Bài viết này sẽ giới thiệu cho bạn những kiến thức cơ bản của việc triển khai thực hành trên dịch vụ Azure Machine Learning. Các gợi ý sau sẽ được đề cập trong bài viết này,
- Học máy Azure
- Dịch vụ học máy Azure
- Dịch vụ đám mây học máy
- Giao diện đồ họa
- API học máy
- ML.NET
- AutoML
Vì vậy, chúng ta hãy bắt đầu với bài viết về Học máy Azure này,
Học máy Azure
Sự ra đời của đám mây đánh dấu một sự khởi đầu mới trong cơ sở hạ tầng điện toán. Về cơ bản, điều đó có nghĩa là người ta có thể sử dụng các tài nguyên mà nếu không thì sẽ rất đắt nếu mua để sử dụng qua Internet. Học máy, đặc biệt là học sâu, yêu cầu sử dụng kiến trúc máy tính cho phép sử dụng dung lượng RAM cực cao và VRAM (đối với Cuda Cores). Cả hai mặt hàng này đều khó có được vì hai lý do chính:
Máy tính xách tay cho một máy tính xách tay, chỉ có thể đóng gói trong một số lượng tài nguyên hạn chế trong khung mà chúng có. Điều này có nghĩa là một người dùng máy tính xách tay thông thường không thể có đủ tài nguyên theo ý của mình để thực hiện các tác vụ học máy cục bộ trên máy
RAM và đặc biệt là VRAM cực kỳ đắt để mua và chúng dường như là một khoản đầu tư cực kỳ cao. Cùng với RAM và VRAM mạnh mẽ, chúng tôi cũng cần hỗ trợ CPU cao cấp (nếu không CPU sẽ chứng tỏ là một nút thắt cổ chai cho hệ thống), điều này càng khiến giá tổng thể cao hơn.
Tiếp tục với Azure Machine Learning Article,
Dịch vụ học máy Azure
Xem xét các vấn đề trên, chúng ta có thể dễ dàng hiểu được nhu cầu của các tài nguyên dùng một lần từ xa qua Internet với quyền truy cập 24 * 7.
Azure ML là một dịch vụ dựa trên đám mây cung cấp trải nghiệm hợp lý hóa cho các nhà khoa học dữ liệu ở mọi cấp độ. Điều này đặc biệt quan trọng vì thực tế là rất nhiều kỹ sư mới đang cố gắng tham gia vào không gian này và có thể đặc biệt khó khăn khi thực hiện các tác vụ này mà không có giao diện người dùng trực quan.
(Nguồn: Microsoft.com)
Azure ML đi kèm với ML studio, về cơ bản là một công cụ dựa trên trình duyệt cung cấp cho nhà khoa học dữ liệu một giao diện kéo và thả dễ sử dụng cho mục đích xây dựng các mô hình này.
Hầu hết các thuật toán và thư viện được sử dụng nhiều đều có sẵn cho người dùng. Nó cũng tự hào có hỗ trợ tích hợp cho R và Python, cho phép các nhà khoa học dữ liệu kỳ cựu thay đổi và tùy chỉnh mô hình của họ cũng như kiến trúc của nó theo ý thích của họ.
Một khi mô hình được xây dựng và sẵn sàng, nó có thể dễ dàng được sử dụng như một dịch vụ web có thể được gọi bằng rất nhiều ngôn ngữ lập trình, về cơ bản làm cho nó có sẵn cho ứng dụng thực sự phải đối mặt với người dùng cuối.
Machine Learning Studio làm cho việc học máy trở nên khá đơn giản bằng cách cung cấp cách kéo và thả để bạn xây dựng quy trình làm việc. Với ML Studio và một số lượng lớn các mô-đun mà nó cung cấp để lập mô hình quy trình làm việc, người ta có thể tạo các mô hình nâng cao mà không cần viết bất kỳ mã nào.
Học máy bắt đầu với dữ liệu, có thể đến từ nhiều nguồn khác nhau. Dữ liệu thường cần được “làm sạch” trước khi được sử dụng, ML Studio kết hợp các mô-đun để giúp làm sạch. Khi dữ liệu đã sẵn sàng, người ta có thể chọn một thuật toán và 'đào tạo' mô hình trên dữ liệu và tìm các mẫu trong đó. Sau đó là tính điểm và đánh giá mô hình, điều này cho bạn biết mô hình có thể báo trước kết quả tốt như thế nào. Tất cả những điều này được chuyển tải trực quan trong ML Studio. Khi mô hình đã sẵn sàng, một vài lần nhấp vào nút sẽ triển khai nó như một dịch vụ Web để nó có thể được gọi từ các ứng dụng khách.
ML Studio cung cấp các triển khai được ghi trước của 25 thuật toán tiêu chuẩn được sử dụng trong học máy. Nó chia chúng thành bốn phần.
- Phát hiện bất thường là một phương pháp phân loại các sự vật, sự kiện hoặc quan sát không phù hợp với mẫu thông thường hoặc các mục khác trong tập dữ liệu.
- Các thuật toán hồi quy cố gắng khám phá và định lượng mối quan hệ giữa các biến. Bằng cách thiết lập mối quan hệ giữa một biến phụ thuộc và một hoặc nhiều biến độc lập, phân tích hồi quy có thể cho phép dự đoán giá trị của một biến phụ thuộc với một tập hợp các đầu vào với độ chính xác có thể định lượng được.
- Mục tiêu của thuật toán phân loại là xác định lớp mà một quan sát thuộc về dựa trên dữ liệu huấn luyện bao gồm các quan sát đã được gán cho một loại.
- Clustering tìm cách xếp chồng lên nhau một loạt các đối tượng theo cách mà các đối tượng trong cùng một nhóm (được gọi là một cụm) giống với nhau hơn so với các đối tượng trong các nhóm (cụm) khác.
Sau khi được mở rộng như một dịch vụ Web, một mô hình có thể được sử dụng với các cuộc gọi REST đơn giản qua HTTP. Điều này cho phép các nhà phát triển xây dựng các ứng dụng lấy trí thông minh của họ từ máy học.
Những gì tiếp theo trong bài viết Azure Machine Learning này là tóm tắt nhanh về màu xanh và các tính năng của nó
Tiếp tục với Azure Machine Learning Article,
Dịch vụ đám mây học máy
Các dịch vụ đám mây về cơ bản cho phép người dùng cuối thuê hoặc sử dụng các dịch vụ (máy phần cứng) được triển khai bởi một công ty khác, từ xa qua Internet.
Dịch vụ Azure Machine Learning cung cấp Bộ công cụ & dịch vụ phát triển phần mềm để chuẩn bị nhanh chóng dữ liệu, đào tạo và triển khai các mô hình ML tùy chỉnh.Không có hỗ trợ nào cho các khuôn khổ Python nguồn mở, chẳng hạn như PyTorch, TensorFlow và scikit-learning.Một người nên xem xét sử dụng điều này nếu họ cần xây dựng các mô hình tùy chỉnh hoặc làm việc với các mô hình học sâu
Tuy nhiên, nếu bạn không muốn làm việc bằng Python hoặc muốn có một dịch vụ đơn giản hơn, đừng sử dụng cái này.
Dịch vụ này yêu cầu nhiều kiến thức và nền tảng khoa học dữ liệu và không được khuyến khích cho người mới. Chỉ trả tiền cho các nguồn lực để đào tạo người mẫu. Một số mức giá để triển khai qua Dịch vụ Azure Kubernetes.
Tiếp tục với Azure Machine Learning Article,
Giao diện đồ họa
Giao diện đồ họa không có mã hoặc nền tảng mã thấp dựa trên các cách truy cập các khả năng như ML. Một số trong số chúng có thể là danh sách thả xuống, trong trường hợp này, nó là một công cụ kéo và thả.
Azure Machine Learning Studio là một công cụ Máy học kéo và thả cho phép bạn xây dựng, đào tạo và tùy chỉnh các mô hình học máy bằng cách tải lên một tập hợp dữ liệu tùy chỉnh để đánh giá kết quả trong giao diện đồ họa. Sau khi đào tạo một mô hình, bạn có thể triển khai mô hình đó dưới dạng dịch vụ web ngay từ Studio.
Chức năng này thường được sử dụng khi mã được viết phải thấp hoặc công việc chính dựa trên các vấn đề cơ bản như phân loại, hồi quy và phân cụm
Tuy nhiên, cách tiếp cận này thường thân thiện với người sử dụng, nó đòi hỏi một số kiến thức nền tảng về khoa học dữ liệu.
Mặc dù nó có tùy chọn miễn phí, nhưng hạng tiêu chuẩn có giá 9,99 đô la cho mỗi chỗ ngồi, mỗi tháng và 1 đô la cho mỗi giờ thử nghiệm.
mảng các đối tượng lớp java
API học máy
Giao diện chương trình ứng dụng (API) là một dịch vụ có thể được cung cấp bởi một tổ chức có thể gửi phản hồi cho một số truy vấn nhất định và những phản hồi đó có thể được sử dụng để nâng cao ứng dụng của một tổ chức.
Điều này cho phép chúng tôi linh hoạt để truy cập các dịch vụ khác nhau mà không cần trực tiếp làm hỏng ứng dụng cốt lõi của chúng tôi.
Các dịch vụ API của Microsoft được gọi là Dịch vụ nhận thức. Chúng có thể được triển khai ngay trên Azure. Có năm loại dịch vụ có sẵn bao gồm thị giác, ngôn ngữ, lời nói, tìm kiếm và quyết định. Đây là các mô hình được đào tạo trước phù hợp với các nhà phát triển nhiệt tình sử dụng Học máy nhưng không có nền tảng về khoa học dữ liệu.
Tuy nhiên, các dịch vụ này bị thiếu hụt khi nói đến các tùy chỉnh và do đó không được khuyến khích trong trường hợp nhiều thứ được xác định rõ các yêu cầu không linh hoạt.
Tiếp tục với Azure Machine Learning Article,
ML.NET
Framework là mã phác thảo chung mà người ta có thể xây dựng ứng dụng của riêng mình trên đó. Các khung công tác cho phép chức năng cấp thấp hơn được chăm sóc để người ta chỉ phải chăm sóc logic ứng dụng của chúng.
ML.NET có thuật toán phân loại, hồi quy, phát hiện bất thường và khuyến nghị đào tạo và có thể được mở rộng với Tensorflow và ONNX cho mạng nơ-ron.
Điều này có thể hữu ích cho một nhà phát triển .NET, người cảm thấy thoải mái khi xây dựng đường ống ML của riêng mình.Tuy nhiên, đường cong học tập có nghĩa là các nhà phát triển python nói chung nên tránh xa.
Tiếp tục với Azure Machine Learning Article,
AutoML
Học máy tự động đang thu hút rất nhiều sự chú ý trong thời gian gần đây và là phần mềm tự động chọn và đào tạo các mô hình Học máy. Mặc dù người ta dễ dàng nghĩ rằng nó có thể thay thế công việc của một nhà khoa học dữ liệu về mặt kỹ thuật, nhưng ai đó đã thực sự sử dụng nó rõ ràng biết rằng nó có thể và không thể làm được những hạn chế nào.
Meta hiện tại (không có AutoML) cho các nhà khoa học dữ liệu trước tiên sẽ là tạo một mô hình cơ sở và sau đó lặp lại các khả năng khác nhau cho các siêu tham số, theo cách thủ công cho đến khi chúng đi đến một bộ giá trị mang lại kết quả tốt nhất. Như người ta có thể dễ dàng đoán được, đây là một chiến lược cực kỳ tốn thời gian và là một chiến lược đánh và bỏ lỡ. Ngoài ra, không gian tìm kiếm tăng theo cấp số nhân khi số lượng siêu tham số tăng lên, làm cho các kiến trúc dựa trên mạng nơ-ron sâu, mới hơn gần như không thể lặp lại và tối ưu hóa hoàn toàn.
Hiện tại, Microsoft’s AutoML có thể tự động tạo một tập hợp các mô hình ML, chọn một cách thông minh các mô hình để đào tạo, sau đó đề xuất mô hình tốt nhất cho bạn dựa trên vấn đề ML và kiểu dữ liệu. Tóm lại, nó chọn thuật toán phù hợp và giúp điều chỉnh các siêu tham số. Hiện tại, nó chỉ hỗ trợ các vấn đề phân loại, dự báo và hồi quy.
AutoML được sử dụng với Azure Machine Learning Service hoặc ML.NET và bạn phải trả cho bất kỳ chi phí nào liên quan đến chúng.
Vì vậy, điều này sẽ đưa chúng ta đến phần cuối của bài viết này. Tôi hy vọng bạn thích bài viết này. Nếu bạn đang đọc nó, Hãy để tôi chúc mừng bạn. Vì bạn không còn là người mới trong Azure! Bạn càng thực hành nhiều bạn sẽ học được nhiều hơn. Để làm cho hành trình của bạn dễ dàng, chúng tôi đã đưa ra Hướng dẫn Azure Dòng blog sẽ được cập nhật thường xuyên, vì vậy hãy theo dõi!
Chúng tôi cũng đã đưa ra một chương trình giảng dạy bao gồm chính xác những gì bạn cần để bẻ khóa Kỳ thi Azure! Bạn có thể xem chi tiết khóa học cho . Chúc bạn học vui vẻ!
Có một câu hỏi cho chúng tôi? Vui lòng đề cập đến nó trong phần bình luận của bài viết này và chúng tôi sẽ liên hệ lại với bạn.