Viele Datenwissenschaftler und Ingenieure für maschinelles Lernen betreiben maschinelles Lernen mit bestimmten Programmiersprachen. Es ist das angesagteste Thema, das rund um den Globus diskutiert und verfolgt wird. Auf der ganzen Welt investieren Unternehmen enorme Summen, um die Mechanismen des maschinellen Lernens und der KI in ihr System zu integrieren. Es ist eine große Errungenschaft für alle Menschen da draußen und dieser Sektor wird weiter florieren, bis der Trend zur Erkundung und Forschung in Bezug auf Technologien vorherrscht.
Es ist gut, jedes Modell für maschinelles Lernen von Grund auf zu programmieren und es dann in der realen Welt zu implementieren, aber die Aufgabe, diese Algorithmen zu schreiben, ist sehr mühsam und technikorientiert, das heißt, jemand, der über Vorkenntnisse im Schreiben von Algorithmen mithilfe von Programmiersprachen verfügt, kann sie nur schreiben und implementieren. Daher ist es für Menschen ohne technischen Hintergrund schwierig, diese Sprachen sofort zu lernen und dann mit dem Programmieren zu beginnen.
Um den Nicht-Technikern zu helfen, indem sie es ihnen ermöglichen, maschinelles Lernen ohne Programmierung durchzuführen, bieten verschiedene Cloud-basierte Dienste Drag-and-Drop-Funktionen und ein paar Optimierungen an, um Probleme mit maschinellem Lernen zu lösen. Ein solcher cloudbasierter Dienst ist Microsoft Azure Machine Learning. Hierbei handelt es sich um eine vollständige Drag-and-Drop-Art des maschinellen Lernens, bei der Sie Ihr Modell ausführen und es sogar als Webdienst entweder in der Cloud oder im lokalen System bereitstellen und über MS Excel darauf zugreifen können. Wenn Sie über ein Microsoft-Konto verfügen, können Sie problemlos auf die Microsoft Azure ML-Funktionen zugreifen. Lassen Sie uns tief eintauchen und erfahren, wie Sie mit Microsoft Azure Machine Learning beginnen können:
So erstellen Sie ein Machine Learning-Projekt oder -Modell auf Microsoft Azure ML
Schritt 1: Öffnen Sie Ihren Browser und geben Sie einfach einstudio.azuleml.netDadurch gelangen Sie zum Hauptinhalt, in dem Azure ML enthalten ist. Auf dieser Seite werden Sie aufgefordert, sich anzumelden oder ein neues Konto zu erstellen. Wenn Sie ein bestehender Microsoft-Benutzer sind und über ein MS-Konto verfügen, geben Sie einfach Ihre Anmeldeinformationen ein und Hurra! Sie haben sich erfolgreich bei Ihrem ML-Studio angemeldet.
Schritt 2: Nachdem Sie sich bei Ihrem ML-Konto angemeldet haben, sehen Sie verschiedene Optionen wie Projekte, Experimente, Webdienste, Datensätze, trainierte Modelle und Einstellungen. Die Funktion dieser Optionen ist wie folgt:
Projekte:Dies ermöglicht es Benutzern, ein neues Projekt zu erstellen, das verschiedene Experimente und Modelle sowie Webdienste zusammenfassen kann, die ein Gesamtpaket ergeben und der Öffentlichkeit von Interesse gezeigt werden können.
Experimente:Dies ist der Hauptbereich, in dem Sie Ihr allererstes Experiment erstellen und es als Webdienst bereitstellen, um Ihren Code für Benutzer auf der ganzen Welt zugänglich zu machen.
Webdienste:Diese Option hilft uns, unser Experiment als webbasierte API bereitzustellen, die dann über verschiedene Programmiersprachen oder innerhalb Ihres lokalen Systems über Excel aufgerufen werden kann. Außerdem können Sie Ihren Webdienst in der Cloud speichern, um ihn zu einer öffentlichen API zu machen, auf die die Benutzer zugreifen und die Ihre Arbeit sogar weltweit verkaufen kann.
Datensätze:Hier finden Sie viele vorab hochgeladene Datensätze des Microsoft-Teams, mit denen Sie ihre Algorithmen für maschinelles Lernen ausführen können, um eine Vorstellung davon zu bekommen, wie die Dinge erledigt werden.
Ausgebildete Modelle:Hier können Sie sehen, welche Modelle Sie trainiert haben und diese zu Testzwecken verwenden möchten.
Einstellungen:Die Registerkarte „Einstellungen“ enthält verschiedene Optionen wie das Bearbeiten des Arbeitsbereichs, das Anzeigen und Neugenerieren der Autorisierungstoken und ermöglicht es Benutzern, Ihr Modell zu manipulieren, indem sie sie daran arbeiten lassen.
Schritt 3:Um mit Ihrem allerersten Azure ML-Projekt zu beginnen, klicken Sie einfach auf die untere + Zeichenschaltfläche mit der Aufschrift „Neu“. Dadurch gelangen Sie zu einer Seite, auf der Sie die Option „Neues Experiment starten“ finden. Klicken Sie einfach darauf und Ihr Arbeitsbereich wird geöffnet. Es besteht auch die Möglichkeit, Ihre Python- und R-Projekte in Azure hochzuladen, sie zu optimieren und als Webdienst bereitzustellen, indem Sie auf die Registerkarte „Modul“ klicken.
Schritt 4:Nachdem Ihr Aufgabenbereich geöffnet wurde, können Sie mit der Arbeit an Ihrem ML-Projekt beginnen.
Schritt 5:Um Ihr allererstes ML-Projekt zu starten, zum Beispiel wenn Sie ein Projekt zur logistischen Regression durchführen möchten, müssen Sie zunächst einen Datensatz entweder über die Cloud oder über Ihr System erfassen. Der Workflow-Mechanismus von Azure ML ist wie folgt:
Holen Sie sich die Daten:Hier haben wir drei Möglichkeiten: entweder die Daten manuell abrufen oder die Daten aus externen Datenquellen importieren oder komprimierte Datensätze entpacken, die uns dabei helfen, ZIP-Dateien zu entpacken und die Daten für unsere Zwecke des maschinellen Lernens zu verwenden.
Bereiten Sie die Daten vor:Dies ist hauptsächlich der Feature-Engineering-Teil, mit dem wir unsere Daten bereinigen, um sie zu bearbeiten. Zu den verschiedenen Modulen, die zum Aufbereiten der Daten verwendet werden können, gehören „Fehlende Daten bereinigen“, „SQL-Transformation anwenden“, „In Indikatorwerte konvertieren“, „Metadaten bearbeiten“ und vieles mehr. Es gibt auch die Möglichkeit, unseren Datensatz in Training und Tests aufzuteilen, um unser Modell zu validieren und es in realen Fällen für Vorhersagen zu verwenden.
Funktionsauswahl:Dies ist ein sehr wichtiger Schritt vor dem Training unseres Modells, da er es uns ermöglicht, die Anzahl der Features auszuwählen, mit denen der Algorithmus arbeiten soll, basierend auf dem Grad der Korrelation zwischen den Zielfeatures. Die hier enthaltenen verschiedenen Arten der Merkmalsauswahl umfassen die Hauptkomponentenanalyse, die lineare Fisher-Diskriminanzanalyse, die Bedeutung von Permutationsmerkmalen und die filterbasierte Merkmalsauswahl.
Lernalgorithmen auswählen und anwenden:Dies ist der Hauptschritt beim Training unseres Modells, nämlich die Auswahl des Algorithmus, den wir zum Trainieren unserer Daten verwenden möchten. Es gibt verschiedene ML-Algorithmen wie Entscheidungsbaum, logistische Regression, lineare Regression, One vs Rest, Naive Bayes und viele mehr. Wir können unseren bevorzugten Algorithmus auswählen und mit der Arbeit beginnen.
Trainieren und bewerten Sie das Modell:Dieser Teil ist der letzte Teil jedes ML-Modells, der das Training, Testen und Bewerten des Modells umfasst. Einige Module sind vorhanden und wir müssen sie einfach per Drag & Drop verschieben und einfache Anpassungen vornehmen, um gute Ergebnisse zu erzielen.
Stellen Sie das Modell bereit:Nachdem das Training und die Evaluierung abgeschlossen sind, können wir das Modell nun mithilfe der Option „Bereitstellen“ am unteren Rand des Aufgabenbereichs als webbasierten Dienst bereitstellen und als API verwenden.
Bei Azure ML ist vor allem zu beachten, dass es mit dem Mechanismus arbeitet, den Ausgabeknoten einer Variablen mit dem Eingabeknoten der anderen Variablen zu verbinden, sodass Benutzer die Arbeit mit Azure ML sehr einfach finden und viele Branchen diesen cloudbasierten Dienst in ihren täglichen Anwendungen nutzen. Es ist ein sehr leistungsfähiges Werkzeug sowohl für überwachtes als auch unüberwachtes maschinelles Lernen sowie für Deep-Learning-bezogene Aktivitäten. Weitere Einzelheiten zur Funktionsweise finden Sie in zahlreichen Tutorials auf YouTube und Udemy. Für ein gutes Tutorial zu Azure ML können Sie diesem Link folgen:
https://www.udemy.com/course/machine-learning-using-azureml/learn/lecture/7432530#overview
Durchführen einer logistischen Regression
Hier haben wir mit Hilfe von Azure ML eine logistische Regression durchgeführt und diese anhand einer bildlichen Darstellung dargestellt:
Abschluss
Wenn Sie ein großer Fan von maschinellem Lernen und Deep Learning sind und an damit zusammenhängenden Projekten arbeiten möchten, sollten Sie sich für Azure ML Studio entscheiden, da keine Vorkenntnisse in der Programmierung erforderlich sind und die verwendeten Module einfach per Drag-and-Drop bedient werden.
