Azure Machine Learning nasıl çalışır?
Azure Machine Learning'i kullanmak için bir Azure hesabı ve Azure aboneliği gerekir. Abonelik standart ve ücretsiz fiyatlandırma katmanlarına sahiptir ve hizmete erişmek için bir uç nokta ve abonelik anahtarı sağlar.
Bulutta veya yerel makinenizde Python yazılım geliştirme seti (SDK), REST API ve Komut Satırı Arabirimi (CLI) uzantısı aracılığıyla Azure Machine Learning'e erişebilirsiniz. Düşük veya kod içermeyen seçenekleri tercih ediyorsanız makine öğrenmesi modellerini hızla eğitmek ve dağıtmak için Azure Machine Learning stüdyosu kullanılabilir.
Azure Machine Learning, bir çalışma alanında ML yaşam döngüsü için ihtiyacınız olan tüm kaynakları yönetir. Çalışma alanları birden çok kişi tarafından paylaşılabilir ve not defterleriniz, eğitim kümeleriniz ve işlem hatlarınız için kullanılabilir bilgi işlem kaynakları gibi öğeleri içerebilir. Çalışma alanları ayrıca veri depolarınız için mantıksal kapsayıcılar, modeller için bir depo ve model yaşam döngüsü içindeki diğer öğelerdir.
Makine öğrenmesi modelleri oluşturma
Modeller SDK kullanılarak oluşturulabilir, ML çerçevelerinden içeri aktarılabilir veya Azure Machine Learning stüdyosu kullanılarak kod olmadan oluşturulabilir. Bir çalışma alanına bağlandığınızda, TensorFlow ve PyTorch gibi popüler çerçeveler için seçilmiş ortamlar içeren önceden yüklenmiş paketler içeren çeşitli geliştirme ortamlarını seçebilirsiniz. Daha sonra bir eğitim betiğini yerel olarak veya bir sanal makinede çalıştırarak model oluşturmak için işlem hedefleri seçilebilir. Azure Machine Learning içindeki işlem hedefleri, GPU ve CPU kaynaklarını verimli bir şekilde kullanmak için işlerin ölçeğini otomatik olarak artırıp yönetebilir.
Çalıştırmaların durumu SDK, Azure İzleyici ve Azure Machine Learning stüdyosu veya MLFlow ve TensorBoard çalıştırmak için paketler yüklenerek yerel olarak günlüğe kaydedilebilir ve izlenebilir. Daha sonra eğitim çalıştırmalarının görselleştirmesi Azure studio veya çalışma alanında görüntülenebilir ve sonuçlarda ve ölçümlerde detaya gidebilirsiniz.
Aşağıdaki örnekte, Azure Machine Learning stüdyosu görselleştirmesinin grafik eklemek, verileri karşılaştırmak ve sonuçlarınızı ve ölçümlerinizi daha iyi analiz etmek için filtreler uygulamak için nasıl özelleştirilebileceğini görebiliriz.
Denemeler
Azure Machine Learning'de bir modeli eğitmek için bir deneme çalıştırırsınız; bu, izlenen ölçümler ve çıkışlar oluşturabilen bir eğitim betiği çalıştırılır. Aynı denemeyi farklı hiper parametreler, veriler, kod veya ayarlarla birden çok kez çalıştırabilirsiniz. Çalışma alanı günlükler, ölçümler, çıkışlar ve ortamdaki betiklerinizin anlık görüntüsü de dahil olmak üzere tüm eğitim çalıştırmalarının geçmişini tutar. İşbirliğine dayalı bir projede, deneme günlükleri ilerleme durumunu gözden geçirmek ve izlemek için harika bir yoldur. Modelleri kimin yayımladığını veya değiştireceğini, değişikliklerin neden yapıldığını ve modellerin ne zaman dağıtıldığını veya üretimde kullanıldığını gösterebilirler.
Pipelines
İşlem hattı, veri hazırlama, eğitim, test ve dağıtım gibi eksiksiz bir makine öğrenmesi görevinin iş akışıdır. İşlem hatlarının birçok kullanımları vardır. Modelleri eğiten, gerçek zamanlı tahminlerde bulunan veya yalnızca verileri temizleyen bir işlem hattı oluşturabilirsiniz. İşlem hattındaki her adım bağımsız olduğundan, aynı işlem hattı içinde aynı anda birden çok kişi farklı adımlar üzerinde çalışabilir. Azure Machine Learning İşlem Hatları yalnızca girişleri değiştirilmiş olan adımları yeniden çalıştırarak size zaman kazandırabilir. Bu da hiper parametrelerde veya diğer adımlarda değişiklik yapmanız durumunda çalışma zamanlarını önemli ölçüde azaltır. Hem Azure Data Factory hem de Azure Pipelines, Azure Machine Learning için kullanıma hazır işlem hatları sağlar, böylece altyapı yerine makine öğrenmesine odaklanabilirsiniz.
Veri varlıkları
Veri depolarından, genel URL'lerden ve Azure Açık Veri Kümelerinden veri varlıkları oluşturabilirsiniz. Bir veri varlığı oluşturarak veri kaynağı konumuna başvurursunuz; bu nedenle eğitim kümelerinden ve işlem hatlarından alınan veriler özgün veriler değiştirilmeden depolanır. Daha sonra veri varlıkları, ekipler, roller ve denemeler arasında yeniden kullanım ve paylaşıma hızlı bir şekilde izin vermek için kaydedilebilir, sürüm oluşturulabilir, izlenebilir ve izlenebilir. Yeniden üretilebilir denemelerin sürümü de mümkündür ve böylece veri uygulanabilirliği ve model performansı daha iyi analiz edilebilir.
Azure Machine Learning, yeni depolanan verileri düzenli aralıklarla artımlı yenilemeyle denetleyerek veri deposuna yeni veriler eklendiğinde veri varlıklarının otomatik olarak güncelleştirilebilmesini sağlar. T
Etiketleme
Veri etiketleme , etiketleme görevlerini oluşturmak, yönetmek ve izlemek için merkezi bir yerdir. Tüm veri etiketleme projeleri, ekip üyelerinin ilerleme durumunu görüntüleyebildiği ve işbirliğine dayalı etiketleme projelerinde yardımcı olabileceği Azure Machine Learning stüdyosu veya çalışma alanı panosu aracılığıyla yönetilebilir. Burada, ekip üyelerinin ML etiketleme modellerini eğitmek için el ile etiket eklemesine olanak sağlayan döngüde insan etiketlemesi yapılabilir. Yeterli etiket gönderildikten sonra, etiketleri tahmin etmek için bir sınıflandırma modeli kullanılır. Ekip üyeleri daha sonra etiketleme modelinin doğruluğunu eğitmeye yardımcı olmak için ML etiketli verilerin örneklerini kabul edebilir veya reddedebilir. Sonunda model, yardım almadan verileri etiketleyebilecektir.
Aşağıda, Azure Machine Learning stüdyosu'da devam eden bir etiketleme görevinin örneğini görebilirsiniz.
Makine öğrenmesi modellerini dağıtma
Azure Machine Learning, dağıtım için Docker kapsayıcılarındaki modelleri paketleyebilir ve çalıştırabilir. Bu kapsayıcılar çalıştırma betiğinden ayrıdır, bu nedenle betiği değiştirmeden bırakırken modellerinizi geliştirilmişlerle hızlı bir şekilde değiştirebilir veya güncelleştirebilirsiniz.
Modeli, iOS, Android ve Linux gibi olası dağıtım platformlarında ve cihazlarda geniş esneklik sağlayan Açık Sinir Ağı Değişimi (ONNX) biçimine de indirebilirsiniz.
Azure Machine Learning, önceden yüklenmiş Python paketleri ve ayarlarıyla kararlı ortamlar içeren önceden paketlenmiş kapsayıcı görüntüleri sağlar. Bu kapsayıcı görüntüleri, minimum kurulumla TensorFlow ve PyTorch gibi popüler makine öğrenmesi çerçevelerine dağıtmanıza yardımcı olur.