Azure Machine Learning Studio'ya Giriş

Azure Machine Learning Studio, veri bilim insanları ve makine öğrenme mühendislerini kodlama yeterliliklerine bakılmaksızın verimli bir şekilde kullanan bulut tabanlı bir platformdur. tam makine öğrenme yaşam döngüsü için veri hazırlığı ve izleme ve izleme eğitiminden, platform tam kod yetenekleriyle birleştirir, mevcut tekliflerle birlikte, kodlama yeterliliklerine bakılmaksızın verimli bir şekilde çalışma sağlar. as Azure ML Studio (classic) ve daha sonra modernize edilmiş olarak tasarlanmıştır.

Azure Machine Learning Studio Nedir?

Ana bölümünde, Azure Machine Learning Studio, tüm ML varlıklar için kontrol uçağı olarak hizmet eden bir web tabanlı portaldır. Data bilim adamları veri setlerine, deneylere, boru hatlarına, modellere, uç noktalarına ve bir paniğe sahip olan veri hesaplamalarına izin verir. Platform hem düşük kodlu görsel yazarlığını destekler (ENDÜT:0).

Platform Azure'un global altyapısı üzerinde inşa edilmiştir, ölçeklenebilir hesaplama (CPU, GPU ve FPGA kümeleri), entegre veri depolama (Azure Blob, Data Lake, SQL), ve Azure Synapse Analytics, Azure Deva ve Power BI gibi diğer Azure hizmetleri için yerel bağlantı.

Azure ML Studio'dan kimler Faydaları?

Azure Machine Learning Studio geniş bir rol yelpazesine hitap ediyor:

  • [FONT:0)Data Bilim insanları ), hızlı prototipleme ve deney için verimli bir ortam isteyenler, sürümleme, kayıt ve yenidenroditeasyon inşa edilen sürüm ile.
  • [FONT=0)ML Mühendisleri ), CI/CD boru hatlarıyla modellemeye ihtiyaç duyan, A/B testi ve gerçek zamanlı veya toplu taşıma.
  • [FONT:0)İş Analistleri [[Döneticileri ve görsel tasarımcıyı derin kodlama becerileri olmadan tahmin edici modeller oluşturmak için kullananlar[Döneticiler[Döneticiler)
  • [FONT:0] Yöneticileri[Dönetici, maliyet kontrollerini ve güvenlik politikalarını ortak çalışma alanlarıyla yürütenler.

Data Bilim Adamları için Anahtar Özellikler

Azure Machine Learning Studio, son bitim ML akışını hızlandırmayı amaçlayan zengin bir özellik paketini paketliyor. Aşağıda veri bilim adamları ile ilgili en uygun yeteneklerin var.

Görsel Tasarımcı ve Drag-and-Drop Interface

[FONT=0]designer[[Döneticileri değiştir] Azure ML Studio, veri bilim adamlarının önceden paketlenen modülleri sürükleyerek makine öğrenme hatları oluşturabileceği bir tuval sunuyor.Her modül, bir veri dönüşümü, bir eğitim algoritması veya bir puanlama kodu, ölçeklendirme özellikleri, bölme verileri veya değerlendirme modelleri gibi ortak görevleri ortadan kaldırır. Ayrıca gerektiğinde kütüphaneyi genişletebilir.

Pre- built Modules and Algorithm Selection

Azure ML Studio, ML sürecinin her aşamasını kapsayan yüzlerce önceden inşa edilmiş modül içermektedir:

  • [FONT:0)Data dönüşümü:[Döneticileri temiz eksik olan verileri, normalize sütunları, kategorik özellikleri yaratır ve istatistiksel yöntemleri uygular.
  • [FONT:0)Klasikleştirme, regresyon ve kümeleme algoritmaları: Karar ormanları, sinir ağları, lojistik regresyon, k-means, destek vektör makineleri ve daha fazlası.
  • [FONT:0) Model değerlendirmesi:[Döneticiler, ROC eğrileri, asansör grafikler ve regresyon ölçümleri.
  • [FONT:0)Text Analytics:[Dönetici:[Dönetici] Özelliğe sahip, n-gram ekstraksiyonu, geç Dirichlet tahsisi.

Bu modüller dağıtılmış hesaplama üzerinde çalıştırabilecek optimize edilmiş uygulamalar tarafından destekleniyor, bu nedenle veri bilim adamları, boru hattını değiştirmeden küçük veri setlerinden ölçeklenebilir.

Otomatik Makine Öğrenme (AutoML)

Azure ML Studio'nun stand özelliklerinden biri, eğitim verileri ve hedef ölçümünü (örneğin, doğrulama, AUC, RMSE) otomatik olarak algoritmaların ve işlem öncesi adımların yüzlercesini otomatikleştirmektedir.Data bilim adamları, en iyi model için açıklamalar sağlar ve verileri belirtirler.

Azure Hizmetleri ile entegrasyon

Azure ML Studio izolasyonda bulunmuyor; Daha geniş Azure ekosistemiyle derinden entegre edilir:

  • [FONT:0)Azure Data Lake Storage ve Blob Storage ham ve işlenmiş verileri depolamak için.
  • [FONT=0) Azure Synapse Analytics[Döneticileri için büyük ölçekli veri hazırlığı ve sorgulama için.
  • [FONT:0)Azure DevOps ve GitHub MLOps boru hatları için sürekli entegrasyon ve modellerin dağıtımını sağlar.
  • [FONT=0) {0}Üye:0) Azure Kubernetes Servisi (AKS)[Döneticileri dağıtmak için, düşük seviyeli inferans uç noktaları.
  • [FONT:0)Azure Cosmos DB küresel olarak dağıtılan uygulamalarda tahminlere hizmet etmek için.
  • [FONT=0)Power BI[[DÜDÜT:1), ML tahminlerini doğrudan iş raporlarına gömmek için.

Bu entegrasyonlar bir model inşa edildiğinde, minimum sürtünme ile üretim iş akışlarına dağıtılabilir.

Sorumlu AI Cap Yükü

Modern veri bilimi, adilliği ve hesap verebilirliği göz önünde bulundurmalıdır. Azure ML Studio, SHAP ve permutasyon gibi teknikleri kullanarak küresel ve yerel bir özellik önemini içerir.[FONTD: 5 ) Veri bilim adamlarının önyargıyı değerlendirmelerine ve azaltmalarına yardımcı olan araçlar, model davranışını açıklamalarını sağlar ve uygun şekilde yorumlanabilirlik sağlar.

Azure Machine Learning Studio ile Başlanmak

Azure Machine Learning Studio kullanmaya başlamak için, veri bilim adamları çevre kurulumu, veri yönetimi, modelleme ve dağıtım içeren yapılandırılmış bir iş takip etmelidir.

Azure ML Workspace'i kurmak

Azure ML Studio'daki her proje bir iş alanı ile başlar:0.İş alanı[Dönetici:0). Bir çalışma alanı, tüm deneyler, veri setleri, hesap hedefleri, modeller ve dağıtımları.Bir iş alanı oluşturmak için Azure portalı, bir rehber oluşturma yazılımı veya veri bilim insanları Python SDK'sını kullanarak bir çalışma alanı programına dönüşebiliyor.Bir çalışma alanı hazır olduğunda, veri alanı, veri kümesine erişim sağlayabilir.

Data Hazırlık ve Ingestion

Veriler birden fazla kaynaktan Azure ML Studio'ya kadar uygulanabilir. Platform destekleyebilir:

  • Yerel dosyaları (CSV, Parkt, JSON) doğrudan UI aracılığıyla yükleyin.
  • ARAPÇ:0)datastores[[Döneticileri: [Döneticileri:0] dış depolama hesaplarının (Blob, ADLS Gen2, SQL Database).
  • Kayıt:0)datasets[[Dönetici:0)[Döneticileri]], sürüm ve profilleme ile veri yollarını kaplayan.

Veriler erişilebilir olduğunda, tasarımcı veri temizliği ve hazırlığı için modüller sunar. Örneğin, [[Döneticileri )Clean Missing Data) modülü, mak-max veya diğer yöntemler kullanarak sayısal senaryolar da uygulamaktadır.

Tasarımcı ile bir Model inşa edin

Bir model görsel oluşturmak için:

  1. Tasarımcı tuvaline bir veri kümesi modülü sürükleyin ve kayıtlı veri setine bağlanır.
  2. Bir Üst Seviyeye Ekle:0)Split Data) Verileri eğitim ve test setlerine bölmek için modül (örneğin 80/20).
  3. [[Dönetici:0) İki sınıf Boosted Decision Tree[DÜT:1) veya [[Dönerge Regresyon[DÜDÜye Olmayanlar İçin Tıklayınız.
  4. Bir Üst Seviyeye Ekle:0)Tren Modeli[[Dönetici:0) Karşılaştırma ve algoritma ile eğitim verileriyle bağlantı kurun.
  5. Eğitimli modeli bir şekilde aritFLT:0)Score Model test verileri ile birlikte modüle bağlayın.
  6. Bir YDYÜ:0)Evaluate Model[Dönetici: 1 ) Performans ölçümlerini oluşturmak için modül.
  7. Bir hesap hedefi (örneğin, 0:0)Compute Instance) veya )Compute Cluster) ve boru hattını gönder.

Tasarımcı otomatik olarak tüm ölçümler, parametreler ve iş alanında çıktılar, tekrarlanabilirlik ve karşılaştırmalar sağlar.

Compute Targets ile Scale'te eğitim

Daha büyük veri setleri veya daha karmaşık modeller için, veri bilim adamları iş talebine göre otomatik olarak kullanılmalıdır; çünkü bilgi bilim adamları GPU kümelerini (NC, ND, NV serisi) destekler veTorres ile çerçeveler kullanabilir ve ilgili Azure, 10'lar veya GPU örneklerini kullanarak çerçeveler kullanabilir.

Bir Web Servisi olarak bir Modelle işleniyor

Eğitim ve değerlendirmeden sonra, model gerçek zamanlı veya toplu çıkarım uç noktası olarak dağıtılabilir. Stüdyodaki dağıtım süreci basit:

  • İş uzay modeli kayıtlarında eğitimli modeli kayıt edin.
  • Bir puanlama senaryosu oluşturun ([Dön 1: 1 ), modele yük ve tahminleri geri döndürür.
  • Bir ortamı tanımlamak (Conda bağımlılıkları, Docker imajı) veya tedavi edilmiş bir ortam kullanın.
  • Bir hesap hedefi seçin: [[0Azure Kubernetes Servisi (AKS) [Döneticileri üretim için geçerli zaman puanlama veya [[Dönem:2)Azure Konteyner Instances (ACI)) düşük ölçekli test için.
  • Doğrulama (key tabanlı veya Azure AD) ve dağıtım ayarları.
  • İşi ve uygulamalar tarafından tüketilebilecek bir REST uç noktası URL'si alın.

Azure ML Studio ayrıca trafik bölmesi ile modelleme ve A/B dağıtımlarını destekler, güvenli yuvarlanma ve kanary test sağlar.

Azure ML Studio kullanarak Data Bilim adamları için en iyi uygulama

Platformun en çok çıkmasını sağlamak için, veri bilim adamları aşağıdaki uygulamaları benimsemelidir.

Data Quality and Versioning

Her zaman profil ve verileri eğitimden önce doğrulayın.Use theurFLT:0)Data Drift Monitor[Döneticileri zamanla dağıtımda takip etmek için ). Deneyler tam olarak yeniden üretilebilmesi için sürüm numaraları ile kayıt veri kümeleri kullanın. Veriler doğrudan iş alanından kaçının; bunun yerine, güvenli erişimle dış veri depoları kullanın.

Deney İzleme ve Logging

Farklı problemler veya hipotez testleri için ayrı bir test oluşturabilir.Respace otomatik olarak sonuçları ele alır ve en iyi performansları elde etmek için kolaylaşır. Tag daha sonra tekrarlanabilir.

Hiperparametre Tuning

Donanımlı sistemler için aramadan kaçının. Azure ML'nin [[Dönetici:0)HyperDrive) daha verimli arama için çalıştırılan hizmettir.

Model Yorumability

Her zaman modelleme açıklamalarını ekleyin, özellikle de düzenlenmiş endüstriler için.Yapılan yorumlar için pencereden küresel ve yerel özellik önemini ortaya koyar. Azure ML Studio, güven inşa etmek için paydaşları ile açıklayın.(0)SHAP).

Scale Sorumlulukla Compute Targets

Geliştirme için küçük bir hesaplama örneği ile başlayın, sonra üretim eğitimi için bir kümeye taşınır.Malzeme işleri için düşük öncelikli VM'leri maliyet azaltmak için kullanın. Boş zamanlarınızı otomatik olarak hesaplamak için ayarlar. Azure Cost Management kullanarak ve iş alanı başına bütçeler veya uyarılar oluşturun.

Azure ML Studio vs. Diğer Bulut ML Platformları

Veri bilim adamları genellikle Azure ML Studio'yu Google Vertex AI ve Amazon SageMaker gibi rakiplerle karşılaştırır. İşte nasıl yığılırlar.

Google Vertex AI ile Karşılaştırma

Google Vertex AI, AutoML, özel eğitim ile birleşik bir platform sunuyor ve tahmin uç noktaları yönetiyor. Vertex AI, BigQuery ve TensorFlow gibi Google Cloud hizmetleriyle entegrasyonda başarır. Azure ML Studio, ancak, Microsoft'un ekosistemine daha zengin ve daha derin bağlar sağlar (Office 365, Power BI, Dynamics).

Amazon SageMaker ile Karşılaştırma

Amazon SageMaker, geniş bir dokümantasyon ve geniş bir yerleşik algoritmaları ile olgun bir ML servisidir. SageMaker'ın gücü, AWS altyapısı ve Ground Truth etiketi ile derin entegrasyon konusunda yatıyor. Azure ML Studio maçlarını SageMaker AutoML, boru hatları ve MLOps gibi özellikler üzerinde paylaşıyor ve deney ve veri yönetimi için daha sezgisel bir UI sunuyor.

Azure ML Studio'yu Ne Zaman Seçilir

Azure ML Studio, ne zaman en iyi seçimdir:

  • Ekibiniz zaten Azure'u hesaplama, depolama veya veri analizi için kullanıyor.
  • Veri bilim adamları veya iş analistleri için derin programlama becerileri olmadan düşük kodlu bir yola ihtiyacınız var.
  • Sorumlu AI ve önyargı algılama büyük gereksinimleridir.
  • Power BI, Dynamics 365 veya Microsoft 365 uygulamaları ile sıkı entegrasyon istiyorsunuz.
  • Azure DevOps veya GitHub Actions kullanarak MLOps boru hatları inşa ediyorsunuz.

Gerçek Dünya Vakaları Kullanıyor

Azure Machine Learning Studio karmaşık tahmin edici sorunları çözmek için endüstriler genelinde uygulanır. İşte üç ortak örnek.

Tahmin edici Bakım

Bir üretim şirketi, gerçekleşmeden önce hataları tahmin etmek için sensör verilerini kullanır. Azure ML Studio ile veri bilim adamları IoT verilerini Azure Event Hubs'e taşırlar, Blob Storage'da depolayın ve bir zaman serisi tahmin modeli oluşturmak için tasarımcıyı kullanın. Model Azure Monitor'te dağıtılır ve uyarıları azaltır.

Müşteri Churn Prediction

Bir Telekomünikasyon sağlayıcısı, günlükleri, fatura tarihini ve müşteri destek etkileşimleri yüksek riskli müşterileri tanımlamak için analiz eder. AutoML kullanarak, veri bilimi ekibi yüksek hatırlamaya yarayan bir sınıflandırma modeli alır. Model, Power Automate aracılığıyla gerçek zamanlı son nokta olarak dağıtılır.Retention teklifleri otomatik olarak oluşturulur.

Dolandırıcılık Tespiti

Finansal bir kurum günlük milyonlarca işlem gerçekleştirmektedir. Veri bilim adamları Azure ML Studio Python SDK'yı her türlü uyarının arkasındaki nedeni anlamalarına yardımcı olur. Modeller her birkaç dakika süren bir dizi puanlama hattında dağıtılır ve şüpheli işlemler kılavuzluk için bayraklanır.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Azure Machine Learning Studio, veri yönetimi için en iyi uygulamaları takip etmek ve dağıtmak için kapsamlı, ölçeklenebilir ve kullanıcı dostu bir ortam sağlar. Görsel bir tasarımcının, otomatik ML, derin Azure entegrasyonunun kombinasyonunu ve sorumlu AI araçları, tüm beceri seviyelerinden itibaren güçlü bir seçim yapar.Data ML Studio, deney izleme ve dağıtım için en iyi uygulamaları takip ederek, veri bilim insanları, iş akışlarını hızlandırabilir ve gerçek iş etkisini yönlendiren yüksek kaliteli modelleri sunar.