Provádění strojového učení pomocí určitých programovacích jazyků je věc, kterou se řídí mnoho datových vědců a inženýrů strojového učení. Je to nejvíce trendy téma, o kterém se diskutuje a sleduje po celém světě. Společnosti po celém světě investují obrovské částky, aby do svého systému začlenily mechanismus strojového učení a umělé inteligence. Je to velký úspěch pro všechny lidi tam venku a tento sektor bude vzkvétat až do doby, kdy bude v oblasti technologií převládat šílenství po průzkumu a výzkumu.
Je dobré naprogramovat jakýkoli model strojového učení od nuly a poté jej implementovat v reálném světě, ale úkol napsat tyto algoritmy je velmi zdlouhavý a zaměřený na technologie, to znamená, že ten, kdo má předchozí znalosti psaní algoritmů pomocí programovacích jazyků, je může pouze psát a implementovat. Takže pro lidi, kteří jsou z netechnického prostředí, je obtížné se tyto jazyky okamžitě naučit a pak začít kódovat.
Abychom pomohli netechnickým lidem tím, že jim umožníme provádět strojové učení bez kódování, poskytují různé cloudové služby zařízení drag and drop a trochu ladění pro spouštění problémů se strojovým učením. Jednou z takových cloudových služeb je Microsoft Azure Machine Learning. Jedná se o kompletní druh strojového učení typu drag and drop, kde můžete spustit svůj model a dokonce jej nasadit jako webovou službu buď v cloudu nebo v místním systému a přistupovat k němu prostřednictvím MS Excel. Pokud máte účet Microsoft, můžete snadno přistupovat k funkcím Microsoft Azure ML. Pojďme se ponořit do hloubky a zjistit, jak začít s Microsoft Azure Machine Learning:
Jak vytvořit projekt nebo model strojového učení v Microsoft Azure ML
Krok 1: Otevřete prohlížeč a zadejtestudio.azuleml.neta tím se dostanete k hlavnímu obsahu, kde je obsažen Azure ML. Tato stránka vás požádá o přihlášení nebo vytvoření nového účtu. Pokud jste stávajícím uživatelem Microsoftu a máte účet MS, stačí zadat přihlašovací údaje a hurá! Úspěšně jste se přihlásili do svého ML studia.
Krok 2: Po přihlášení ke svému účtu ML uvidíte různé možnosti, jako jsou projekty, experimenty, webové služby, datové sady, trénované modely a nastavení. Funkce těchto možností je následující:
Projekty:To umožňuje uživatelům vytvořit nový projekt, který může obsahovat různé experimenty a modely a také webové služby dohromady, které vytvoří kompletní balíček a mohou být předvedeny veřejnosti.
Experimenty:Toto je hlavní oblast, kde vytvoříte svůj úplně první experiment a nasadíte to samé jako webovou službu, abyste svůj kód zpřístupnili uživatelům po celém světě.
Webové služby:Tato možnost nám pomáhá nasadit náš experiment jako webové rozhraní API, které pak lze volat prostřednictvím různých programovacích jazyků nebo je lze volat v rámci vašeho místního systému prostřednictvím aplikace Excel. Svou webovou službu můžete také uložit do cloudu, abyste z ní udělali veřejné API, ke kterému budou mít uživatelé přístup a které může vaši práci dokonce prodat světu.
datové sady:Zde lze najít mnoho předem nahraných datových sad od týmu Microsoft, které lze použít ke spuštění jejich algoritmů strojového učení, abyste získali představu o tom, jak se věci dělají.
Vycvičené modely:Zde můžete vidět, které modely jste trénovali a chcete je použít pro testovací účely.
Nastavení:Karta nastavení obsahuje různé možnosti, jako je úprava pracovního prostoru, zobrazení a regenerace autorizačních tokenů, umožňuje uživatelům manipulovat s vaším modelem tím, že je nechá pracovat na stejném.
Krok 3:Chcete-li začít se svým úplně prvním projektem Azure ML, stačí kliknout na spodní tlačítko + znaménko s nápisem Nový. Tím se dostanete na stránku, kde najdete možnost Spustit nový experiment. Stačí na to kliknout a otevře se vám pracovní panel. K dispozici je také ustanovení pro nahrání vašich projektů Python a R do Azure a jejich vyladění a nasazení jako webové služby kliknutím na kartu Modul.
Krok 4:Po otevření podokna úloh můžete začít pracovat na projektu ML.
Krok 5:Chcete-li například zahájit svůj první projekt ML, chcete provést projekt logistické regrese, první a nejdůležitější věcí je získat datovou sadu buď prostřednictvím cloudu nebo prostřednictvím vašeho systému. Mechanismus pracovního postupu Azure ML je následující:
Získejte data:Zde máme 3 možnosti buď získat data ručně, nebo importovat data z externích zdrojů dat nebo rozbalit zazipované datové sady, které nám pomohou rozbalit zip soubory a použít data pro účely našeho strojového učení.
Připravte si data:Jedná se hlavně o část inženýrství funkcí, se kterou čistíme naše data, aby na nich pracovali. Různé moduly, které lze použít k přípravě dat, zahrnují Clean Missing Data, Apply SQL Transformation, Convert to Indicator Values, Edit Metadata a mnoho dalších. Existuje také ustanovení o rozdělení naší datové sady na školení a testování za účelem ověření našeho modelu a jeho použití v reálných případech k vytváření předpovědí.
Výběr funkcí:Toto je velmi důležitý krok před trénováním našeho modelu, protože nám umožňuje vybrat počet funkcí, na kterých chceme, aby algoritmus pracoval, na základě stupně korelace mezi cílovým prvkem. Různé typy výběru prvků, které jsou zde obsaženy, zahrnují analýzu principů komponent, Fisherovu lineární diskriminační analýzu, důležitost permutačních prvků a výběr prvků na základě filtru.
Vyberte a použijte výukové algoritmy:Toto je hlavní krok k trénování našeho modelu, kterým je výběr algoritmu, který chceme použít k trénování našich dat. Existují různé ML algoritmy, které jsou přítomny, jako je rozhodovací strom, logistická regrese, lineární regrese, jeden vs zbytek, naivní Bayes a mnoho dalších. Můžeme si vybrat náš preferovaný algoritmus a začít pracovat s ním.
Trénujte a hodnoťte model:Tato část je poslední částí jakéhokoli modelu ML, který trénuje, testuje a hodnotí model. Některé moduly jsou přítomny a my je stačí přetáhnout a provést jednoduché ladění, abychom dosáhli dobrých výsledků.
Nasadit model:Po dokončení školení a vyhodnocení můžeme nyní nasadit model jako webovou službu s pomocí možnosti Nasadit ve spodní části podokna úloh a použít totéž jako API.
Jedna hlavní věc, kterou je třeba poznamenat v Azure ML, je, že funguje s mechanismem propojování výstupního uzlu jedné proměnné se vstupním uzlem druhé proměnné, takže uživatelé považují práci s Azure ML za velmi snadnou a mnoho odvětví tuto cloudovou službu používá ve svých každodenních aplikacích. Je to velmi výkonný nástroj pro strojové učení pod dohledem i bez něj, stejně jako pro aktivity související s hlubokým učením. Pro více podrobností o jeho fungování si můžete projít mnoho tutoriálů na YouTube a také na Udemy. Chcete-li získat dobrý návod na Azure ML, můžete sledovat tento odkaz:
https://www.udemy.com/course/machine-learning-using-azureml/learn/lecture/7432530#overview
Provádění logistické regrese
Zde jsme provedli logistickou regresi s pomocí Azure ML a znázornili totéž pomocí obrázkové reprezentace:
Závěr
Pokud jste velmi velkým nadšencem pro strojové učení a hluboké učení a chcete pracovat na projektech souvisejících s tím samým, měli byste použít Azure ML Studio, protože nevyžaduje žádné předchozí znalosti kódování a použité moduly se ovládají pouze pomocí funkce přetažení.
