Bermigrasi ke Azure Machine Learning dari ML Studio (klasik)

Penting

Dukungan untuk Studio Azure Machine Learning (klasik) akan berakhir pada 31 Agustus 2024. Sebaiknya Anda transisi ke Azure Machine Learning sebelum tanggal tersebut.

Mulai 1 Desember 2021, Anda tidak akan dapat membuat sumber daya Studio Azure Machine Learning (klasik) baru. Hingga 31 Agustus 2024, Anda dapat terus menggunakan sumber daya Pembelajaran Mesin Studio (klasik) yang ada.

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

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

Ini adalah panduan untuk migrasi "angkat dan shift" dasar. Jika Anda ingin mengoptimalkan alur kerja pembelajaran mesin yang ada, atau memodernisasi platform pembelajaran mesin, lihat kerangka kerja adopsi Azure Machine Learning untuk sumber daya tambahan termasuk alat survei digital, lembar kerja, dan templat perencanaan.

Silakan hubungi Arsitek Solusi Cloud Anda untuk menangani migrasi.

Kerangka kerja adopsi Azure ML

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 Pembelajaran Mesin Azure; manfaat, biaya, dan arsitekturnya.

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

    Catatan

    Fitur desainer di Azure Machine Learning memberikan pengalaman seret dan letakkan serupa ke 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).

    Tabel berikut ini meringkas perbedaan utama antara ML Studio (klasik) dan Azure Machine Learning.

    Fitur ML Studio (klasik) Pembelajaran Mesin Azure
    Antarmuka seret dan letakkan Pengalaman klasik Pengalaman yang diperbarui - desainer Azure Machine Learning
    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
    ML Pipeline Tidak didukung Menyusun alur modular yang fleksibel untuk mengotomatiskan alur kerja
    MLOps Manajemen dan penyebaran model dasar; Penyebaran hanya CPU Pembuatan versi entitas (model, data, alur kerja), otomatisasi alur kerja, integrasi dengan perkakas CICD, penerapan CPU dan GPU, dan lainnya
    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
    RBAC (Kontrol Akses Berbasis Peran) Hanya peran kontributor dan pemilik Definisi peran yang fleksibel dan kontrol RBAC
    Galeri AI Didukung (https://gallery.azure.ai/) Tidak didukung

    Pelajari dengan contoh notebook Python SDK.
  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 di bawah ini.

  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 hubungi Arsitek Solusi Cloud Anda untuk menentukan strategi.

Lihat Kerangka Adopsi Pembelajaran Mesin Azure untuk sumber daya perencanaan termasuk template dokumen perencanaan.

Langkah 3: Bangun kembali model pertama Anda

Setelah Anda menentukan strategi, migrasikan model pertama Anda.

  1. Melakukan migrasi himpunan data ke Azure Machine Learning.

  2. Gunakan desainer untuk membangun kembali eksperimen.

  3. Gunakan desainer untuk menyebar kembali layanan web.

    Catatan

    Panduan di atas dibangun di atas konsep dan fitur AzureML v1. AzureML memiliki CLI v2 dan Python SDK v2. Kami menyarankan untuk membangun kembali model ML Studio(klasik) Anda menggunakan v2, bukan v1. Mulai dengan AzureML v2 di sini

Langkah 4: Mengintegrasikan aplikasi klien

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

Langkah 5: Bersihkan aset Studio (klasik)

  1. Bersihkan aset Studio (klasik) untuk menghindari biaya tambahan. Anda mungkin ingin mempertahankan aset untuk mundur hingga Anda memvalidasi beban kerja Azure Machine Learning.

Langkah 6: Meninjau dan memperluas skenario

  1. Tinjau migrasi model untuk praktik terbaik dan validasi beban kerja.
  2. Perluas skenario dan migrasikan beban kerja tambahan ke Azure Machine Learning.

Studio (klasik) dan pemetaan komponen perancang

Lihat tabel berikut untuk melihat modul mana yang akan digunakan saat membangun kembali eksperimen Studio (klasik) di desainer.

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-rekan Studio (klasik) mereka.

Kategori Modul studio (klasik) Komponen perancang pengganti
Input dan output data - Memasukkan Data secara Manual
- Mengekspor Data
- Mengimpor Data
- Memuat Model Terlatih
- Membongkar Kumpulan Data Zip
- Memasukkan Data Secara Manual
- Mengekspor Data
- Mengimpor Data
Konversi Format Data - Mengonversi ke CSV
- Mengonversi ke Dataset
- Mengonversi ke ARFF
- Mengonversi ke SVMLight
- Mengonversi ke TSV
- Mengonversi ke CSV
- Mengonversi ke Himpunan Data
Transformasi Data - Manipulasi - Menambahkan Kolom
- Menambahkan Baris
- Menerapkan Transformasi SQL
- Menghapus Data yang Hilang
- Mengonversi ke Nilai Indikator
- Mengedit Metadata
- Menggabungkan Data
- Menghapus Baris Duplikat
- Memilih Kolom dalam Himpunan Data
- Memilih Transformasi Kolom
- SMOTE
- Nilai Kategoris Grup
- Menambahkan Kolom
- Menambahkan Baris
- Menerapkan Transformasi SQL
- Menghapus Data yang Hilang
- Mengonversi ke Nilai Indikator
- Mengedit Metadata
- Menggabungkan Data
- Menghapus Baris Duplikat
- Memilih Kolom dalam Himpunan Data
- Memilih 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
- Menormalkan Data
Transformasi Data – Sampel dan Pemisahan - Partisi dan Sampel
- Memisahkan Data
- Partisi dan Sampel
- Memisahkan Data
Transformasi Data – Filter - Menerapakan Filter
- Filter FIR
- Filter IIR
- Filter Median
- Filter Rata-rata bergulir
- Filter Ambang Batas
- Filter yang Ditentukan Pengguna
Transformasi Data – Belajar dengan Hitungan - Membangun Transformasi Hitungan
- Mengekspor Tabel Hitungan
- Mengimpor Tabel Hitungan
- Menggabungkan Transformasi Hitungan
- Mengubah Parameter Tabel Hitungan
Pemilihan Fitur - Pemilihan Fitur Berbasis Filter
- Analisis Diskriminan Linier Fisher
- Pentingnya Fitur Permutasi
- Pemilihan Fitur Berbasis Filter
- Pentingnya 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 Bayes Point Dua Kelas
- Pohon Keputusan yang Didorong Dua Kelas
- Hutan Keputusan Dua Kelas
- Hutan Keputusan Dua Kelas
- SVM Lokal-Jauh Dua Kelas
- Regresi Logistik Dua Kelas
- Jaringan Neural Dua Kelas
- Mesin Vektor Dukungan Dua Kelas
- Hutan Keputusan Multikelas
- Pohon Keputusan Peningkatan Multikelas
- Regresi Logistik Multikelas
- Jaringan Neural Multikelas
- Multikelas Satu-vs-Semua
- Perceptron Rata-rata Dua Kelas
- Pohin Keputusan yang Didorong Dua Kelas
- 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 Poisson Regresi Ordinal
- 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 - Membersihkan Pengklusteran
- Melatih Model Deteksi Anomali
- Melatih Model Pengklusteran
- Melatih Pemberi Rekomendasi Matchbox -
Melatih Model
- Menyetel Model Hiperparameter
- Melatih Model Deteksi Anomali
- Melatih Model Pengklusteran
- Melatih Model -
- Melatih Model PyTorch
- Melatih Pemberi Rekomendasi SVD
- Melatih Pemberi Rekomendasi Wide dan Deep
- Menyetel Model Hiperparameter
Azure Machine Learning – Skor - Menerapkan Transformasi
- Menetapkan Data ke Kluster
- Menilai Pemberi Rekomendasi Matchbox
- Menilai Model
- Menerapkan Transformasi
- Menetapkan Data ke Kluster
- Menili Model Citra
- Menilao Model
- Menilai Pemberi Rekomendasi SVD
-Menilai Pemberi Rekomendasi Wide dan Deep
Modul Pustaka OpenCV - Mengimpor Citra
- Klasifikasi Citra Kaskade Terlatih
Modul Bahasa Python - Jalankan Script Python - Menjalankan Skrip Python
- Membuat Model Python
Modul Bahasa R - Menjalankan Skrip R
- Membuat Model R
- Jalankan Skrip R
Fungsi statistik - Menerapkan Operasi Matematika
- Mengomputasi Statistik Dasar
- Mengomputasi Korelasi Linier
- Mengevaluasi Fungsi Probabilitas
- Mengganti Nilai Diskrit
- Merangkum Data
- Menguji Hipotesis menggunakan Uji-t
- Menerapkan Operasi Matematika
- Merangkum Data
Text Analytics - Mendeteksi Bahasa
- Mengekstrak Frasa Kunci dari Teks
- Mengekstrak Fitur N-Gram dari Teks
- Hashing Fitur
- Alokasi Dirichlet Laten
- Pengenalan Entitas Karakter
- Teks Pra-proses
- Menilai Model Vowpal Wabbit Versi 7-10
- Menilai Model Vowpal Wabbit Versi 8
- Melatih Model Vowpal Wabbit Versi 7-10
- Melatih Model Vowpal Wabbit Versi 8
- Mengonversi Kata ke Vektor
- Ekstrak Fitur N-Gram dari Teks
- Hashing Fitur
- Alokasi Dirichlet Laten
- Teks Pra-proses
- Menilai Model Vowpal Wabbit
- Latih Model Vowpal Wabbit
Seri waktu - Deteksi Anomali Seri Waktu
Layanan Web - Input
- Output
- Input
- Output
Computer Vision - Menerapkan Transformasi Citra
- Mengonversi ke Direktori Citra
- Tranformasi Citra Init
- Memisahkan Direktori Citra
- Klasifikasi Citra DenseNet
- Klasifikasi Citra ResNet

Untuk informasi selengkapnya tentang cara menggunakan komponen perancang individu, lihat referensi komponen desainer.

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

Migrasi eksperimen berikut ini menyoroti beberapa perbedaan antara Studio (klasik) dan Azure Machine Learning.

Himpunan data

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

himpunan data harga mobil-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 Machine Learning, lihat Mengamankan akses data.

Alur

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

mobil-harga-klasik-eksperimen

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

automobile-price-aml-pipeline

Titik akhir layanan web

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

layanan web-harga-mobil-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.

harga mobil-aml-titik akhir

Langkah berikutnya

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

  1. Ringkasan Migrasi.
  2. Melakukan migrasi himpunan data.
  3. Bangun ulang alur pelatihan Studio (klasik).
  4. Buat ualng layanan web Studi (klasik).
  5. Integrasikan layanan web Azure Machine Learning dengan aplikasi klien.
  6. Migrasikan Execute R Script.

Lihat Kerangka Kerja Adopsi Pembelajaran Mesin Azure untuk sumber daya migrasi tambahan.