Tout ce que vous devez savoir sur le service Azure Machine Learning

Cet article vous présentera l'essentiel de la mise en œuvre pratiques sur le service Azure Machine Learning. Les pointeurs suivants seront traités dans cet article,

• Azure Machine Learning
• Service Azure Machine Learning
• Le service cloud de machine learning
• Interface graphique
• API d'apprentissage automatique
• ML.NET
• AutoML

Commençons donc par cet article Azure Machine Learning,

Azure Machine Learning

L'avènement du cloud a marqué un nouveau départ dans l'infrastructure informatique. Cela signifie essentiellement que l'on peut utiliser des ressources qui auraient été extrêmement coûteuses à acheter autrement pour les utiliser sur Internet. L'apprentissage automatique, en particulier l'apprentissage en profondeur, nécessite l'utilisation d'architectures informatiques qui permettent l'utilisation d'une quantité extrêmement élevée de RAM et de VRAM (pour les cœurs Cuda). Ces deux produits sont difficiles à acquérir pour deux raisons principales -

1. Les ordinateurs portables pour un, ne peuvent contenir qu'une quantité limitée de ressources dans le cadre dont ils disposent. Cela signifie qu'un utilisateur d'ordinateur portable typique ne peut pas avoir suffisamment de ressources à sa disposition pour effectuer les tâches d'apprentissage automatique localement sur la machine.

   
   
   

2. La RAM et en particulier la VRAM sont extrêmement coûteuses à l'achat et elles semblent être un investissement extrêmement élevé. En plus de la RAM et de la VRAM robustes, nous avons également besoin de prendre en charge des processeurs de haute qualité (sinon, le processeur s'avérerait être un goulot d'étranglement pour le système), ce qui augmente encore le prix global.

Passons à l'article Azure Machine Learning,

trouver la longueur du tableau javascript

Service Azure Machine Learning

En tenant compte des problèmes ci-dessus, nous pouvons facilement comprendre le besoin de ressources qui sont jetables à distance sur Internet avec un accès 24 * 7.

Azure ML est un service basé sur le cloud qui offre une expérience rationalisée aux data scientists à tous les niveaux. Ceci est particulièrement important en raison du fait que de nombreux nouveaux ingénieurs essaient d'entrer dans cet espace et il peut être particulièrement décourageant d'effectuer ces tâches sans une interface utilisateur intuitive.

(Source: Microsoft.com)

Azure ML est accompagné de ML studio, qui est essentiellement un outil basé sur un navigateur qui offre au scientifique des données une interface glisser-déposer facile à utiliser dans le but de créer ces modèles.

La plupart des algorithmes et bibliothèques très utilisés sont prêts à l'emploi pour les utilisateurs. Il dispose également d'un support intégré pour R et Python, permettant aux scientifiques chevronnés des données de modifier et de personnaliser leur modèle et son architecture à leur guise.

Une fois que le modèle est construit et prêt, il peut être facilement utilisé comme service Web qui peut être appelé par une pléthore de langages de programmation, le rendant essentiellement disponible pour l'application qui fait réellement face à l'utilisateur final.

Le Machine Learning Studio rend l'apprentissage automatique assez simple en fournissant un moyen de glisser-déposer dans lequel vous créez le flux de travail. Avec ML Studio et un grand nombre de modules qu'il propose pour modéliser le workflow, on peut faire des modèles avancés sans écrire de code.

L'apprentissage automatique commence par des données, qui peuvent provenir de diverses origines. Les données doivent généralement être «nettoyées» avant d'être utilisées, pour lequel ML Studio intègre des modules pour aider au nettoyage. Une fois que les données sont prêtes, on peut sélectionner un algorithme et «entraîner» le modèle sur les données et y trouver des modèles. Ensuite, vient la notation et l'évaluation du modèle, qui vous indique dans quelle mesure le modèle est capable de prédire les résultats. Tout cela est présenté visuellement dans ML Studio. Une fois le modèle prêt, quelques clics sur le bouton le déploient en tant que service Web afin qu'il puisse être appelé à partir des applications clientes.

ML Studio fournit des implémentations préenregistrées de vingt-cinq des algorithmes standard utilisés dans l'apprentissage automatique. Il les sépare en quatre sections.

• La détection d'anomalies est une méthode de classification d'objets, d'événements ou d'observations qui ne correspondent pas à un modèle conventionnel ou à d'autres éléments d'un ensemble de données.
• Les algorithmes de régression tentent de découvrir et de quantifier les relations entre les variables. En établissant une relation entre une variable dépendante et une ou plusieurs variables indépendantes, l'analyse de régression peut permettre de prédire la valeur d'une variable dépendante étant donné un ensemble d'entrées avec une précision quantifiable.
• Le but des algorithmes de classification est d'identifier la classe à laquelle appartient une observation en se basant sur des données d'apprentissage constituées d'observations déjà affectées à une catégorie.
• Le clustering cherche à empiler un tas d'objets de manière à ce que les objets du même groupe (appelé cluster) soient plus similaires les uns aux autres qu'à ceux des autres groupes (clusters).

Une fois étendu en tant que service Web, un modèle peut être utilisé avec des appels REST simplistes via HTTP. Cela permet aux développeurs de créer des applications qui tirent leur intelligence de l'apprentissage automatique.

Ce qui suit dans cet article Azure Machine Learning est un résumé rapide sur Azure et ses fonctionnalités

Passons à l'article Azure Machine Learning,

qu'est-ce qu'une application dans salesforce

Le service cloud de machine learning

Les services cloud permettent essentiellement à un utilisateur final de louer, ou d'utiliser les services (machines matérielles) déployés par une autre entreprise, à distance via Internet.

Le service Azure Machine Learning fournit des kits et des services de développement logiciel pour préparer rapidement les données, former et déployer des modèles ML personnalisés.Il existe un support prêt à l'emploi pour les frameworks Python open source, tels que PyTorch, TensorFlow et scikit-learn.Il faut envisager de l'utiliser s'ils ont besoin de créer des modèles personnalisés ou de travailler avec des modèles d'apprentissage en profondeur

Cependant, si vous êtes enclin à ne pas travailler en Python ou si vous souhaitez un service plus simple, ne l'utilisez pas.

Ce service nécessite beaucoup de connaissances et de connaissances en science des données et n'est pas recommandé pour les novices. Ne payez que les ressources pour former des modèles. Plusieurs niveaux de tarification pour le déploiement via Azure Kubernetes Service.

Passons à l'article Azure Machine Learning,

Interface graphique

Les interfaces graphiques ne sont pas des plates-formes de code ou de code bas basées sur des moyens d'accéder à des capacités telles que le ML. Certains d'entre eux peuvent être des listes déroulantes, dans ce cas, il s'agit d'un outil de glisser-déposer.

Azure Machine Learning Studio est un outil d'apprentissage automatique par glisser-déposer qui vous permet de créer, d'entraîner et de personnaliser des modèles d'apprentissage automatique en téléchargeant un ensemble personnalisé de données pour évaluer les résultats dans une interface graphique. Après avoir formé un modèle, vous pouvez le déployer en tant que service Web directement à partir du Studio.

Cette fonctionnalité est généralement utilisée lorsque le code à écrire doit être bas ou que le travail majeur est basé sur des problèmes fondamentaux tels que la classification, la régression et le clustering.

Cette approche est généralement conviviale pour les débutants, cependant, elle nécessite des connaissances de base en science des données.

Bien qu'il ait une option gratuite, le niveau standard coûte 9,99 $ par siège, par mois et 1 $ par heure d'expérimentation.

API d'apprentissage automatique

Une interface de programme d'application (API) est un service qui peut être fourni par une organisation qui peut envoyer des réponses à certaines requêtes et ces réponses peuvent être utilisées pour améliorer l'application.

que fait tostring en java

Cela nous permet d'avoir la flexibilité d'accéder à divers services sans enliser directement notre application principale.

Les services API de Microsoft sont appelés Cognitive Services. Ceux-ci peuvent être déployés directement sur Azure. Il existe cinq classes de services disponibles: vision, langage, parole, recherche et décision. Ce sont des modèles pré-formés qui conviennent aux développeurs qui sont enthousiastes à l'idée d'utiliser le Machine Learning mais qui n'ont pas une formation en science des données.

Cependant, ces services sont insuffisants en matière de personnalisation et ne sont donc pas recommandés dans les cas où beaucoup de choses sont bien définies, les exigences ne sont pas flexibles.

Passons à l'article Azure Machine Learning,

ML.NET

Les cadres sont un code de plan général sur lequel on peut construire sa propre application. Les frameworks permettent de gérer les fonctionnalités de niveau inférieur, de sorte qu'il suffit de s'occuper de leur logique d'application.

ML.NET possède des algorithmes de classification, de régression, de détection des anomalies et de formation de recommandation et peut être étendu avec Tensorflow et ONNX pour les réseaux de neurones.

Cela peut être d'une grande utilité pour un développeur .NET qui est à l'aise pour créer ses propres pipelines ML.Cependant, la courbe d'apprentissage signifie que les développeurs python généraux doivent rester à l'écart.

Passons à l'article Azure Machine Learning,

AutoML

L'apprentissage automatique automatisé a récemment attiré beaucoup d'attention.Il s'agit d'un logiciel qui sélectionne et forme automatiquement des modèles d'apprentissage automatique. S'il est facile de penser qu'il peut techniquement remplacer le travail d'un data scientist, quelqu'un qui l'a réellement utilisé le sait clairement, il y a des limites à ce qu'il peut et ne peut pas faire.

La méta actuelle (sans AutoML) pour les scientifiques des données serait de créer d'abord un modèle de base, puis d'itérer les différentes possibilités d'hyper paramètres, manuellement jusqu'à ce qu'ils arrivent sur un ensemble de valeurs qui donnent les meilleurs résultats. Comme on peut facilement le deviner, il s'agit d'une stratégie extrêmement chronophage et basée sur des aléas. En outre, l'espace de recherche augmente de manière exponentielle à mesure que le nombre d'hyperparamètres augmente, ce qui rend les architectures plus récentes et basées sur des réseaux neuronaux profonds presque impossibles à itérer complètement et à optimiser.

Actuellement, AutoML de Microsoft est capable de créer automatiquement un ensemble de modèles de ML, de sélectionner intelligemment des modèles pour la formation, puis de recommander le meilleur pour vous en fonction du problème de ML et du type de données. En un mot, il sélectionne le bon algorithme et aide à régler les hyperparamètres. Actuellement, il ne prend en charge que les problèmes de classification, de prévision et de régression.

AutoML est utilisé avec Azure Machine Learning Service ou ML.NET et vous payez tous les coûts associés à ceux-ci.

Cela nous amène donc à la fin de cet article. J'espère que vous avez apprécié cet article. Si vous lisez ceci, laissez-moi vous féliciter. Comme vous n'êtes plus un débutant dans Azure! Plus vous pratiquez, plus vous apprendrez. Pour faciliter votre voyage, nous avons conçu ceci Tutoriel Azure Série de blogs qui sera mis à jour fréquemment, alors restez à l'écoute!

Nous avons également mis au point un programme qui couvre exactement ce dont vous auriez besoin pour réussir les examens Azure! Vous pouvez consulter les détails du cours pour . Bon apprentissage!

Vous avez une question pour nous? Veuillez le mentionner dans la section commentaires de cet article et nous vous recontacterons.