Machine learning-oplossingen bouwen en gebruiken met Azure Machine Learning
Azure Machine Learning is een cloudplatform voor het trainen, implementeren, beheren en bewaken van Machine Learning-modellen. Ontdek hoe u de Python-SDK voor Azure Machine Learning kunt gebruiken om bedrijfsklare ML-oplossingen te maken en te beheren.
Vereisten
In dit leertraject wordt ervan uitgegaan dat u ervaring hebt met het trainen van Machine Learning-modellen met Python en opensource-frameworks zoals Scikit-Learn, PyTorch en Tensorflow. Is dat niet het geval, doorloop dan eerst het leertraject Machine Learning-modellen maken voordat u met dit leertraject begint.
Modules in dit leertraject
Azure Machine Learning biedt een cloudplatform voor het trainen, implementeren en beheren van machine learning-modellen.
Meer informatie over het gebruik van Azure Machine Learning om een model te trainen en te registreren in een werkruimte.
Gegevens vormen de basis van machine learning. In deze module leert u hoe u werkt met gegevensarchieven en gegevenssets in Azure Machine Learning, zodat u schaalbare, cloudgebaseerde modeltrainingsoplossingen kunt bouwen.
Een van de belangrijkste voordelen van de cloud is de mogelijkheid om schaalbare, on-demand rekenresources te gebruiken voor een kosteneffectieve verwerking van grote gegevens. In deze module leert u hoe u cloud compute gebruikt in Azure Machine Learning om trainingsexperimenten op schaal uit te voeren.
Het organiseren van machine learning-training met pijplijnen is een belangrijk element van DevOps voor machine learning. In deze module leert u hoe u pijplijnen maakt, publiceert en uitvoert om modellen in Azure Machine Learning te trainen.
Meer informatie over het registreren en implementeren van ML-modellen met Azure Machine Learning Service.
Machine learning-modellen worden vaak gebruikt om voorspellingen te genereren op basis van grote aantallen waarnemingen in een batchproces. Hiervoor kunt u Azure Machine Learning gebruiken om een batchdeductiepijplijn te publiceren.
Het kiezen van optimale hyperparameterwaarden voor modeltraining kan lastig zijn en meestal gaat het om veel vallen en opstaan. Met Azure Machine Learning kunt u cloudexperimenten gebruiken om hyperparameters af te stemmen.
Meer informatie over het gebruik van geautomatiseerde machine learning in Azure Machine Learning om het beste model voor uw gegevens te vinden.
Gegevenswetenschappers hebben een ethische (en vaak juridische) verantwoordelijkheid om gevoelige gegevens te beschermen. Differentiële privacy is een toonaangevende benadering die nuttige analyse mogelijk maakt en tegelijkertijd individueel identificeerbare gegevenswaarden beschermt.
Veel beslissingen die tegenwoordig door organisaties en geautomatiseerde systemen worden genomen, zijn gebaseerd op voorspellingen van machine learning-modellen. Het wordt steeds belangrijker om inzicht te hebben in de factoren die van invloed zijn op de voorspellingen die modellen maken.
Machine learning-modellen kunnen vaak onbedoelde vooroordelen inkapselen die leiden tot oneerlijkheid. Met Fairlearn en Azure Machine Learning kunt u oneerlijkheid in uw modellen detecteren en beperken.
Nadat een machine learning-model in productie is geïmplementeerd, is het belangrijk om te begrijpen hoe het wordt gebruikt door telemetrie vast te leggen en weer te geven.
Het veranderen van trends in gegevens in de loop van de tijd kan de nauwkeurigheid van de voorspellingen van een model verminderen. Bewaking van deze gegevensdrift is een belangrijke manier om ervoor te zorgen dat uw model nauwkeurig blijft voorspellen.
