الترحيل إلى Azure التعلم الآلي من Studio (كلاسيكي)

  • مقالة

هام

ينتهي دعم التعلم الآلي Studio (الكلاسيكي) في 31 أغسطس 2024. نوصي بالانتقال إلى Azure التعلم الآلي بحلول ذلك التاريخ.

بعد ديسمبر 2021، لم يعد بإمكانك إنشاء موارد Studio (كلاسيكية) جديدة. حتى 31 أغسطس 2024، يمكنك الاستمرار في استخدام موارد Studio (الكلاسيكية) الموجودة.

يتم إيقاف وثائق Studio (الكلاسيكية) وقد لا يتم تحديثها في المستقبل.

تعرف على كيفية الترحيل من التعلم الآلي Studio (الكلاسيكي) إلى Azure التعلم الآلي. يوفر Azure Machine Learning نظامًا أساسيًا محدثًا لعلم البيانات يجمع بين نُهج دون تعليمات برمجية ونُهج التعليمات البرمجية أولاً.

يستعرض هذا الدليل ترحيل الرفع والإزاحة الأساسيين. إذا كنت ترغب في تحسين سير عمل التعلم الآلي الحالي، أو تحديث نظام أساسي للتعلم الآلي، فشاهد Azure التعلم الآلي Adoption Framework لمزيد من الموارد، بما في ذلك أدوات الاستطلاع الرقمي وأوراق العمل وقوالب التخطيط.

رسم تخطيطي لإطار عمل اعتماد Azure التعلم الآلي.

يرجى العمل مع مهندس حلول السحابة على الترحيل.

للترحيل إلى Azure Machine Learning، نوصي باتباع النهج التالي:

  • الخطوة 1: تقييم «التعلم الآلي» من Azure
  • الخطوة 2: تحديد الاستراتيجية والخطة
  • الخطوة 3: إعادة بناء التجارب وخدمات الويب
  • الخطوة 4: تكامل تطبيقات العميل
  • الخطوة 5: مسح أصول Studio (كلاسيكي)
  • الخطوة 6: تقييم السيناريوهات وتوسيعها

الخطوة 1: تقييم «التعلم الآلي» من Azure

  1. تعرف على التعلم الآلي Azure وفوائدها وتكاليفها وهندستها.

  2. مقارنة إمكانيات «التعليم الآلي» من Azure و Studio (كلاسيكي).

    يلخص الجدول التالي الاختلافات الرئيسية.

    ميزة Studio (كلاسيكي) التعلم الآلي من Azure
    واجهة السحب والإفلات تجربة الإصدار Classic تجربة محدثة: مصمم التعلم الآلي Azure
    حزم Code SDK غير مدعوم متكاملة تماماً مع التعلم الآلي Python وR SDKs
    التجربة قابلة للتوسع (حد بيانات التدريب 10 غيغابايت) المقياس مع حوسبة الهدف
    أهداف حوسبة التدريب هدف حوسبة الملكية، دعم وحدة المعالجة المركزية CPU فقط مجموعة واسعة من أهداف حساب التدريب القابلة للتخصيص؛ بما في ذلك دعم وحدة معالجة الرسومات وCPU
    أهداف حوسبة النشر تنسيق ملكية خدمة الويب، غير قابلة للتخصيص مجموعة واسعة من أهداف حساب التوزيع القابلة للتخصيص؛ بما في ذلك دعم وحدة معالجة الرسومات وCPU
    مسار التعلم الآلي غير مدعوم إنشاء خطوط تدفقات نموذجية لأتمتة مهام سير العمل
    MLOps إدارة النموذج الأساسي ونشره؛ عمليات نشر وحدة المعالجة المركزية فقط تعيين إصدار الكيان (النموذج والبيانات ومهام سير العمل) وأتمتة سير العمل والتكامل مع أدوات CICD ونشر وحدة المعالجة المركزية (CPU) وGPU والمزيد
    تنسيق النموذج تنسيق الملكية، Studio (إصدار classic) فقط تنسيقات متعددة مدعومة حسب نوع مهمة التدريب
    تدريب النموذج الآلي وضبط المعلمات غير مدعوم دعم

    خيارات التعليمات البرمجية أولا وبدون تعليمات برمجية
    اكتشاف تدفق البيانات غير مدعوم دعم
    مشاريع تسمية البيانات غير مدعوم دعم
    التحكم في الوصول استنادًا إلى الدور (RBAC) دور المساهم ودور المالك فقط تعريف الدور المرن والتحكم في RBAC
    معرض AI دعم غير مدعوم

    تعرف على نماذج دفاتر ملاحظات Python SDK

    إشعار

    توفر ميزة المصمم في Azure التعلم الآلي تجربة سحب وإفلات مشابهة ل Studio (كلاسيكي). ومع ذلك، يوفر «التعليم الآلي» من Azure أيضًا مهام سير عمل قوية للتعليمات البرمجية أولاً كبديل. تركز سلسلة الترحيل على المُصمم، لأنها تشبه تجربة Studio (الكلاسيكية).

  3. تحقّق من أن وحدات Studio (الكلاسيكية) النمطية النهمة مدعومة في مُصمّم Azure Machine Learning. لمزيد من المعلومات، راجع جدول تعيين مكونات Studio (الكلاسيكي) والمصمم.

  4. أنشئ مساحة عمل التعلم الآلي من "Azure".

الخطوة 2: تحديد الاستراتيجية والخطة

  1. حدّد مبررات الأعمال والنتائج المتوقعة.

  2. قم بمحاذاة خطة اعتماد Azure Machine Learning قابلة للتنفيذ مع نتائج الأعمال.

  3. قم بتجهيز الأشخاص، والعمليات، والبيئات للتغيير.

يرجى العمل مع مهندس حلول السحابة لتحديد استراتيجيتك.

للحصول على موارد التخطيط، بما في ذلك قالب مستند التخطيط، راجع Azure التعلم الآلي Adoption Framework.

الخطوة 3: إعادة بناء النموذج الأول

بعد تحديد استراتيجية، قم بترحيل النموذج الأول.

  1. ترحيل مجموعة بيانات إلى Azure التعلم الآلي.

  2. استخدم مصمم التعلم الآلي Azure لإعادة إنشاء تجربة.

  3. استخدم مصمم التعلم الآلي Azure لإعادة نشر خدمة ويب.

    إشعار

    تم إنشاء هذه الإرشادات على رأس مفاهيم وميزات Azure التعلم الآلي v1. يحتوي Azure التعلم الآلي على CLI v2 وPython SDK v2. نقترح عليك إعادة بناء نماذج Studio (الكلاسيكية) باستخدام v2 بدلا من v1. ابدأ ب Azure التعلم الآلي v2.

الخطوة 4: تكامل تطبيقات العميل

قم بتعديل تطبيقات العميل التي تستدعي خدمات الويب «الاستوديو» (الكلاسيكي) لاستخدام نقاط نهاية Azure Machine Learning الجديدة.

الخطوة 5: مسح أصول Studio (كلاسيكي)

لتجنب الرسوم الإضافية، قم بتنظيف أصول Studio (الكلاسيكية). قد ترغب في الاحتفاظ بالأصول للتراجع حتى تتحقق من صحة أحمال عمل Azure التعلم الآلي.

الخطوة 6: تقييم السيناريوهات وتوسيعها

  1. قم بتقييم ترحيل النموذج للحصول على أفضل الممارسات والتحقق من صحة أحمال العمل.

  2. قم بتوسيع السيناريوهات وترحيل المزيد من أحمال العمل إلى Azure التعلم الآلي.

تعيين مكونات «الاستوديو» (الكلاسيكية) والمُصمم

راجع الجدول التالي لمعرفة الوحدات النمطية التي يجب استخدامها أثناء إعادة إنشاء تجارب Studio (الكلاسيكية) في مصمم التعلم الآلي Azure.

هام

ينفذ المُصمم وحدات نمطية من خلال حزم Python مفتوحة المصدر بدلاً من حزم C# مثل «الاستوديو» (الكلاسيكي). وبسبب هذا الاختلاف، قد يختلف إخراج مكونات المصمم قليلا عن نظيراتها في Studio (الكلاسيكي).

الفئة الوحدة النمطية «للاستوديو» (الكلاسيكية) مكون مُصمّم الاستبدال
إدخال البيانات وإخراجها - إدخال البيانات يدويا
- تصدير البيانات
- استيراد البيانات
- تحميل النموذج المدرب
- فك مجموعات البيانات المضغوطة		 - إدخال البيانات يدويا
- تصدير البيانات
- استيراد البيانات
تحويلات تنسيق البيانات - التحويل إلى CSV
- التحويل إلى مجموعة بيانات
- التحويل إلى ARFF
- التحويل إلى SVMLight
- التحويل إلى TSV		 - التحويل إلى CSV
- التحويل إلى مجموعة بيانات
تحويل البيانات – المعالجة - إضافة أعمدة
- إضافة صفوف
- تطبيق تحويل SQL
- تنظيف البيانات المفقودة
- التحويل إلى قيم المؤشر
- تحرير بيانات التعريف
- ربط البيانات
- إزالة الصفوف المكررة
- تحديد الأعمدة في مجموعة البيانات
- تحديد تحويل الأعمدة
-ضرب
- تجميع القيم الفئوية		 - إضافة أعمدة
- إضافة صفوف
- تطبيق تحويل SQL
- تنظيف البيانات المفقودة
- التحويل إلى قيم المؤشر
- تحرير بيانات التعريف
- ربط البيانات
- إزالة الصفوف المكررة
- تحديد الأعمدة في مجموعة البيانات
- تحديد تحويل الأعمدة
-ضرب
تحويل البيانات - التحجيم والتقليل - قيم القصاصة
- تجميع البيانات في سلال
- تطبيع البيانات
- تحليل المكون الأساسي		 - قيم القصاصة
- تجميع البيانات في سلال
- تطبيع البيانات
تحويل البيانات - عينة وتقسيم - القسم والعينة
- تقسيم البيانات		 - القسم والعينة
- تقسيم البيانات
تحويل البيانات - تصفية - تطبيق عامل التصفية
- عامل تصفية FIR
- عامل تصفية IIR
- عامل تصفية وسيط
- عامل تصفية متوسط النقل
- عامل تصفية الحد
- عامل تصفية معرف من قبل المستخدم
تحويل البيانات - التعلم مع العد - تحويل عد البناء
- جدول عدد التصدير
- جدول عدد الاستيراد
- تحويل عدد الدمج
- تعديل معلمات جدول العد
تحديد الميزات - تحديد الميزات المستندة إلى التصفية
- تحليل غير متوافق خطي ل Fisher
- أهمية ميزة التباديل		 - تحديد الميزات المستندة إلى التصفية
- أهمية ميزة التباديل
النموذج – التصنيف - غابة قرارات متعددة الطبقات
- غابة قرار متعددة الطبقات
- الانحدار اللوجستي متعدد الطبقات
- شبكة عصبية متعددة الفئات
- فئة متعددة واحدة مقابل الكل
- متوسط perceptron من فئتين
- آلة نقطة Bayes من فئتين
- شجرة قرارات معززة من طبقتين
- غابة القرار من طبقتين
- غابة القرار من طبقتين
- SVM عميق محليا من فئتين
- انحدار لوجستي من فئتين
- شبكة عصبية من فئتين
- جهاز متجه دعم من فئتين		 - غابة قرارات متعددة الطبقات
- شجرة قرارات تعزيز متعددة الفئات
- الانحدار اللوجستي متعدد الطبقات
- شبكة عصبية متعددة الفئات
- فئة متعددة واحدة مقابل الكل
- متوسط perceptron من فئتين
- شجرة قرارات معززة من طبقتين
- غابة القرار من طبقتين
- انحدار لوجستي من فئتين
- شبكة عصبية من فئتين
- جهاز متجه دعم من فئتين
النموذج - تكوين أنظمة المجموعات - نظام المجموعات K-Means - نظام المجموعات K-Means
النموذج - الانحدار - الانحدار الخطي البايزي
- تراجع شجرة القرار المعزز
- انحدار غابة القرار
- الانحدار الكمي السريع للغابة
- الانحدار الخطي
- انحدار الشبكة العصبية
- الانحدار الترتيبي
- انحدار Poisson		 - تراجع شجرة القرار المعزز
- انحدار غابة القرار
- الانحدار الكمي السريع للغابة
- الانحدار الخطي
- انحدار الشبكة العصبية
- انحدار Poisson
النموذج - الكشف عن الحالات الشاذة - SVM من فئة واحدة
- الكشف عن الحالات الشاذة المستندة إلى PCA		 - الكشف عن الحالات الشاذة المستندة إلى PCA
«التعلم الآلي» – «تقييم» - نموذج التحقق التبادلي
- تقييم النموذج
- تقييم الموصي		 - نموذج التحقق التبادلي
- تقييم النموذج
- تقييم الموصي
«التعلم الآلي» – «تدريب» - كنس التجميع
- تدريب نموذج الكشف عن الحالات الشاذة
- تدريب نموذج تكوين أنظمة المجموعات
- مدرب موصي بعلبة المطابقة -
نموذج التدريب
- ضبط المعلمات الفائقة للنموذج		 - تدريب نموذج الكشف عن الحالات الشاذة
- تدريب نموذج تكوين أنظمة المجموعات
- نموذج التدريب
- تدريب نموذج PyTorch
- تدريب موصي SVD
- تدريب توصية واسعة وعميقة
- ضبط المعلمات الفائقة للنموذج
«التعلم الآلي» – «التسجيل» - تطبيق التحويل
- تعيين البيانات إلى المجموعات
- موصي بنقاط مربع المطابقة
- نموذج النقاط		 - تطبيق التحويل
- تعيين البيانات إلى المجموعات
- نموذج صورة تسجيل النقاط
- نموذج النقاط
- موصي تسجيل SVD
- تسجيل توصية واسعة وعميقة
وحدات مكتبة OpenCV - استيراد الصور
- تتالي تصنيف الصور المدرب مسبقا
وحدات لغة Python - تنفيذ البرنامج النصي Python - تنفيذ البرنامج النصي Python
- إنشاء نموذج Python
وحدات لغة R - تنفيذ البرنامج النصي R
- إنشاء نموذج R		 - تنفيذ البرنامج النصي R
الدالات الإحصائية - تطبيق عملية رياضية
- حساب الإحصاءات الأولية
- حساب الارتباط الخطي
- تقييم دالة الاحتمال
- استبدال القيم المنفصلة
- تلخيص البيانات
- اختبار الفرضية باستخدام t-Test		 - تطبيق عملية رياضية
- تلخيص البيانات
تحليلات النص - الكشف عن اللغات
- استخراج العبارات الرئيسية من النص
- استخراج ميزات N-gram من النص
- تجزئة الميزة
- تخصيص الريشة الكامنة
- التعرف على الكيان المسمى
- نص المعالجة المسبقة
- تسجيل نموذج vVowpal Wabbit الإصدار 7-10
- تسجيل نموذج الإصدار 8 من Vowpal Wabbit
- تدريب نموذج Vowpal Wabbit الإصدار 7-10
- تدريب نموذج الإصدار 8 من Vowpal Wabbit		 - تحويل Word إلى متجه
- استخراج ميزات N-gram من النص
- تجزئة الميزة
- تخصيص الريشة الكامنة
- نص المعالجة المسبقة
- تسجيل نموذج Vowpal Wabbit
- تدريب نموذج Vowpal Wabbit
السلاسل الزمنية - الكشف عن الشذوذ في السلاسل الزمنية
خدمة الويب -الادخال
- الإخراج		 -الادخال
- الإخراج
رؤية الكمبيوتر - تطبيق تحويل الصور
- التحويل إلى دليل الصور
- تحويل صورة Init
- تقسيم دليل الصور
- تصنيف صور DenseNet
- تصنيف صور ResNet

لمزيد من المعلومات حول كيفية استخدام مكونات المصمم الفردية، راجع مرجع الخوارزمية والمكون.

ماذا لو كان مكون المصمم مفقودًا؟

يحتوي مصمم Azure Machine Learning على الوحدات النمطية الأكثر شيوعًا من Studio (الكلاسيكي). كما يتضمن وحدات جديدة تستفيد من أحدث تقنيات التعلم الآلي.

إذا تم حظر الترحيل بسبب فقدان الوحدات النمطية في المصمم، فاتصل بنا عن طريق إنشاء تذكرة دعم.

مثال على الترحيل

يوضح مثال الترحيل التالي بعض الاختلافات بين Studio (الكلاسيكي) وAzure التعلم الآلي.

مجموعات البيانات

في Studio (الكلاسيكي)، تم حفظ مجموعات البيانات في مساحة العمل الخاصة بك ولا يمكن استخدامها إلا من قبل Studio (الكلاسيكي).

لقطة شاشة لمجموعات بيانات أسعار السيارات في Studio الكلاسيكي.

في Azure Machine Learning، يتم تسجيل مجموعات البيانات في مساحة العمل ويمكن استخدامها عبر جميع Azure Machine Learning. لمزيد من المعلومات حول فوائد مجموعات بيانات Azure التعلم الآلي، راجع البيانات في Azure التعلم الآلي.

‏‫‏‫‏‫المسار‬

في Studio (الكلاسيكي)، احتوت التجارب على منطق المعالجة لعملك. لقد قمت ببناء التجارب باستخدام وحدات السحب والإفلات.

لقطة شاشة لتجارب أسعار السيارات في Studio الكلاسيكي.

في Azure Machine Learning، تحتوي البنى الأساسية على منطق المعالجة لعملك. يمكنك إنشاء بنيات أساسية باستخدام وحدات السحب والإفلات أو عن طريق كتابة التعليمات البرمجية.

لقطة شاشة لخطوط أنابيب سحب وإفلات أسعار السيارات في الإصدار الكلاسيكي.

نقاط نهاية خدمة ويب

استخدم «الاستوديو» (الكلاسيكي) «واجهة برمجة تطبيقات» REQUEST/RESPOND للتنبؤ في الوقت الفعلي و «واجهة برمجة تطبيقات تشغيل الدفعات» للتنبؤ بالدفعة أو إعادة التدريب.

لقطة شاشة لواجهة برمجة تطبيقات نقطة النهاية في الإصدار الكلاسيكي.

يستخدم Azure Machine Learning نقاط النهاية في الوقت الفعلي (نقاط النهاية المُدارة) للتنبؤ في الوقت الفعلي و نقاط نهاية البنية الأساسية للتنبؤ بالدفعات أو إعادة التدريب.

لقطة شاشة لنقاط النهاية في الوقت الحقيقي ونقاط نهاية المسار.

المحتوى ذو الصلة

في هذه المقالة، تعرفت على المتطلبات عالية المستوى للترحيل إلى Azure Machine Learning. للحصول على خطوات مفصلة، راجع المقالات الأخرى في سلسلة ترحيل التعلم الآلي Studio (الكلاسيكي):

لمزيد من موارد الترحيل، راجع Azure التعلم الآلي Adoption Framework.