Het uitvoeren van Machine Learning met behulp van bepaalde programmeertalen is iets dat door veel Data Scientists en Machine Learning-ingenieurs wordt gevolgd. Het is het meest trending onderwerp dat over de hele wereld wordt besproken en gevolgd. Bedrijven over de hele wereld investeren enorme bedragen om het mechanisme van Machine Learning en AI in hun systeem op te nemen. Het is een grote prestatie voor alle mensen daarbuiten en deze sector zou blijven bloeien tot het moment dat de rage van onderzoek en onderzoek de overhand zal krijgen op het gebied van technologieën.
Het is goed om elk Machine Learning-model helemaal opnieuw te programmeren en het vervolgens in de echte wereld te implementeren, maar de taak van het schrijven van deze algoritmen is erg vervelend en technisch gecentreerd. Dat wil zeggen: iemand die de voorkennis heeft van het schrijven van algoritmen met behulp van programmeertalen, kan ze alleen schrijven en implementeren. Voor mensen met een niet-technische achtergrond is het dus moeilijk om deze talen onmiddellijk te leren en vervolgens te beginnen met coderen.
Om de niet-technische mensen te helpen door hen toe te staan Machine Learning uit te voeren zonder te coderen, bieden verschillende cloudgebaseerde services drag-and-drop-faciliteiten en een klein beetje aanpassingen om Machine Learning-problemen op te lossen. Een voorbeeld van zo’n cloudgebaseerde service is Microsoft Azure Machine Learning. Dit is een volledig vorm van Machine Learning met slepen en neerzetten, waarbij u uw model kunt uitvoeren en zelfs kunt inzetten als een webservice in de cloud of op het lokale systeem, en deze kunt openen via MS Excel. Als u een Microsoft-account heeft, heeft u eenvoudig toegang tot de Microsoft Azure ML-functies. Laten we eens diep duiken en leren hoe u aan de slag kunt gaan met Microsoft Azure Machine Learning:
Hoe u een Machine Learning-project of -model maakt op Microsoft Azure ML
Stap 1: Open uw browser en typ gewoonstudio.azuleml.neten dit brengt u naar de hoofdinhoud waarin de Azure ML zich bevindt. Op deze pagina wordt u gevraagd in te loggen of een nieuw account aan te maken. Als u een bestaande Microsoft-gebruiker bent en een MS-account heeft, voert u gewoon uw inloggegevens in en hoera! U bent succesvol ingelogd bij uw ML-studio.
Stap 2: Nadat u bent ingelogd op uw ML-account, ziet u verschillende opties zoals Projecten, Experimenten, Webservices, Datasets, Getrainde modellen en Instellingen. De functie van deze opties is als volgt:
Projecten:Hierdoor kunnen gebruikers een nieuw project creëren dat verschillende experimenten en modellen kan bevatten, evenals webservices samen, wat een compleet pakket zal vormen en aan het geïnteresseerde publiek kan worden getoond.
Experimenten:Dit is het belangrijkste gebied waar u uw allereerste experiment gaat maken en dit als een webservice gaat implementeren, zodat u uw code toegankelijk kunt maken voor gebruikers over de hele wereld.
Webdiensten:Deze optie helpt ons om ons experiment in te zetten als een webgebaseerde API die vervolgens via verschillende programmeertalen kan worden aangeroepen of via Excel binnen uw lokale systeem kan worden aangeroepen. U kunt uw webservice ook in de cloud opslaan om er een openbare API van te maken die toegankelijk is voor de gebruikers en die uw werk zelfs aan de wereld kan verkopen.
Datasets:Hier kun je veel vooraf geüploade datasets van het Microsoft-team vinden en deze gebruiken om hun Machine Learning-algoritmen uit te voeren om een idee te krijgen van hoe dingen worden gedaan.
Getrainde modellen:Hier kunt u zien welke modellen u heeft getraind en deze wilt gebruiken voor testdoeleinden.
Instellingen:Het tabblad Instellingen bevat verschillende opties, zoals het bewerken van de werkruimte, het bekijken en opnieuw genereren van de autorisatietokens, zodat gebruikers uw model kunnen manipuleren door ze eraan te laten werken.
Stap 3:Om met uw allereerste Azure ML-project te beginnen, klikt u op de onderste knop + teken met de tekst Nieuw. Hiermee gaat u naar een pagina waar u de optie Nieuw experiment starten vindt. Klik daar gewoon op en uw werkvenster wordt geopend. Er is ook een voorziening om uw Python- en R-projecten in Azure te uploaden en deze aan te passen en als webservice te implementeren door op het tabblad Module te klikken.
Stap 4:Nadat uw taakvenster is geopend, kunt u aan uw ML-project gaan werken.
Stap 5:Om bijvoorbeeld uw allereerste ML-project te starten, wilt u een project van logistieke regressie uitvoeren. Het allerbelangrijkste is het verwerven van een dataset via de cloud of via uw systeem. Het werkstroommechanisme van Azure ML is als volgt:
Verkrijg de gegevens:Hier hebben we drie opties: de gegevens handmatig ophalen of de gegevens uit externe gegevensbronnen importeren of gecomprimeerde gegevenssets uitpakken, waardoor we zip-bestanden kunnen uitpakken en de gegevens kunnen gebruiken voor ons Machine Learning-doel.
Bereid de gegevens voor:Dit is voornamelijk het feature-engineeringgedeelte waarmee we onze gegevens opschonen om eraan te werken. De verschillende modules die kunnen worden gebruikt om de gegevens voor te bereiden, omvatten het opschonen van ontbrekende gegevens, het toepassen van SQL-transformatie, het converteren naar indicatorwaarden, het bewerken van metagegevens en nog veel meer. Er is ook een voorziening om onze dataset op te splitsen in training en testen om ons model te valideren en in praktijkgevallen te gebruiken om voorspellingen te doen.
Functieselectie:Dit is een zeer belangrijke stap voordat we ons model trainen, omdat we hierdoor het aantal functies kunnen selecteren waarop we het algoritme willen laten werken, op basis van de mate van correlatie tussen de doelkenmerken. De verschillende typen kenmerkselectie die hier zijn opgenomen, omvatten principiële componentenanalyse, Fisher lineaire discriminantanalyse, belang van permutatiekenmerken en op filters gebaseerde kenmerkselectie.
Leeralgoritmen kiezen en toepassen:Dit is de belangrijkste stap in de richting van het trainen van ons model, namelijk het kiezen van het algoritme dat we willen gebruiken om onze gegevens te trainen. Er zijn verschillende ML-algoritmen aanwezig, zoals Decision Tree, Logistic Regression, Linear Regression, One vs Rest, Naive Bayes en nog veel meer. We kunnen ons voorkeursalgoritme kiezen en ermee aan de slag gaan.
Train en evalueer het model:Dit deel is het laatste deel van elk ML-model dat het model traint, test en scoort. Sommige modules zijn aanwezig en we hoeven alleen maar te slepen en neer te zetten en eenvoudige aanpassingen uit te voeren om goede resultaten te krijgen.
Implementeer het model:Nadat de training en evaluatie zijn voltooid, kunnen we het model nu als een webgebaseerde service implementeren met behulp van de optie Implementeren onder aan het taakvenster en deze als een API gebruiken.
Een belangrijk ding om op te merken in Azure ML is dat het werkt met het mechanisme om het uitvoerknooppunt van de ene variabele te verbinden met het invoerknooppunt van de andere variabele, zodat gebruikers het heel gemakkelijk vinden om met Azure ML te werken en veel industrieën deze cloudgebaseerde service gebruiken in hun dagelijkse toepassingen. Het is een zeer krachtig hulpmiddel voor machinaal leren onder toezicht en zonder toezicht, maar ook voor activiteiten die verband houden met diepgaand leren. Voor meer informatie over de werking ervan kun je veel tutorials op YouTube en Udemy bekijken. Voor een goede tutorial over Azure ML kunt u deze link volgen:
https://www.udemy.com/course/machine-learning-using-azureml/learn/lecture/7432530#overview
Logistieke regressie uitvoeren
Hier hebben we logistieke regressie uitgevoerd met behulp van Azure ML en hetzelfde weergegeven met een grafische weergave:
Conclusie
Als u een zeer grote liefhebber van Machine Learning en Deep Learning bent en aan projecten wilt werken die daarmee verband houden, dan moet u voor Azure ML Studio gaan, omdat er geen voorafgaande codeerkennis voor nodig is en de gebruikte modules alleen worden bediend met behulp van de functie slepen en neerzetten.
