Este artículo le presentará el meollo de la implementación prácticas en el servicio Azure Machine Learning. En este artículo se cubrirán los siguientes consejos,
- Aprendizaje automático de Azure
- Servicio de aprendizaje automático de Azure
- El servicio en la nube de aprendizaje automático
- Interfaz gráfica
- API de aprendizaje automático
- ML.NET
- AutoML
Así que comencemos con este artículo de Azure Machine Learning,
Aprendizaje automático de Azure
La llegada de la nube marcó un nuevo comienzo en la infraestructura informática. Básicamente significaba que uno puede usar recursos que, de lo contrario, hubieran sido extremadamente costosos para usarlos a través de Internet. El aprendizaje automático, especialmente el aprendizaje profundo, requiere el uso de arquitecturas informáticas que permitan el uso de una cantidad extremadamente alta de RAM y VRAM (para los núcleos Cuda). Ambos productos básicos son difíciles de adquirir por dos razones principales:
Las computadoras portátiles, por ejemplo, solo pueden incluir una cantidad limitada de recursos en el marco que tienen. Esto significa que un usuario típico de computadora portátil no puede tener suficientes recursos a su disposición para realizar las tareas de aprendizaje automático localmente en la máquina.
La RAM y especialmente la VRAM son extremadamente caras de comprar y parecen ser una inversión extremadamente alta. Junto con una RAM y VRAM robustas, también necesitamos admitir CPU de alto grado (de lo contrario, la CPU demostraría ser un cuello de botella para el sistema), esto aumenta aún más el precio general.
Continuando con el artículo de Azure Machine Learning,
Servicio de aprendizaje automático de Azure
Teniendo en cuenta los problemas anteriores, podemos comprender fácilmente la necesidad de recursos disponibles de forma remota a través de Internet con acceso 24 * 7.
Azure ML es un servicio basado en la nube que proporciona una experiencia optimizada para los científicos de datos en todos los niveles. Esto es especialmente importante debido al hecho de que muchos ingenieros nuevos están tratando de ingresar a este espacio y puede ser particularmente abrumador realizar estas tareas sin una interfaz de usuario intuitiva.
(Fuente: Microsoft.com)
Azure ML está acompañado por ML Studio, que esencialmente es una herramienta basada en navegador que brinda al científico de datos una interfaz de arrastrar y soltar fácil de usar con el fin de crear estos modelos.
¿Qué es la herencia múltiple en Java?
La mayoría de los algoritmos y bibliotecas más utilizados vienen listos para los usuarios. También cuenta con soporte incorporado para R y Python, lo que permite que los científicos de datos veteranos cambien y personalicen su modelo y su arquitectura según su gusto.
Una vez que el modelo está construido y listo, se puede usar fácilmente como un servicio web que puede ser llamado por una plétora de lenguajes de programación, esencialmente haciéndolo disponible para la aplicación que realmente enfrenta al usuario final.
Machine Learning Studio hace que el aprendizaje automático sea bastante sencillo al proporcionar una forma de arrastrar y soltar en la que se crea el flujo de trabajo. Con ML Studio y una gran cantidad de módulos que ofrece para modelar el flujo de trabajo, se pueden hacer modelos avanzados sin escribir ningún código.
El aprendizaje automático comienza con datos, que pueden provenir de una variedad de orígenes. Por lo general, los datos deben “limpiarse” antes de usarse, para lo cual ML Studio incorpora módulos para ayudar con la limpieza. Una vez que los datos están listos, se puede seleccionar un algoritmo y “entrenar” el modelo sobre los datos y encontrar patrones en él. Luego viene la puntuación y la evaluación del modelo, lo que le indica qué tan bien el modelo puede predecir los resultados. Todo esto se entrega visualmente en ML Studio. Una vez que el modelo está listo, unos pocos clics de botón lo implementan como un servicio web para que se pueda llamar desde las aplicaciones cliente.
ML Studio proporciona implementaciones pregrabadas de veinticinco de los algoritmos estándar utilizados en el aprendizaje automático. Los separa en cuatro secciones.
- La detección de anomalías es un método de clasificación de cosas, eventos u observaciones que no se ajustan a un patrón convencional u otros elementos de un conjunto de datos.
- Los algoritmos de regresión intentan descubrir y cuantificar relaciones entre variables. Al establecer una relación entre una variable dependiente y una o más variables independientes, el análisis de regresión puede permitir predecir el valor de una variable dependiente dado un conjunto de entradas con una precisión cuantificable.
- El objetivo de los algoritmos de clasificación es identificar la clase a la que pertenece una observación basándose en datos de entrenamiento que consisten en observaciones que ya han sido asignadas a una categoría.
- La agrupación busca apilar un montón de objetos de manera que los objetos del mismo grupo (llamado agrupación) sean más similares entre sí que a los de otros grupos (agrupaciones).
Una vez extendido como servicio web, un modelo se puede utilizar con llamadas REST simplistas a través de HTTP. Esto permite a los desarrolladores crear aplicaciones que obtienen su inteligencia del aprendizaje automático.
Lo que sigue en este artículo de Azure Machine Learning es un resumen rápido sobre azure y sus características
Continuando con el artículo de Azure Machine Learning,
t tipo de datos de fecha sql
El servicio en la nube de aprendizaje automático
Los servicios en la nube esencialmente permiten a un usuario final alquilar o usar los servicios (máquinas de hardware) implementados por otra empresa, de forma remota a través de Internet.
El servicio Azure Machine Learning proporciona kits de desarrollo de software y servicios para preparar datos, entrenar e implementar rápidamente modelos de aprendizaje automático personalizados.Hay soporte listo para usar para marcos de Python de código abierto, como PyTorch, TensorFlow y scikit-learn.Se debe considerar usar esto si necesitan crear modelos personalizados o trabajar con modelos de aprendizaje profundo.
Sin embargo, si está dispuesto a no trabajar en Python o desea un servicio más simple, no lo use.
Estos servicios requieren una gran cantidad de conocimientos y experiencia en ciencia de datos y no se recomiendan para principiantes. Pague solo por los recursos para entrenar modelos. Varios niveles de precios para la implementación mediante Azure Kubernetes Service.
Continuando con el artículo de Azure Machine Learning,
Interfaz gráfica
Las interfaces gráficas son una plataforma sin código o de bajo código basada en formas de acceder a capacidades como ML. Algunos de ellos pueden ser listas desplegables, en este caso, es una herramienta de arrastrar y soltar.
Azure Machine Learning Studio es una herramienta de aprendizaje automático de arrastrar y soltar que le permite crear, entrenar y personalizar modelos de aprendizaje automático cargando un conjunto personalizado de datos para evaluar los resultados en una interfaz gráfica. Después de entrenar un modelo, puede implementarlo como un servicio web directamente desde Studio.
Esta funcionalidad se emplea generalmente cuando el código a escribir tiene que ser bajo o el trabajo principal se basa en problemas fundamentales como clasificación, regresión y agrupamiento.
Este enfoque generalmente es amigable para los principiantes, sin embargo, requiere algunos conocimientos previos en ciencia de datos.
Si bien tiene una opción gratuita, el nivel estándar cuesta $ 9.99 por asiento, por mes y $ 1 por hora de experimentación.
API de aprendizaje automático
Una interfaz de programa de aplicación (API) es un servicio que puede proporcionar una organización que puede enviar respuestas a determinadas consultas y esas respuestas se pueden utilizar para mejorar la aplicación.
cómo usar goto c ++
Esto nos permite tener la flexibilidad de acceder a varios servicios sin atascar directamente nuestra aplicación principal.
Los servicios API de Microsoft se denominan Servicios cognitivos. Estos se pueden implementar directamente en Azure. Hay cinco clases de servicios disponibles que incluyen visión, lenguaje, habla, búsqueda y decisión. Estos son modelos previamente entrenados que se adaptan a los desarrolladores que están entusiasmados con el uso de Machine Learning pero que no tienen experiencia en ciencia de datos.
Sin embargo, estos servicios se quedan cortos cuando se trata de personalizaciones y, por lo tanto, no se recomiendan en casos en los que muchas cosas están bien definidas y los requisitos no son flexibles.
Continuando con el artículo de Azure Machine Learning,
ML.NET
Los marcos son un código de esquema general sobre el que se puede construir su propia aplicación. Los frameworks permiten cuidar la funcionalidad de nivel inferior de modo que solo hay que cuidar su lógica de aplicación.
ML.NET tiene algoritmos de entrenamiento de clasificación, regresión, detección de anomalías y recomendaciones y se puede ampliar con Tensorflow y ONNX para redes neuronales.
Esto puede ser de gran utilidad para un desarrollador de .NET que se sienta cómodo construyendo sus propias canalizaciones de ML.Sin embargo, la curva de aprendizaje significa que los desarrolladores de Python en general deben mantenerse alejados.
Continuando con el artículo de Azure Machine Learning,
AutoML
El aprendizaje automático automatizado ha atraído mucha atención recientemente y es un software que selecciona y entrena automáticamente los modelos de aprendizaje automático. Si bien es fácil pensar que técnicamente puede reemplazar el trabajo de un científico de datos, alguien que realmente lo ha usado sabe claramente que existen limitaciones en lo que puede y no puede hacer.
El meta actual (sin AutoML) para los científicos de datos sería crear primero un modelo base y luego iterar sobre las diversas posibilidades de hiperparámetros, manualmente hasta que lleguen a un conjunto de valores que produzcan los mejores resultados. Como se puede adivinar fácilmente, esta es una estrategia que consume mucho tiempo y se basa en aciertos y errores. Además, el espacio de búsqueda aumenta exponencialmente a medida que aumenta la cantidad de hiperparámetros, lo que hace que las arquitecturas más nuevas basadas en redes neuronales profundas sean casi imposibles de iterar y optimizar por completo.
Actualmente, AutoML de Microsoft es capaz de crear un conjunto de modelos de AA automáticamente, seleccionar modelos de forma inteligente para el entrenamiento y, luego, recomendarle el mejor según el problema de AA y el tipo de datos. En pocas palabras, selecciona el algoritmo correcto y ayuda a ajustar los hiperparámetros. Actualmente, solo admite problemas de clasificación, pronóstico y regresión.
AutoML se usa con Azure Machine Learning Service o ML.NET y usted paga los costos asociados con ellos.
Entonces esto nos lleva al final de este artículo. Espero que hayas disfrutado de este artículo. Si estás leyendo esto, déjame felicitarte. ¡Como ya no eres un novato en Azure! Cuanto más practiques, más aprenderás. Para facilitar su viaje, hemos creado este Tutorial de Azure Serie de blogs que se actualizará con frecuencia, ¡así que estad atentos!
¡También hemos creado un plan de estudios que cubre exactamente lo que necesitaría para obtener los exámenes de Azure! Puedes echar un vistazo a los detalles del curso para . ¡Feliz aprendizaje!
Tienes una pregunta para nosotros? Menciónelo en la sección de comentarios de este artículo y nos comunicaremos con usted.