Создание и использование решений машинного обучения с помощью службы "Машинное обучение Azure"
Машинное обучение Azure — это облачная платформа для обучения, развертывания, мониторинга моделей машинного обучения и управления ими. Узнайте, как использовать пакет SDK для Python со службой "Машинное обучение Azure" для создания и управления корпоративных решений машинного обучения.
Предварительные требования
В этой схеме обучения предполагается, что у вас есть опыт обучения моделей машинного обучения с использованием Python и платформ с открытым кодом, таких как Scikit-Learn, PyTorch и Tensorflow. В противном случае сначала следует пройти схему обучения Создание моделей машинного обучения.
Модули, включенные в эту схему обучения
Машинное обучение Azure — это облачная платформа для обучения и развертывания моделей машинного обучения, а также для управления ими.
Узнайте, как использовать машинное обучение Azure для обучения модели и ее регистрации в рабочей области.
Основой машинного обучения являются данные. В этом модуле вы узнаете, как работать с хранилищами и наборами данных в службе Машинного обучения Azure, создавая масштабируемые и облачные решения для обучения моделей.
Одно из основных преимуществ облака — возможность использования масштабируемых вычислительных ресурсов по запросу для экономичной обработки больших данных. В этом модуле вы узнаете, как использовать облачные вычисления в Машинном обучении Azure для выполнения масштабных обучающих экспериментов.
Управление машинным обучением с помощью конвейеров — ключевой элемент DevOps для машинного обучения. В этом модуле вы узнаете, как создавать, публиковать и запускать конвейеры для обучения моделей в Машинном обучении Azure.
Модели машинного обучения часто используются для создания прогнозов на основе большого количества наблюдений, обрабатываемых в пакетном режиме. В этих целях можно использовать Машинное обучение Azure для публикации конвейера пакетного вывода.
Выбор оптимальных значений параметров для обучения модели может быть трудной задачей и, как правило, в значительной мере осуществляется методом проб и ошибок. С помощью Машинного обучения Azure можно использовать эксперименты в масштабе облака для настройки параметров.
Узнайте, как использовать автоматизированное машинное обучение в машинном обучении Azure, чтобы найти оптимальную модель для ваших данных.
Специалисты по обработке и анализу данных несут этическую (а зачастую и юридическую) ответственность в отношении защиты конфиденциальных данных. Дифференциальная конфиденциальность — это передовой подход, который обеспечивает полезный анализ и одновременно защиту персональных данных.
Многие решения, принимаемые сегодня организациями и автоматизированными системами, основаны на прогнозах, делаемых моделями машинного обучения. Поэтому все большую важность приобретает возможность понимать факторы, влияющие на формирование таких прогнозов.
Модели машинного обучения часто могут инкапсулировать непреднамеренное смещение, что приводит к необъективности. Используя Fairlearn и Машинное обучение Azure, вы можете обнаруживать и ослаблять необъективность в своих моделях.
После развертывания модели машинного обучения в рабочей среде важно получить представление о том, как она используется, путем сбора и просмотра данных телеметрии.
Изменение трендов в данных с течением времени может снизить точность прогнозов, выполняемых моделью. Мониторинг такого смещения данных является важным способом обеспечения дальнейшей точности прогнозов модели.
