قسم انشر نموذجك.

يساعدك التعلم الآلي التلقائي على نشر النموذج دون كتابة تعليمة برمجية:

1. تمتلك خياران للنشر.

   • الخيار الأول: نشر أفضل نموذج، وفقا لمعايير القياس التي قمت بتحديدها.

     1. بعد اكتمال التجربة، توجه إلى صفحة مهمة الأصل عن طريق تحديد Job 1 في الجزء العلوي من الشاشة.
     2. حدد النموذج المدرج في قسم Best model summary.
     3. حدد Deploy في أعلى يسار النافذة.

   • الخيار الثاني: لنشر تكرار نموذج معين من هذه التجربة.

     1. حدد النموذج المرغوب من علامة التبويب Models
     2. حدد Deploy في أعلى يسار النافذة.

2. قم بملء نموذج Deploy model.

   الحقل	القيمة
   الاسم	أدخل اسماً مميزاً للنشر الخاص بك.
   ‏‏الوصف	أدخل وصفا لتحديد ماهية هذا النشر بشكل أفضل.
   نوع الحساب	حدد نوع نقطة النهاية التي تود نشرها: Azure Kubernetes Service (AKS) أو Azure Container Instance (ACI).
   اسم الحساب	يطبق على AKS فقط: حدد اسم مجموعة AKS التي ترغب في النشر إليها.
   تمكين المصادقة	قم بالتحديد للسماح بالمصادقة المستندة إلى الرمز المميز أو المستندة إلى المفتاح.
   استخدم أصول النشر المخصصة	قم بتمكين هذه الميزة إذا كنت تود تحميل البرنامج النصي لتسجيل النقاط وملف البيئة الخاص بك. وإلا، سيوفر التعلم الآلي هذه الأصول لك بشكل افتراضي. تعلم المزيد عن تسجيل البرامج النصية.

   هام

   يجب أن تكون أسماء الملفات أقل من 32 حرفا ويجب أن تبدأ وتنتهي بأبجدية رقمية. قد تتضمن شرطات وشرطات سفلية ونقاط وأبجدية رقمية بينها. غير مسموح بالمسافات.

   توفر القائمة «المتقدمة» ميزات نشر افتراضية مثل «تجميع البيانات» وإعدادات استخدام الموارد. إذا كنت تود منع هذه الإعدادات الافتراضية، فقم بذلك في هذه القائمة.

3. حدد نشر. يُمكن أن يستغرق اكتمال النشر حوالي 20 دقيقة. تظهر علامة التبويب Model summary بمجرد أن يبدأ النشر. تفقد تقدم النشر ضمن قسم حالة النشر.

تتاح لك الآن خدمة ويب تشغيلية لإنشاء التنبؤات! يمكنك اختبار التوقعات عن طريق الاستعلام عن الخدمة من Power BI's المضمنة في دعم التعلم الآلي من Microsoft Azure.

الخطوات التالية

• فهم النتائج الخاصة بالتعلم الآلي التلقائي.
• تعلم المزيد عن التعلم الآلي التلقائي والتعلم الآلي من Microsoft Azure.