Co to jest usługa Azure Machine Learning
Usługa Azure Machine Edukacja to platforma umożliwiająca tworzenie kompleksowego cyklu życia systemów uczenia maszynowego i zarządzanie nim. Usługa Azure Machine Edukacja jest niezależna od platformy, zapewniając elastyczność pracy z preferowanymi technologiami, takimi jak TensorFlow, PyTorch, ONNX, MLFlow i Scikit-learn.
Usługa Azure Machine Edukacja umożliwia użytkownikom zapoznanie się z platformami uczenia maszynowego w celu szybkiego trenowania i wdrażania modeli przy użyciu kodu, a jednocześnie udostępnia innym zaawansowanym narzędziom wizualnym. Wszystkie skrypty szkoleniowe, modele, dzienniki i obliczenia są scentralizowane w udostępnionym obszarze roboczym w usłudze Azure Machine Edukacja, co ułatwia tworzenie i wdrażanie systemów uczenia maszynowego — co oznacza, że możesz skoncentrować się na modelach, podczas gdy usługa Azure Machine Edukacja wykonuje resztę.
Usługa Azure Machine Edukacja oferuje kompleksowy zestaw funkcji do obsługi rejestrowania, monitorowania i zarządzania danymi i modelami, zapewniając, że modele działają zgodnie z oczekiwaniami i skutecznie komunikują się z uczestnikami projektu.
Co to jest usługa Azure Machine Learning Studio?
Azure Machine Edukacja Studio to usługa oparta na przeglądarce, która udostępnia rozwiązania bez kodu i kodu umożliwiające wizualne tworzenie, trenowanie i zarządzanie modelami za pośrednictwem internetowego interfejsu użytkownika. Usługa Azure Machine Edukacja Studio umożliwia bezproblemową integrację zestawu SDK języka Python z natywnie obsługiwanymi notesami Jupyter Notebook na potrzeby współpracy i kodowania. Dane w usłudze Azure Machine Edukacja Studio są proste do zarządzania za pomocą intuicyjnych funkcji wizualizacji danych i obrazów wspomaganych przez sztuczną inteligencję lub etykietowania tekstu.
Tworzenie modelu
Modele można tworzyć w usłudze Azure Machine Edukacja na kilka sposobów. Trenowanie może odbywać się na maszynie lokalnej lub w chmurze platformy Azure, takiej jak maszyna wirtualna lub klaster obliczeniowy.
Kod przy użyciu języka Python
Zestaw AZURE Machine Edukacja SDK dla języka Python umożliwia interakcję z usługą z wielu środowisk, w tym notesów Jupyter Notebook. Notesy zapewniają środowisko współpracy umożliwiające uruchamianie kodu, wizualizacji i komentarzy. W programie Studio znajdują się przykładowe notesy, których można użyć do rozpoczęcia pracy z usługą Azure Machine Edukacja.
AutoML
Zautomatyzowane Edukacja maszynowe (AutoML) automatyzuje tworzenie najlepszych modeli uczenia maszynowego, pomagając znaleźć najlepszy model dla danych — bez względu na wiedzę na temat nauki o danych. Specjalizacja w zakresie klasyfikacji, regresji i prognozowania szeregów czasowych, eksperymentów rozwiązania AutoML z różnymi funkcjami, algorytmami i parametrami w zależności od zadania — zapewnia wyniki na modelach, które uważa za najlepsze. Te modele można następnie wdrażać w taki sposób, jak to, lub eksportować do formatu ONNX, który może działać na różnych platformach i urządzeniach. Wszechstronność i szybkość rozwiązania AutoML oznaczają, że jest często używany jako punkt wyjścia zarówno dla doświadczonych, jak i początkujących analityków danych.
Rozwiązanie AutoML można używać w usłudze Azure Machine Edukacja Studio lub za pomocą zestawu SDK języka Python.
Na poniższej ilustracji przedstawiono omówienie kompilowania potoku rozwiązania AutoML i zalecenia modelu.
Projektant
Jeśli wolisz opcję braku kodu, usługa Azure Machine Edukacja Projektant w usłudze Azure Machine Edukacja Studio udostępnia wizualną kanwę z kontrolkami przeciągania i upuszczania w celu manipulowania zestawami danych i modułami. Moduły w usłudze Azure Machine Edukacja Projektant to algorytmy, które mogą mieć wiele celów, od funkcji przychodzących danych po procesy trenowania, oceniania i walidacji. Te połączone moduły tworzą skuteczne potoki uczenia maszynowego w celu tworzenia, testowania i wdrażania modeli uczenia maszynowego, jak pokazano w poniższym przykładzie.
Compute
Zasoby obliczeniowe potrzebne dla środowiska uczenia maszynowego można przydzielić lub dołączyć za pośrednictwem usługi Azure Machine Edukacja. Z zasobów obliczeniowych obsługujących notesy Jupyter na potrzeby eksploracyjnej analizy danych do klastrów używanych do trenowania i zarządzanych punktów końcowych wdrażanych na potrzeby wnioskowania produkcyjnego na dużą skalę można tworzyć i zarządzać nimi za pomocą usługi Azure Machine Edukacja.
Zarządzanie danymi
Dzięki usłudze Azure Machine Edukacja czasochłonny proces przygotowywania i pozyskiwania danych można usprawnić i wspólnie pracować nad tym procesem. Platforma bezproblemowo integruje się z usługami Azure Synapse, Azure Databricks i pakietem innych usług platformy Azure, które ułatwiają potokom inżynierii danych wyodrębnianie, przekształcanie i ładowanie nieprzetworzonych danych (ETL) do magazynów danych.
Magazyny danych i etykietowanie
Usługa Azure Machine Edukacja bezpiecznie przechowuje nieprzetworzone dane w magazynie danych, więc nie trzeba polegać na zewnętrznych źródłach skryptów, a zestawy szkoleniowe można eksperymentować bez ryzyka integralności oryginalnych danych pierwotnych. Po zapisie można wyczyścić, przekształcić i oznaczyć dane etykietami w celu utworzenia zestawów szkoleniowych z magazynu danych. Usługa Azure Machine Edukacja oferuje narzędzia ułatwiające etykietowanie danych tabelarycznych, obrazów i tekstu — z wbudowanymi systemami uczenia maszynowego, które mogą sugerować etykiety lub w pełni zautomatyzować etykietowanie danych. W poniższym przykładzie przedstawiono w toku projekt klasyfikacji wieloeznakowej prowadzonej przez człowieka w usłudze Azure Machine Edukacja Studio.
MLOps
Wszystkie modele — w tym te, które działają doskonale podczas wdrażania — wymagają monitorowania i ponownego trenowania w celu utrzymania wysokiej wydajności. Usługa Azure Machine Edukacja udostępnia możliwości operacji Edukacja maszynowych (MLOps) w celu tworzenia powtarzalnych kroków przygotowywania danych, trenowania, oceniania i ponownego użytku środowisk oprogramowania w celu łatwego wdrażania. Te powtarzalne potoki i środowiska zapewniają środowisko ciągłej integracji/ciągłego dostarczania (CI/CD) do przepływu pracy uczenia maszynowego.
Oprócz tych funkcji usługa Azure Machine Edukacja udostępnia również narzędzia do monitorowania metodyki MLOps umożliwiające powiadamianie o zdarzeniach w cyklu życia uczenia maszynowego, a nawet reagowanie na nie. Dzięki tej kontrolce można szybko identyfikować i reagować na malejącą wydajność modelu lub problemy w zestawach danych. Informacje o ładie są również udostępniane w usłudze Azure Machine Edukacja, dzięki czemu można wyświetlić pełną historię uruchamiania i śledzić akcje członków zespołu w ramach cyklu życia modelu.