Machine Learning Studio (klasik) modeli denemeden Web hizmetine nasıl ilerler?
ŞUNLAR IÇIN GEÇERLIDIR: 
Machine Learning Studio (klasik) 
Azure Machine Learning
Önemli
Machine Learning Stüdyosu (klasik) desteği 31 Ağustos 2024'te sona erecektir. Bu tarihe kadar Azure Machine Learning'e geçmenizi öneririz.
1 Aralık 2021'den başlayarak artık yeni Machine Learning Stüdyosu (klasik) kaynakları oluşturamayacaksınız. 31 Ağustos 2024'e kadar mevcut Machine Learning Stüdyosu (klasik) kaynaklarını kullanmaya devam edebilirsiniz.
- Makine öğrenmesi projelerini ML Studio'dan (klasik) Azure Machine Learning'e taşıma hakkındaki bilgilere bakın.
- Azure Machine Learning hakkında daha fazla bilgi edinin
ML Stüdyosu (klasik) belgeleri kullanımdan kaldırılacak ve gelecekte güncelleştirilmeyecektir.
Machine Learning Studio (klasik), tahmine dayalı analiz modelini temsil eden bir deneme geliştirmenizi, çalıştırmanızı, test etmenizi ve yinelemenizi sağlayan etkileşimli bir tuval sağlar. Şu işlemleri yapabilecek çok çeşitli modüller vardır:
- Denemenize veri girme
- Verileri işleme
- Makine öğrenmesi algoritmalarını kullanarak model eğitin
- Modeli puanlama
- Sonuçları değerlendirme
- Çıkış son değerleri
Denemenizden memnun olduktan sonra, kullanıcıların yeni veriler gönderip sonuçları geri alabilmesi için bunu bir Machine Learning (klasik) Web hizmeti veya Azure Machine Learning Web hizmeti olarak dağıtabilirsiniz.
Bu makalede, Makine Öğrenmesi modelinizin geliştirme denemesinden işletimselleştirilmiş bir Web hizmetine nasıl ilerlediğiyle ilgili mekaniklere genel bir bakış sunacağız.
Not
Makine öğrenmesi modelleri geliştirmenin ve dağıtmanın başka yolları da vardır, ancak bu makale Machine Learning Studio'yu (klasik) nasıl kullandığınıza odaklanmıştır. Örneğin, R ile klasik tahmine dayalı Web hizmeti oluşturmanın açıklamasını okumak için RStudio kullanarak Tahmine Dayalı Web Uygulamaları Oluşturma ve Dağıtma ve Azure Machine Learning stüdyosu blog gönderisine bakın.
Machine Learning Studio (klasik), tahmine dayalı bir analiz modeli geliştirmenize ve dağıtmanıza yardımcı olacak şekilde tasarlanmıştır ancak tahmine dayalı analiz modeli içermeyen bir deneme geliştirmek için Studio 'yu (klasik) kullanabilirsiniz. Örneğin, bir deneme yalnızca verileri giriş, işleme ve ardından sonuçların çıktısını alma olabilir. Tahmine dayalı bir analiz denemesinde olduğu gibi, tahmine dayalı olmayan bu denemeyi bir Web hizmeti olarak dağıtabilirsiniz, ancak deneme bir makine öğrenmesi modelini eğitme veya puanlama olmadığından daha basit bir işlemdir. Studio'yu (klasik) bu şekilde kullanmak normal olmasa da, Studio'nun (klasik) nasıl çalıştığı hakkında tam bir açıklama sunabilmek için bunu tartışmaya ekleyeceğiz.
Tahmine dayalı Web hizmeti geliştirme ve dağıtma
Machine Learning Studio (klasik) kullanarak geliştirir ve dağıtırken tipik bir çözümün izlediği aşamalar şunlardır:
Şekil 1 - Tipik bir tahmine dayalı analiz modelinin aşamaları
Eğitim denemesi
Eğitim denemesi , Machine Learning Studio'da (klasik) Web hizmetinizi geliştirmenin ilk aşamasıdır. Eğitim denemesinin amacı size bir makine öğrenmesi modeli geliştirecek, test etmek, yinelemek ve sonunda eğitmek için bir yer vermektir. Hatta en iyi çözümü ararken birden çok modeli aynı anda eğitebilirsiniz, ancak denemeyi tamamladıktan sonra tek bir eğitilmiş model seçer ve denemeden kalanları ortadan kaldırırsınız. Tahmine dayalı analiz denemesi geliştirme örneği için bkz . Machine Learning Studio'da kredi riski değerlendirmesi için tahmine dayalı analiz çözümü geliştirme (klasik)...
Tahmine dayalı deneme
Eğitim denemenizde eğitilmiş bir modele sahip olduktan sonra, Eğitim denemenizi tahmine dayalı bir denemeye dönüştürme işlemini başlatmak için Web Hizmetini Ayarla'ya tıklayın ve Machine Learning Studio'da Tahmine Dayalı Web Hizmeti (klasik) seçeneğini belirleyin. Tahmine dayalı denemenin amacı, eğitilen modelinizi kullanarak yeni verileri puanlar ve sonunda bir Azure Web hizmeti olarak kullanıma hazır hale gelmektir.
Bu dönüştürme sizin için aşağıdaki adımlarla gerçekleştirilir:
- Eğitim için kullanılan modül kümesini tek bir modüle dönüştürün ve eğitilmiş model olarak kaydedin
- Puanlamayla ilgili olmayan gereksiz modülleri ortadan kaldırın
- Nihai Web hizmetinin kullanacağı giriş ve çıkış bağlantı noktalarını ekleme
Tahmine dayalı denemenizi Web hizmeti olarak dağıtmaya hazır hale getirmek için yapmak istediğiniz daha fazla değişiklik olabilir. Örneğin, Web hizmetinin sonuçların yalnızca bir alt kümesinin çıkışını oluşturmasını istiyorsanız, çıkış bağlantı noktasından önce bir filtreleme modülü ekleyebilirsiniz.
Bu dönüştürme işleminde eğitim denemesi atılmaz. İşlem tamamlandığında, Studio'da iki sekmeniz (klasik) olur: biri eğitim denemesi ve diğeri tahmine dayalı deneme için. Bu şekilde, Web hizmetinizi dağıtmadan ve tahmine dayalı denemeyi yeniden oluşturmadan önce eğitim denemesinde değişiklik yapabilirsiniz. Alternatif olarak, başka bir deneme satırı başlatmak için eğitim denemesinin bir kopyasını kaydedebilirsiniz.
Not
Tahmine Dayalı Web Hizmeti'ne tıkladığınızda, eğitim denemenizi tahmine dayalı bir denemeye dönüştürmek için otomatik bir işlem başlatırsınız ve bu çoğu durumda iyi sonuç verir. Eğitim denemeniz karmaşıksa (örneğin, birleştirdiğiniz eğitim için birden çok yolunuz varsa), bu dönüştürmeyi el ile yapmayı tercih edebilirsiniz. Daha fazla bilgi için bkz . Machine Learning Studio'da (klasik) dağıtım için modelinizi hazırlama.
Web hizmeti
Tahmine dayalı denemenizin hazır olduğundan emin olduktan sonra hizmetinizi Klasik Web hizmeti veya Azure Resource Manager'ı temel alan Yeni Web hizmeti olarak dağıtabilirsiniz. Modelinizi Klasik Machine Learning Web hizmeti olarak dağıtarak kullanıma hazır hale getirmek için Web Hizmetini Dağıt'a tıklayın ve Web Hizmetini Dağıt [Klasik] öğesini seçin. Yeni Machine Learning Web hizmeti olarak dağıtmak için Web Hizmetini Dağıt'a tıklayın ve Web Hizmetini Dağıt [Yeni] öğesini seçin. Kullanıcılar artık Web hizmeti REST API'sini kullanarak modelinize veri gönderebilir ve sonuçları geri alabilir. Daha fazla bilgi için bkz . Machine Learning Web hizmetini kullanma.
Tipik olmayan durum: tahmine dayalı olmayan bir Web hizmeti oluşturma
Denemeniz tahmine dayalı bir analiz modeli eğitmiyorsa hem eğitim denemesi hem de puanlama denemesi oluşturmanız gerekmez. Yalnızca bir deneme vardır ve bunu web hizmeti olarak dağıtabilirsiniz. Machine Learning Studio (klasik), kullandığınız modülleri analiz ederek denemenizin tahmine dayalı bir model içerip içermediğini algılar.
Denemenizde yineleme yaptıktan ve bu denemeden memnun olduktan sonra:
- Web Hizmetini Ayarla'ya tıklayın ve Web Hizmetini Yeniden Eğitme ' yi seçin- giriş ve çıkış düğümleri otomatik olarak eklenir
- Çalıştır'a tıklayın
- Web Hizmetini Dağıt'a tıklayın ve dağıtmak istediğiniz ortama bağlı olarak Web Hizmetini Dağıt [Klasik] veya Web Hizmeti Dağıt [Yeni] seçeneğini belirleyin.
Web hizmetiniz artık dağıtılır ve buna tahmine dayalı bir Web hizmeti gibi erişebilir ve yönetebilirsiniz.
Web hizmetinizi güncelleştirme
Denemenizi bir Web hizmeti olarak dağıttığınız için, bunu güncelleştirmeniz gerekiyorsa ne yapmanız gerekir?
Bu, güncelleştirmeniz gerekenlere bağlıdır:
Girişi veya çıkışı değiştirmek veya Web hizmetinin verileri işleme şeklini değiştirmek istiyorsunuz
Modeli değiştirmiyor ancak yalnızca Web hizmetinin verileri işleme şeklini değiştiriyorsanız, tahmine dayalı denemeyi düzenleyebilir ve Ardından Web Hizmetini Dağıt'a tıklayıp Web Hizmetini Dağıt [Klasik] veya Web Hizmetini Dağıt [Yeni] öğesini yeniden seçebilirsiniz. Web hizmeti durdurulur, güncelleştirilmiş tahmine dayalı deneme dağıtılır ve Web hizmeti yeniden başlatılır.
Aşağıda bir örnek verilmiştir: Tahmine dayalı denemenizin, tahmin edilen sonuçla birlikte giriş verilerinin tamamını döndürdüğü varsayılır. Web hizmetinin yalnızca sonucu döndürmesini istediğinize karar vekleyebilirsiniz. Bu nedenle, sonuç dışındaki sütunları dışlamak için, çıktı bağlantı noktasından hemen önce tahmine dayalı denemeye bir Proje Sütunları modülü ekleyebilirsiniz. Web Hizmetini Dağıt'a tıklayıp Web Hizmetini Dağıt [Klasik] veya Web Hizmetini Dağıt [Yeni] öğesini yeniden seçtiğinizde, Web hizmeti güncelleştirilir.
Modeli yeni verilerle yeniden eğitmek istiyorsunuz
Makine öğrenmesi modelinizi korumak ancak yeni verilerle yeniden eğitmek istiyorsanız iki seçeneğiniz vardır:
Web hizmeti çalışırken modeli yeniden eğitme - Tahmine dayalı Web hizmeti çalışırken modelinizi yeniden eğitmek istiyorsanız, bunu eğitim denemesinde birkaç değişiklik yaparak yeniden eğitme denemesi yapabilir, ardından yeniden eğitme web hizmeti olarak dağıtabilirsiniz. Bunun nasıl yapılacağını gösteren yönergeler için bkz . Machine Learning modellerini program aracılığıyla yeniden eğitme.
Özgün eğitim denemesine geri dönün ve modelinizi geliştirmek için farklı eğitim verileri kullanın- Tahmine dayalı denemeniz Web hizmetine bağlıdır, ancak eğitim denemesi bu şekilde doğrudan bağlantılı değildir. Özgün eğitim denemesini değiştirir ve Web Hizmetini Ayarla'ya tıklarsanız, dağıtıldığında yeni bir Web hizmeti oluşturacak yeni bir tahmine dayalı deneme oluşturur. Yalnızca özgün Web hizmetini güncelleştirmez.
Eğitim denemesini değiştirmeniz gerekiyorsa, bir kopyasını oluşturmak için bu denemeyi açın ve Farklı Kaydet'e tıklayın. Bu, özgün eğitim denemesine, tahmine dayalı denemeye ve Web hizmetine dokunulmadan kalır. Artık değişikliklerinizle yeni bir Web hizmeti oluşturabilirsiniz. Yeni Web hizmetini dağıttıktan sonra önceki Web hizmetini durdurup durdurmayacağınız veya yeni hizmetle birlikte çalışmaya devam edip etmeyeceğinize karar vekleyebilirsiniz.
Farklı bir model eğitmek istiyorsunuz
Özgün tahmine dayalı denemenizde farklı bir makine öğrenmesi algoritması seçme, farklı bir eğitim yöntemi deneme gibi değişiklikler yapmak istiyorsanız, modelinizi yeniden eğitmek için yukarıda açıklanan ikinci yordamı izlemeniz gerekir: eğitim denemesini açın, kopyasını oluşturmak için Farklı Kaydet'e tıklayın ve ardından modelinizi geliştirmenin yeni yolunu başlatın. tahmine dayalı denemeyi oluşturma ve web hizmetini dağıtma. Bu, özgün hizmetle ilgili olmayan yeni bir Web hizmeti oluşturur. Hangisinin veya her ikisinin de çalışmaya devam edeceğine karar vekleyebilirsiniz.
Sonraki adımlar
Geliştirme ve deneme süreci hakkında daha fazla bilgi için aşağıdaki makalelere bakın:
- denemeyi dönüştürme - Modelinizi Machine Learning Studio'da dağıtıma hazırlama (klasik)
- Web hizmetini dağıtma - Machine Learning web hizmetini dağıtma
- modeli yeniden eğitme - Machine Learning modellerini program aracılığıyla yeniden eğitme
Tüm sürecin örnekleri için bkz: