Migrasi ke Azure Pembelajaran Mesin dari Studio (klasik)

  • Artikel

Penting

Dukungan untuk Pembelajaran Mesin Studio (klasik) berakhir pada 31 Agustus 2024. Kami menyarankan agar Anda beralih ke Azure Pembelajaran Mesin pada tanggal tersebut.

Setelah Desember 2021, Anda tidak dapat lagi membuat sumber daya Studio (klasik) baru. Hingga 31 Agustus 2024, Anda dapat terus menggunakan sumber daya Studio (klasik) yang ada.

Dokumentasi Studio (klasik) sedang dihentikan dan mungkin tidak diperbarui di masa mendatang.

Pelajari cara bermigrasi dari Pembelajaran Mesin Studio (klasik) ke Azure Pembelajaran Mesin. Azure Machine Learning menyediakan platform ilmu data modern yang menggabungkan pendekatan tanpa kode dan kode-pertama.

Panduan ini berjalan melalui migrasi lift dan shift dasar. Jika Anda ingin mengoptimalkan alur kerja pembelajaran mesin yang ada, atau memodernisasi platform pembelajaran mesin, lihat Kerangka Kerja Adopsi Azure Pembelajaran Mesin untuk sumber daya lainnya, termasuk alat survei digital, lembar kerja, dan templat perencanaan.

Diagram kerangka kerja adopsi Azure Pembelajaran Mesin.

Silakan bekerja dengan arsitek solusi cloud Anda pada migrasi.

Untuk bermigrasi ke Azure Machine Learning, kami merekomendasikan pendekatan berikut:

  • Langkah 1: Menilai Azure Machine Learning
  • Langkah 2: Tentukan strategi dan rencana
  • Langkah 3: Membangun kembali eksperimen dan layanan web
  • Langkah 4: Mengintegrasikan aplikasi klien
  • Langkah 5: Bersihkan aset Studio (klasik)
  • Langkah 6: Meninjau dan memperluas skenario

Langkah 1: Menilai Azure Machine Learning

  1. Pelajari tentang Azure Pembelajaran Mesin dan manfaat, biaya, dan arsitekturnya.

  2. Bandingkan kemampuan Azure Machine Learning dan Studio (klasik).

    Tabel berikut ini meringkas perbedaan utama.

    Fitur Studio (klasik) Pembelajaran Mesin Azure
    Antarmuka seret dan letakkan Pengalaman klasik Pengalaman yang diperbarui: Perancang Azure Pembelajaran Mesin
    SDK Kode Tidak didukung Terintegrasi penuh dengan Azure Machine Learning Python dan R SDK
    Percobaan Dapat diskalakan (batas data pelatihan 10 GB) Skalakan dengan target komputasi
    Target komputasi pelatihan Target komputasi eksklusif, dukungan CPU saja Berbagai target komputasi pelatihan yang dapat disesuaikan; termasuk dukungan GPU dan CPU
    Target komputasi penyebaran Format layanan web kepemilikan, tidak dapat disesuaikan Berbagai target komputasi penyebaran yang dapat disesuaikan; termasuk dukungan GPU dan CPU
    Alur pembelajaran mesin Tidak didukung Menyusun alur modular yang fleksibel untuk mengotomatiskan alur kerja
    MLOps Manajemen dan penyebaran model dasar; Penyebaran khusus CPU Penerapan versi entitas (model, data, alur kerja), otomatisasi alur kerja, integrasi dengan alat CICD, penyebaran CPU dan GPU, dan banyak lagi
    Format model Format kepemilikan, Studio (klasik) saja Beberapa format yang didukung tergantung pada jenis pekerjaan pelatihan
    Pelatihan model otomatis dan penyetelan hyperparameter Tidak didukung Didukung

    Opsi kode-pertama dan tanpa kode
    Deteksi drift data Tidak didukung Didukung
    Proyek pelabelan data Tidak didukung Didukung
    Kontrol akses berbasis peran (RBAC) Hanya peran kontributor dan pemilik Definisi peran yang fleksibel dan kontrol RBAC
    Galeri AI Didukung Tidak didukung

    Pelajari dengan contoh buku catatan Python SDK

    Catatan

    Fitur perancang di Azure Pembelajaran Mesin menyediakan pengalaman seret dan letakkan yang mirip dengan Studio (klasik). Namun, Azure Machine Learning juga menyediakan alur kerja code-firstyang kuat sebagai alternatif. Seri migrasi ini berfokus pada desainer, karena paling mirip dengan pengalaman Studio (klasik).

  3. Verifikasi bahwa modul Studio (klasik) penting Anda didukung di desainer Azure Machine Learning. Untuk informasi selengkapnya, lihat tabel Pemetaan komponen Studio (klasik) dan perancang.

  4. Buat ruang kerja Azure Machine Learning.

Langkah 2: Tentukan strategi dan rencana

  1. Tentukan pembenaran bisnis dan hasil yang diharapkan.

  2. Menyelaraskan rencana adopsi Azure Machine Learning yang dapat ditindaklanjuti dengan hasil bisnis.

  3. Mempersiapkan orang, proses, dan lingkungan untuk perubahan.

Silakan bekerja dengan arsitek solusi cloud Anda untuk menentukan strategi Anda.

Untuk merencanakan sumber daya, termasuk templat dokumen perencanaan, lihat Kerangka Kerja Adopsi Azure Pembelajaran Mesin.

Langkah 3: Bangun kembali model pertama Anda

Setelah Anda menentukan strategi, migrasikan model pertama Anda.

  1. Memigrasikan himpunan data ke Azure Pembelajaran Mesin.

  2. Gunakan perancang Azure Pembelajaran Mesin untuk membangun kembali eksperimen.

  3. Gunakan perancang Azure Pembelajaran Mesin untuk menyebarkan ulang layanan web.

    Catatan

    Panduan ini dibangun di atas konsep dan fitur Azure Pembelajaran Mesin v1. Azure Pembelajaran Mesin memiliki CLI v2 dan Python SDK v2. Kami menyarankan agar Anda membangun kembali model Studio (klasik) menggunakan v2, bukan v1. Mulai dengan Azure Pembelajaran Mesin v2.

Langkah 4: Mengintegrasikan aplikasi klien

Ubah aplikasi klien yang memanggil layanan web Studio (klasik) untuk menggunakan titik akhir Azure Machine Learningbaru Anda.

Langkah 5: Bersihkan aset Studio (klasik)

Untuk menghindari biaya tambahan, bersihkan aset Studio (klasik). Anda mungkin ingin mempertahankan aset untuk fallback hingga Anda memvalidasi beban kerja Azure Pembelajaran Mesin.

Langkah 6: Meninjau dan memperluas skenario

  1. Tinjau migrasi model untuk praktik terbaik dan validasi beban kerja.

  2. Perluas skenario dan migrasikan lebih banyak beban kerja ke Azure Pembelajaran Mesin.

Studio (klasik) dan pemetaan komponen perancang

Lihat tabel berikut untuk melihat modul mana yang akan digunakan saat membangun ulang eksperimen Studio (klasik) di perancang Azure Pembelajaran Mesin.

Penting

Desainer mengimplementasikan modul melalui paket Python sumber terbuka daripada paket C# seperti Studio (klasik). Karena perbedaan ini, output komponen perancang mungkin sedikit berbeda dari rekan Studio (klasik) mereka.

Kategori Modul studio (klasik) Komponen perancang pengganti
Input dan output data - Masukkan data secara manual
- Mengekspor data
- Mengimpor data
- Memuat model terlatih
- Membuka kemasan himpunan data zip		 - Masukkan data secara manual
- Mengekspor data
- Mengimpor data
Konversi format data - Konversi ke CSV
- Konversi ke himpunan data
- Konversi ke ARFF
- Konversi ke SVMLight
- Konversi ke TSV		 - Konversi ke CSV
- Konversi ke himpunan data
Transformasi data – Manipulasi - Tambahkan kolom
- Tambahkan baris
- Menerapkan transformasi SQL
- Bersihkan data yang hilang
- Konversi ke nilai indikator
- Edit metadata
- Menggabungkan data
- Menghapus baris duplikat
- Pilih kolom dalam himpunan data
- Pilih transformasi kolom
- SMOTE
- Nilai kategoris grup		 - Tambahkan kolom
- Tambahkan baris
- Menerapkan transformasi SQL
- Bersihkan data yang hilang
- Konversi ke nilai indikator
- Edit metadata
- Menggabungkan data
- Menghapus baris duplikat
- Pilih kolom dalam himpunan data
- Pilih transformasi kolom
- SMOTE
Transformasi data – Skalakan dan kurangi - Nilai klip
- Mengelompokkan data ke dalam bin
- Menormalkan data
- Analisis komponen utama		 - Nilai klip
- Mengelompokkan data ke dalam bin
- Menormalkan data
Transformasi data – Sampel dan pemisahan - Partisi dan sampel
- Memisahkan data		 - Partisi dan sampel
- Memisahkan data
Transformasi data – Filter - Terapkan filter
- Filter FIR
- Filter IIR
- Filter median
- Memindahkan filter rata-rata
- Filter ambang batas
- Filter yang ditentukan pengguna
Transformasi data – Pembelajaran dengan hitungan - Transformasi penghitungan build
- Ekspor tabel hitungan
- Impor tabel hitungan
- Transformasi jumlah penggabungan
- Mengubah parameter tabel hitungan
Pilihan fitur - Pemilihan fitur berbasis filter
- Analisis diskriminan linier fisher
- Kepentingan fitur permutasi		 - Pemilihan fitur berbasis filter
- Kepentingan fitur permutasi
Model – Klasifikasi - Hutan keputusan multikelas
- Hutan keputusan multikelas
- Regresi logistik multikelas
- Jaringan neural multikelas
- Multikelas satu-vs-semua
- Perceptron rata-rata dua kelas
- Mesin titik Bayes dua kelas
- Pohon keputusan dua kelas yang didorong
- Hutan keputusan dua kelas
- Hutan keputusan dua kelas
- SVM dua kelas yang mendalam secara lokal
- Regresi logistik dua kelas
- Jaringan neural dua kelas
- Mesin vektor dukungan dua kelas		 - Hutan keputusan multikelas
- Multikelas meningkatkan pohon keputusan
- Regresi logistik multikelas
- Jaringan neural multikelas
- Multikelas satu-vs-semua
- Perceptron rata-rata dua kelas
- Pohon keputusan dua kelas yang didorong
- Hutan keputusan dua kelas
- Regresi logistik dua kelas
- Jaringan neural dua kelas
- Mesin vektor dukungan dua kelas
Model – Pengklusteran - K-berarti pengklusteran - K-berarti pengklusteran
Model – Regresi - Regresi linier Bayesian
- Regresi pohon keputusan yang ditingkatkan
- Regresi hutan keputusan
- Regresi kuantil hutan cepat
- Regresi linier
- Regresi jaringan neural
- Regresi ordinal
- Regresi Poisson		 - Regresi pohon keputusan yang ditingkatkan
- Regresi hutan keputusan
- Regresi kuantil hutan cepat
- Regresi linier
- Regresi jaringan neural
- Regresi Poisson
Model – Deteksi anomali - SVM satu kelas
- Deteksi anomali berbasis PCA		 - Deteksi anomali berbasis PCA
Azure Machine Learning – Evaluasi - Model validasi silang
- Mengevaluasi model
- Mengevaluasi pemberi rekomendasi		 - Model validasi silang
- Mengevaluasi model
- Mengevaluasi pemberi rekomendasi
Azure Machine Learning – Melatih - Menyapu pengklusteran
- Melatih model deteksi anomali
- Melatih model pengklusteran
- Melatih pemberi rekomendasi kotak korek api -
Melatih model
- Menyetel hiperparameter model		 - Melatih model deteksi anomali
- Melatih model pengklusteran
- Melatih model
- Melatih model PyTorch
- Melatih pemberi rekomendasi SVD
- Melatih pemberi rekomendasi yang luas dan mendalam
- Menyetel hiperparameter model
Azure Machine Learning – Skor - Terapkan transformasi
- Menetapkan data ke kluster
- Menilai pemberi rekomendasi kotak korek api
- Model skor		 - Terapkan transformasi
- Menetapkan data ke kluster
- Menilai model gambar
- Model skor
- Menilai pemberi rekomendasi SVD
- Menilai pemberi rekomendasi yang luas dan mendalam
Modul pustaka OpenCV - Mengimpor gambar
- Klasifikasi gambar kaskade yang telah dilatih sebelumnya
Modul bahasa Python - Jalankan skrip Python - Jalankan skrip Python
- Membuat model Python
Modul bahasa R - Jalankan skrip R
- Membuat model R		 - Jalankan skrip R
Fungsi statistik - Menerapkan operasi matematika
- Statistik dasar komputasi
- Korelasi linier komputasi
- Mengevaluasi fungsi probabilitas
- Ganti nilai diskrit
- Meringkas data
- Uji hipotesis menggunakan t-Test		 - Menerapkan operasi matematika
- Meringkas data
Analitik Teks - Mendeteksi bahasa
- Ekstrak frasa kunci dari teks
- Ekstrak fitur N-gram dari teks
- Hashing fitur
- Alokasi dirichlet laten
- Pengenalan entitas bernama
- Teks praprosces
- Menilai model vVowpal Wabbit versi 7-10
- Skor Vowpal Wabbit versi 8 model
- Melatih model Vowpal Wabbit versi 7-10
- Melatih model Vowpal Wabbit versi 8		 - Mengonversi Word ke vektor
- Ekstrak fitur N-gram dari teks
- Hashing fitur
- Alokasi dirichlet laten
- Teks praprosces
- Menilai model Vowpal Wabbit
- Melatih model Vowpal Wabbit
Deret waktu - Deteksi anomali rangkaian waktu
Layanan web -Input
- Output		 -Input
- Output
Computer Vision - Menerapkan transformasi gambar
- Konversi ke direktori gambar
- Transformasi gambar init
- Pisahkan direktori gambar
- Klasifikasi gambar DenseNet
- Klasifikasi gambar ResNet

Untuk informasi selengkapnya tentang cara menggunakan komponen perancang individual, lihat Referensi algoritma &komponen.

Bagaimana jika komponen perancang hilang?

Desainer Azure Machine Learning berisi modul paling populer dari Studio (klasik). Ini juga termasuk modul baru yang memanfaatkan teknik pembelajaran mesin terbaru.

Jika migrasi Anda diblokir karena modul yang hilang di desainer, hubungi kami dengan membuat tiket dukungan.

Contoh migrasi

Contoh migrasi berikut menyoroti beberapa perbedaan antara Studio (klasik) dan Azure Pembelajaran Mesin.

Himpunan data

Di Studio (klasik), himpunan data disimpan di ruang kerja Anda dan hanya dapat digunakan oleh Studio (klasik).

Cuplikan layar himpunan data harga mobil di Studio klasik.

Di Azure Machine Learning, himpunan data didaftarkan ke ruang kerja dan dapat digunakan di semua Azure Machine Learning. Untuk informasi selengkapnya tentang manfaat himpunan data Azure Pembelajaran Mesin, lihat Data di Azure Pembelajaran Mesin.

Alur

Di Studio (klasik), eksperimenberisi logika pemrosesan untuk pekerjaan Anda. Anda membuat eksperimen dengan modul seret dan letakkan.

Cuplikan layar eksperimen harga mobil di Studio klasik.

Di Azure Machine Learning, alur berisi logika pemrosesan untuk pekerjaan Anda. Anda dapat membuat alur dengan modul seret dan letakkan atau dengan menulis kode.

Cuplikan layar alur seret dan letakkan harga mobil di klasik.

Titik akhir layanan web

Studio (klasik) menggunakan REQUEST/RESPOND API untuk prediksi real time danBATCH EXECUTION API untuk prediksi batch atau pelatihan ulang.

Cuplikan layar API titik akhir dalam klasik.

Pembelajaran Mesin Azure menggunakan titik akhir real time (titik akhir terkelola) untuk prediksi real time dan titik akhir alur untuk prediksi atau pelatihan ulang batch.

Cuplikan layar titik akhir real time dan titik akhir alur.

Konten terkait

Dalam artikel ini, Anda mempelajari persyaratan tingkat tinggi untuk bermigrasi ke Azure Machine Learning. Untuk langkah-langkah terperinci, lihat artikel lain dalam seri migrasi Pembelajaran Mesin Studio (klasik):

Untuk sumber daya migrasi lainnya, lihat Kerangka Kerja Adopsi Azure Pembelajaran Mesin.