Овај чланак ће вас упознати са гњидом применом праксе на услузи Азуре Мацхине Леарнинг. Следећи смерници ће бити обрађени у овом чланку,
- Азуре машинско учење
- Азуре служба за машинско учење
- Услуга облака за машинско учење
- Графички интерфејс
- АПИ за машинско учење
- МЛ.НЕТ
- АутоМЛ
Почнимо са овим чланком о Азуре машинском учењу,
Азуре машинско учење
Појава облака означила је нови почетак у рачунарској инфраструктури. У основи је значило да се могу користити ресурси које би иначе било скупо купити за употребу преко Интернета. Машинско учење, посебно дубоко учење, захтева употребу рачунарских архитектура које омогућавају употребу изузетно велике количине РАМ-а и ВРАМ-а (за језгра Цуда). Обе ове робе је тешко набавити из два главна разлога -
Преносни рачунари за једног могу да спакују само ограничену количину ресурса у оквиру који имају. То значи да типични корисник лаптопа не може имати на располагању довољно ресурса за локално извршавање задатака машинског учења на машини
РАМ и посебно ВРАМ су изузетно скупи за куповину и чини се да су изузетно велика инвестиција. Заједно са робусном РАМ-ом и ВРАМ-ом, такође нам је потребна подршка висококвалитетних ЦПУ-а (у супротном би се ЦПУ показао као уско грло за систем), што додатно повећава укупну цену.
Настављајући са чланком Азуре о машинском учењу,
Азуре служба за машинско учење
Узимајући у обзир горе наведена питања, лако можемо разумети потребу за ресурсима који се могу даљински приступити путем Интернета са приступом 24 * 7.
Азуре МЛ је услуга заснована на облаку која пружа поједностављено искуство за научнике података на свим нивоима. Ово је посебно важно због чињенице да много нових инжењера покушава да уђе у овај простор и може бити посебно застрашујуће обављати ове задатке без интуитивног корисничког интерфејса.
како створити јава пакет
(Извор: Мицрософт.цом)
Азуре МЛ прати МЛ студио, који је у основи алатка заснована на прегледачу која пружа научнику података једноставан за коришћење интерфејс за повлачење и испуштање у сврху израде ових модела.
Већина често коришћених алгоритама и библиотека долази из кутије за кориснике. Такође се може похвалити уграђеном подршком за Р и Питхон, омогућавајући научницима ветеранима података да промене и прилагоде свој модел и његову архитектуру по свом укусу.
Једном када је модел изграђен и спреман, може се лако користити као веб услуга коју може позвати мноштво програмских језика, у основи чинећи га доступним за апликацију која је заправо окренута крајњем кориснику.
Студио за машинско учење чини машинско учење прилично једноставним пружајући начин превлачења и испуштања на који градите ток рада. Помоћу МЛ Студио и великог броја модула које нуди за моделирање тока посла, могу се направити напредни модели без писања било ког кода.
Машинско учење започиње подацима који могу да потичу из различитих извора. Податке обично треба „очистити“ пре употребе, за шта МЛ Студио садржи модуле који помажу у чишћењу. Једном када су подаци спремни, може се одабрати алгоритам и модел „обучити“ преко података и пронаћи узорке у њему. Након тога долази до бодовања и оцењивања модела, што вам говори колико је модел способан да предвиђа исходе. Све ово се испоручује визуелно у МЛ Студио. Једном када је модел спреман, неколико кликова на дугме примењује га као веб услугу како би се могао позивати из клијентских апликација.
МЛ Студио пружа унапред снимљене имплементације двадесет и пет стандардних алгоритама који се користе у машинском учењу. Раздваја их у четири одељка.
- Откривање аномалија је метода класификације ствари, догађаја или запажања која се не уклапају у конвенционални образац или друге ставке у скупу података.
- Алгоритми регресије покушавају да открију и квантификују односе између променљивих. Успостављањем везе између зависне променљиве и једне или више независних променљивих, регресијска анализа може омогућити предвиђање вредности зависне променљиве с обзиром на скуп улаза са мерљивом тачношћу.
- Циљ алгоритама класификације је идентификација класе којој посматрање припада на основу података о обуци који се састоје од запажања која су већ додељена категорији.
- Кластеровање настоји да нагомила гомилу објеката на начин да објекти у истој групи (звани кластер) буду сличнији једни другима него онима у другим групама (кластерима).
Једном проширен као веб услуга, модел се може користити са поједностављеним РЕСТ позивима преко ХТТП-а. Ово омогућава програмерима да граде апликације које доносе своју интелигенцију из машинског учења.
Оно што следи у овом чланку о Азуре машинском учењу је брзи преглед о азуру и његовим карактеристикама
Настављајући са чланком Азуре о машинском учењу,
можете ли бацити дупли на инт
Услуга облака за машинско учење
Услуге у облаку у основи омогућавају крајњем кориснику да издаје или користи услуге (хардверске машине) које је поставила друга компанија, на даљину путем Интернета.
Услуга Азуре машинског учења пружа комплете и услуге за развој софтвера за брзу припрему података, обуку и примену прилагођених модела МЛ.Постоји готова подршка за Питхон оквире отвореног кода, као што су ПиТорцх, ТенсорФлов и сцикит-леарн.Треба размислити о употреби овога ако треба да направе прилагођене моделе или раде са моделима дубоког учења
Међутим, ако сте склони да не радите у Питхону или желите једноставнију услугу, немојте то користити.
Ова услуга захтева добар део знања и позадине науке о подацима и не препоручује се почетницима. Платите само за ресурсе за обуку модела. Неколико нивоа цена за примену путем услуге Азуре Кубернетес.
Настављајући са чланком Азуре о машинском учењу,
Графички интерфејс
Графички интерфејси нису код или платформа са ниским кодом засновани на начинима за приступ могућностима попут МЛ. Неки од њих могу бити падајуће листе, у овом случају то је алат за повлачење и испуштање.
Азуре Мацхине Леарнинг Студио је алатка за машинско учење превлачењем и испуштањем која вам омогућава изградњу, обуку и прилагођавање модела машинског учења преносом прилагођеног скупа података за процену резултата у графички интерфејс. Након обуке модела, можете га применити као веб услугу директно из Студија.
Ова функционалност се обично користи када код који треба написати мора бити низак или се главни посао темељи на основним проблемима као што су класификација, регресија и кластерисање
Овај приступ је углавном погодан за бежере, међутим захтева извесно основно знање из науке о подацима.
Иако има бесплатну опцију, стандардни ниво кошта 9,99 УСД по седишту месечно и 1 УСД по експерименталном сату.
АПИ за машинско учење
Интерфејс апликационог програма (АПИ) је услуга коју може пружити организација која може да шаље одговоре на одређене упите и ти одговори се могу користити за побољшање нечије апликације.
јава структуре података и алгоритми
То нам омогућава флексибилност приступа различитим услугама без директног заваравања наше основне апликације.
Мицрософтове АПИ услуге називају се когнитивне услуге. Они се могу применити директно на Азуреу. Доступно је пет класа услуга, укључујући визију, језик, говор, претрагу и одлучивање. То су унапред обучени модели који одговарају програмерима који су ентузијастични да приме машинско учење, али немају позадину науке о подацима.
Међутим, ове услуге пропадају када је у питању прилагођавање и стога се не препоручују у случајевима када је много ствари добро дефинисано, захтеви нису флексибилни.
Настављајући са чланком Азуре о машинском учењу,
МЛ.НЕТ
Оквири су општи оквирни код који може да се изгради сопственом апликацијом. Оквири омогућавају да се пази на функционалност нижег нивоа тако да се мора само пазити на њихову логику примене.
МЛ.НЕТ има алгоритме за класификацију, регресију, откривање аномалија и препоруке и може се проширити помоћу Тенсорфлов-а и ОННКС-а за неуронске мреже.
Ово може бити од велике користи за .НЕТ програмера коме је угодно да гради сопствене МЛ цевоводе.Међутим, крива учења значи да би се општи програмери питхона требали клонити.
Настављајући са чланком Азуре о машинском учењу,
АутоМЛ
Аутоматизовано машинско учење у последње време привлачи велику пажњу и представља софтвер који аутоматски бира и обучава моделе машинског учења. Иако је лако помислити да технички може заменити посао научника за податке, неко ко га је стварно користио јасно зна, постоје ограничења у томе шта он може, а шта не може.
Тренутна мета (без АутоМЛ-а) за научнике података била би да прво направе основни модел, а затим ручно прелазе кроз различите могућности хипер параметара, све док не дођу до скупа вредности које дају најбоље резултате. Као што се лако може погодити, ово је изузетно дуготрајна стратегија заснована на хитовима и промашајима. Такође, простор за претрагу експоненцијално се повећава како се повећава број хиперпараметара, што чини новије, дубоке архитектуре засноване на неуралној мрежи готово немогућим у потпуности да се преврну и оптимизују.
Тренутно је Мицрософтов АутоМЛ у стању да аутоматски направи скуп МЛ модела, интелигентно бира моделе за обуку, а затим препоручује најбољи за вас на основу проблема са МЛ и типа података. Укратко, бира прави алгоритам и помаже у подешавању хиперпараметара. Тренутно подржава само проблеме класификације, предвиђања и регресије.
АутоМЛ се користи са услугом Азуре Мацхине Леарнинг или МЛ.НЕТ и плаћате све трошкове повезане са тим.
Дакле, ово нас доводи до краја овог чланка. Надам се да вам се свидео овај чланак. Ако ово читате, дозволите ми да вам честитам. Како више нисте почетник у Азуреу! Што више вежбате, више ћете научити. Да бисмо вам олакшали путовање, смислили смо ово Азуре Туториал Блог Сериес који ће се често ажурирати, па будите са нама!
Такође смо осмислили наставни план и програм који покрива тачно оно што вам треба за полагање Азуре испита! Можете погледати детаље курса за . Срећно учење!
Имате питање за нас? Молимо вас да га помињете у одељку за коментаре овог чланка и јавићемо вам се.