Azure Machine Learning nedir?
Azure Machine Learning, makine öğrenmesi sistemlerinin uçtan uca yaşam döngüsünü oluşturmaya ve yönetmeye yönelik bir platformdur. Azure Machine Learning çerçeveden bağımsızdır ve TensorFlow, PyTorch, ONNX, MLFlow ve Scikit-learn gibi tercih ettiğiniz teknolojilerle çalışma esnekliği sağlar.
Azure Machine Learning, ML çerçevelerini bilen kullanıcıların kod kullanarak modelleri hızlı bir şekilde eğitip dağıtmasını sağlarken diğer kullanıcılara güçlü görsel araçlar sunar. Tüm eğitim betikleriniz, modelleriniz, günlükleriniz ve işlemleriniz Azure Machine Learning'de paylaşılan bir çalışma alanında merkezi hale getirilir. Bu, makine öğrenmesi sistemlerini oluşturma ve dağıtmanın her adımında size yardımcı olur; diğer bir deyişle Azure Machine Learning gerisini yaparken modellere odaklanabilirsiniz.
Azure Machine Learning, veri ve modellerin günlüğe kaydedilmesini, izlenmesini ve yönetilmesini destekleyen kapsamlı bir özellik paketine sahiptir ve modellerinizin hedeflenen ve proje katılımcılarına etkili bir şekilde iletildiğinden emin olur.
Azure Machine Learning stüdyo nedir?
Azure Machine Learning stüdyosu, web kullanıcı arabirimi aracılığıyla modelleri görsel olarak oluşturmak, eğitmek ve yönetmek için kod içermeyen ve kod öncelikli çözümler sağlayan tarayıcı tabanlı bir hizmettir. Azure Machine Learning stüdyosuİşbirliğine dayalı notlar ve kodlama için yerel olarak desteklenen Jupyter Notebook'larla sorunsuz bir şekilde tümleştirmeye yönelik Python SDK'sı. Azure Machine Learning stüdyosu içindeki verilerin sezgisel veri görselleştirmesi ve yapay zeka destekli görüntü veya metin etiketleme özellikleriyle yönetilmesi kolaydır.
Model Oluşturma
Modeller Azure Machine Learning'de çeşitli yollarla oluşturulabilir. Eğitim, sanal makine veya işlem kümesi gibi yerel bir makinede veya Azure bulutu üzerinde gerçekleşebilir.
Python ile kod
Python için Azure Machine Learning SDK'sı ile Jupyter Notebooks dahil olmak üzere birden çok ortamdan hizmetle etkileşim kurabilirsiniz. Not defterleri çalıştırılabilir kod, görselleştirmeler ve açıklamalar için işbirliğine dayalı bir ortam sağlar. Studio'da Azure Machine Learning'i kullanmaya başlamak için kullanabileceğiniz örnek not defterleri bulunur.
AutoML
Otomatik Makine Öğrenmesi (AutoML), veri bilimi uzmanlığınız ne olursa olsun verileriniz için en iyi modeli bulmanıza yardımcı olarak en iyi makine öğrenmesi modellerini oluşturmayı otomatikleştirir. Sınıflandırma, regresyon ve zaman serisi tahmininde uzman olan AutoML, göreve bağlı olarak farklı özellikler, algoritmalar ve parametrelerle denemeler gerçekleştirir ve ardından en uygun olduğunu düşündüğü modellerde puanlar sağlar. Bu modeller daha sonra olduğu gibi dağıtılabilir veya çeşitli platformlarda ve cihazlarda çalışabilen bir ONNX biçimine aktarılabilir. AutoML'nin çok yönlülüğü ve hızı, genellikle hem deneyimli hem de acemi veri bilimciler tarafından başlangıç noktası olarak kullanıldığı anlamına gelir.
AutoML'yi Azure Machine Learning stüdyosu veya Python SDK'sı aracılığıyla kullanabilirsiniz.
Aşağıdaki görüntüde AutoML işlem hattı derlemesine genel bir bakış görebilir ve model önerebiliriz.
Tasarımcı
Kod içermeyen bir seçeneği tercih ediyorsanız azure machine learning Tasarım Aracı Azure Machine Learning stüdyosu veri kümelerini ve modülleri işlemek için sürükle ve bırak denetimlerini içeren görsel bir tuval sunar. Azure Machine Learning Tasarım Aracı içindeki modüller, veri giriş işlevlerinden eğitim, puanlama ve doğrulama süreçlerine kadar çeşitli amaçlara sahip olabilecek algoritmalardır. Bu bağlantılı modüller, aşağıdaki örnekte görüldüğü gibi ML modellerini derlemek, test etmek ve dağıtmak için etkili ML işlem hatları oluşturur.
İşlem
ML ortamınız için ihtiyacınız olan bilgi işlem kaynakları Azure Machine Learning aracılığıyla ayrılabilir veya eklenebilir. Jupyter not defterlerinizi keşif veri analizi için destekleyen işlemden eğitim için kullanacağınız kümelere ve büyük ölçekte üretim çıkarım için dağıttığınız yönetilen uç noktalara kadar her şey Azure Machine Learning aracılığıyla oluşturulabilir ve yönetilebilir.
Verileri yönetme
Azure Machine Learning ile yoğun veri hazırlama ve veri alımı süreci kolaylaştırılmış ve işbirliğine dayalı olarak çalışılabilir. Platform Azure Synapse, Azure Databricks ve veri deposuna ham verileri ayıklama, dönüştürme ve yükleme (ETL) için veri mühendisliği işlem hatlarına yardımcı olan bir diğer Azure hizmetleri paketiyle sorunsuz bir şekilde tümleştirilir.
Veri depoları ve etiketleme
Azure Machine Learning ham verilerinizi güvenli bir şekilde veri deposunda depolar, böylece betikleriniz için dış kaynaklara güvenmeniz gerekmez ve eğitim kümeleriniz özgün ham verilerin bütünlüğünü riske atmadan denemeler yapılabilir. Depolandıktan sonra verileri temizleyebilir, dönüştürebilir ve etiketleyerek veri deposundan eğitim kümeleri oluşturabilirsiniz. Azure Machine Learning, etiket önerebilen veya veri etiketlemeyi tamamen otomatikleştirebilen yerleşik makine öğrenmesi sistemleriyle tablosal, görüntü ve metin verilerini etiketlemeye yardımcı olacak araçlar sunar. Aşağıdaki örnekte, Azure Machine Learning stüdyosu insan tarafından yönetilen çok etiketli bir sınıflandırma projesi gösterilmektedir.
MLOps
Dağıtıldığında mükemmel çalışan modeller de dahil olmak üzere tüm modeller, yüksek performansı korumak için zaman içinde izleme ve yeniden eğitme gerektirir. Azure Machine Learning, kolay dağıtım için veri hazırlama, eğitim, puanlama ve yeniden kullanılabilir yazılım ortamları için yinelenebilir adımlar oluşturmaya yönelik Machine Learning İşlemleri (MLOps) özellikleri sağlar. Bu yeniden üretilebilir işlem hatları ve ortamlar, makine öğrenmesi iş akışınıza sürekli tümleştirme/sürekli teslim (CI/CD) deneyimi sunar.
Bu özelliklere ek olarak Azure Machine Learning, ML yaşam döngüsü içindeki olayları size bildirmek ve hatta bunlara tepki vermek için MLOps izleme araçları da sağlar. Bu denetimle, azalan model performansını veya veri kümelerindeki sorunları hızla belirleyebilir ve bunlara yanıt verebilirsiniz. İdare bilgileri Azure Machine Learning'de de sağlanır; böylece tam çalıştırma geçmişini görüntüleyebilir ve model yaşam döngüsü içindeki ekip üyelerinin eylemlerini izleyebilirsiniz.