コーディングなしの機械学習: Azure ML の概要

特定のプログラミング言語を使用して機械学習を実行することは、多くのデータサイエンティストや機械学習エンジニアが実践していることです。これは、世界中で議論され、注目されている最もトレンドなトピックです。世界中の企業が巨額の投資を行って、自社のシステムに機械学習やAIの仕組みを組み込んでいます。これは世界中のすべての人々にとって大きな成果であり、テクノロジーに関する探査と研究の熱が広まるまで、この分野は繁栄し続けるでしょう。

機械学習モデルをゼロからプログラムして、それを現実世界に実装するのは良いことですが、これらのアルゴリズムを記述する作業は非常に面倒で技術中心の作業です。つまり、プログラミング言語の助けを借りてアルゴリズムを記述するための事前知識がある人のみがアルゴリズムを記述して実装できます。そのため、技術的な背景がない人にとって、これらの言語を即座に学習してからコーディングを開始することは困難です。

技術者以外の人々がコーディングなしで機械学習を実行できるようにするために、さまざまなクラウドベースのサービスが、機械学習の問題を実行するためのドラッグアンドドロップ機能と少しの調整を提供しています。そのようなクラウドベースのサービスの 1 つが Microsoft Azure Machine Learning です。これは完全なドラッグアンドドロップの種類の機械学習であり、モデルを実行したり、クラウドまたはローカルシステムに Web サービスとしてデプロイしたり、MS Excel を介して同じものにアクセスしたりすることもできます。 Microsoft アカウントをお持ちの場合は、Microsoft Azure ML 機能に簡単にアクセスできます。 Microsoft Azure Machine Learning を開始する方法を詳しく見てみましょう。

Microsoft Azure ML で機械学習プロジェクトまたはモデルを作成する方法

ステップ1: ブラウザを開いて入力するだけですスタジオ.azuleml.netこれにより、Azure ML が含まれるメインコンテンツに移動します。このページでは、サインインするか、新しいアカウントを作成するように求められます。既存の Microsoft ユーザーで MS アカウントをお持ちの場合は、ログイン資格情報を入力するだけで、万歳です。 ML スタジオに正常にログインしました。

ステップ2: ML アカウントにログインすると、プロジェクト、実験、Web サービス、データセット、トレーニング済みモデル、設定などのさまざまなオプションが表示されます。これらのオプションの機能は次のとおりです。

プロジェクト:これにより、ユーザーは、さまざまな実験やモデル、Web サービスを含む新しいプロジェクトを作成して完全なパッケージを作成し、一般に公開することができます。

実験:これは、最初の実験を作成し、それを Web サービスとしてデプロイして、世界中のユーザーがコードにアクセスできるようにする主な領域です。

ウェブサービス:このオプションは、実験を Web ベースの API としてデプロイするのに役立ちます。この API は、さまざまなプログラミング言語を通じて呼び出すことも、Excel を通じてローカルシステム内で呼び出すこともできます。また、Web サービスをクラウドに保存して、ユーザーがアクセスできるパブリック API にし、作品を世界に販売することもできます。

データセット:ここでは、Microsoft チームから事前にアップロードされた多くのデータセットを見つけることができ、これらを使用して機械学習アルゴリズムを実行し、物事がどのように行われるかを理解することができます。

トレーニングされたモデル:ここでは、トレーニング済みで、テスト目的で同じモデルを使用したいモデルを確認できます。

設定：[設定] タブには、ワークスペースの編集、承認トークンの表示、再生成などのさまざまなオプションが含まれており、ユーザーがモデル上で作業できるようにしてモデルを操作できるようになります。

ステップ 3:最初の Azure ML プロジェクトを開始するには、下部にある [新規] という + 記号ボタンをクリックするだけです。これにより、「新しい実験を開始」オプションがあるページが表示されます。それをクリックするだけで、作業ペインが開きます。 Azure に Python プロジェクトと R プロジェクトをアップロードし、それを微調整して、[モジュール] タブをクリックして Web サービスとしてデプロイするための機能もあります。

ステップ 4:作業ウィンドウが開いたら、ML プロジェクトの作業を開始できます。

ステップ5:たとえば、ロジスティック回帰のプロジェクトを実行したい場合など、最初の ML プロジェクトを開始するには、まずクラウドまたはシステムを通じてデータセットを取得する必要があります。 Azure ML のワークフローメカニズムは次のとおりです。

データを取得します。ここでは、データを手動で取得するか、外部データソースからデータをインポートするか、zip ファイルを解凍して機械学習の目的でデータを使用するのに役立つ zip データセットを解凍する 3 つのオプションがあります。

データを準備します。これは主に、データをクリーンアップして作業するための特徴エンジニアリング部分です。データの準備に使用できるさまざまなモジュールには、欠落データのクリーンアップ、SQL 変換の適用、インジケーター値への変換、メタデータの編集などが含まれます。データセットをトレーニングとテストに分割してモデルを検証し、それを実際のケースで使用して予測を行うための規定もあります。

機能の選択:これは、ターゲット特徴間の相関度に基づいてアルゴリズムで動作させる特徴の数を選択できるため、モデルをトレーニングする前の非常に重要なステップです。ここに含まれるさまざまなタイプの特徴選択には、主成分分析、フィッシャー線形判別分析、順列特徴重要度、およびフィルターベースの特徴選択が含まれます。

学習アルゴリズムを選択して適用します。これはモデルをトレーニングするための主なステップであり、データのトレーニングに使用するアルゴリズムを選択します。存在する ML アルゴリズムには、デシジョンツリー、ロジスティック回帰、線形回帰、One vs Rest、Naïve Bayes など、さまざまなものがあります。好みのアルゴリズムを選択し、それを使用して作業を開始できます。

モデルをトレーニングして評価します。この部分は、モデルのトレーニング、テスト、スコア付けを行う ML モデルの最後の部分です。いくつかのモジュールが存在するので、ドラッグアンドドロップして簡単な調整を行うだけで良い結果が得られます。

モデルをデプロイします。トレーニングと評価が完了したら、タスクペインの下部にある [デプロイ] オプションを使用してモデルを Web ベースのサービスとしてデプロイし、API として使用できるようになります。

Azure ML で注目すべき重要な点の 1 つは、ある変数の出力ノードを他の変数の入力ノードに接続するメカニズムで動作するため、ユーザーは Azure ML を使用して作業することが非常に簡単であると感じ、多くの業界が日常のアプリケーションでこのクラウドベースのサービスを使用していることです。これは、教師あり機械学習と教師なし機械学習の両方、および深層学習関連のアクティビティにとって非常に強力なツールです。動作の詳細については、YouTube や Udemy の多くのチュートリアルを参照してください。 Azure ML に関する優れたチュートリアルについては、次のリンクを参照してください。

https://www.udemy.com/course/machine-learning-using-azureml/learn/lecture/7432530#overview