Este artigo irá apresentá-lo aos detalhes da implementação práticas no serviço Azure Machine Learning. As dicas a seguir serão abordadas neste artigo,
- Azure Machine Learning
- Serviço de aprendizado de máquina do Azure
- O Machine Learning Cloud Service
- Interface Gráfica
- API de aprendizado de máquina
- ML.NET
- AutoML
Então, vamos começar com este artigo do Azure Machine Learning,
Azure Machine Learning
O advento da nuvem marcou um novo começo na infraestrutura de computação. Basicamente, significa que é possível usar recursos que seriam extremamente caros para comprar de outra forma para usar na Internet. O aprendizado de máquina, especialmente o aprendizado profundo, requer o uso de arquiteturas de computador que permitem o uso de uma quantidade extremamente alta de RAM e VRAM (para os Cuda Cores). Ambas as commodities são difíceis de adquirir por duas razões principais -
Laptops, por exemplo, podem embalar apenas uma quantidade limitada de recursos no quadro que possuem. Isso significa que um usuário típico de laptop não pode ter recursos suficientes à sua disposição para realizar as tarefas de aprendizado de máquina localmente na máquina
RAM e especialmente VRAM são extremamente caros para comprar e parecem ser um investimento extremamente alto. Junto com RAM e VRAM robustas, também precisamos de suporte de CPU de alto grau (caso contrário, a CPU provaria ser um gargalo para o sistema), o que aumenta ainda mais o preço geral.
Continuando com o artigo do Azure Machine Learning,
diferença entre pós-graduação e mestrado
Serviço de aprendizado de máquina do Azure
Levando em consideração as questões acima, podemos compreender facilmente a necessidade de recursos que podem ser disponibilizados remotamente pela Internet com acesso 24 horas por dia, 7 dias por semana.
O Azure ML é um serviço baseado em nuvem que fornece uma experiência simplificada para cientistas de dados em todos os níveis. Isso é especialmente importante devido ao fato de que muitos engenheiros novos estão tentando entrar neste espaço e pode ser particularmente difícil executar essas tarefas sem uma interface de usuário intuitiva.
(Fonte: Microsoft.com)
O Azure ML é acompanhado pelo ML Studio, que é essencialmente uma ferramenta baseada em navegador que oferece ao cientista de dados uma interface de arrastar e soltar fácil de usar para construir esses modelos.
A maioria dos algoritmos e bibliotecas amplamente usados sai da caixa para os usuários. Ele também possui suporte integrado para R e Python, permitindo que os cientistas de dados veteranos alterem e personalizem seu modelo e sua arquitetura de acordo com sua preferência.
Uma vez que o modelo é construído e está pronto, ele pode ser facilmente usado como um serviço da web que pode ser chamado por uma infinidade de linguagens de programação, essencialmente tornando-o disponível para o aplicativo que realmente está voltado para o usuário final.
O Machine Learning Studio torna o aprendizado de máquina bastante simples, fornecendo uma maneira de arrastar e soltar para construir o fluxo de trabalho. Com o ML Studio e uma grande quantidade de módulos que oferece para modelar o fluxo de trabalho, é possível fazer modelos avançados sem escrever nenhum código.
O aprendizado de máquina começa com dados, que podem vir de várias origens. Os dados normalmente precisam ser “limpos” antes de serem usados, para o qual o ML Studio incorpora módulos para ajudar na limpeza. Assim que os dados estiverem prontos, pode-se selecionar um algoritmo e “treinar” o modelo sobre os dados e encontrar padrões neles. Depois disso, vem a pontuação e a avaliação do modelo, o que indica o quão bem o modelo é capaz de prever resultados. Tudo isso é fornecido visualmente no ML Studio. Assim que o modelo estiver pronto, alguns cliques no botão o implantarão como um serviço da Web para que ele possa ser chamado de aplicativos clientes.
O ML Studio fornece implementações pré-gravadas de vinte e cinco dos algoritmos padrão usados no aprendizado de máquina. Ele os separa em quatro seções.
- A detecção de anomalias é um método de classificação de coisas, eventos ou observações que não se encaixam em um padrão convencional ou outros itens em um conjunto de dados.
- Os algoritmos de regressão tentam descobrir e quantificar as relações entre as variáveis. Ao estabelecer uma relação entre uma variável dependente e uma ou mais variáveis independentes, a análise de regressão pode permitir que o valor de uma variável dependente seja previsto, dado um conjunto de entradas com uma precisão quantificável.
- O objetivo dos algoritmos de classificação é identificar a classe à qual pertence uma observação com base nos dados de treinamento que consistem em observações que já foram atribuídas a uma categoria.
- O agrupamento busca empilhar um monte de objetos de forma que os objetos no mesmo grupo (chamados de agrupamento) sejam mais semelhantes entre si do que aqueles em outros grupos (agrupamentos).
Depois de estendido como um serviço da Web, um modelo pode ser usado com chamadas REST simplistas sobre HTTP. Isso permite que os desenvolvedores criem aplicativos que buscam inteligência no aprendizado de máquina.
O que se segue neste artigo do Azure Machine Learning é um resumo rápido sobre o azure e seus recursos
Continuando com o artigo do Azure Machine Learning,
o que é procedimento em sql
O Machine Learning Cloud Service
Os serviços em nuvem permitem essencialmente que um usuário final alugue ou use os serviços (máquinas de hardware) implantados por outra empresa, remotamente pela Internet.
O serviço Azure Machine Learning fornece Kits e serviços de desenvolvimento de software para preparar dados, treinar e implantar prontamente modelos de ML personalizados.Há suporte pronto para uso para frameworks Python de código aberto, como PyTorch, TensorFlow e scikit-learn.Deve-se considerar o uso disso se for necessário construir modelos personalizados ou trabalhar com modelos de aprendizado profundo
No entanto, se você está inclinado a não trabalhar em Python ou deseja um serviço mais simples, não use isso.
Esses serviços requerem uma boa dose de conhecimento e experiência em ciência de dados e não são recomendados para iniciantes. Pague apenas pelos recursos para treinar modelos. Vários níveis de preços para implantação por meio do Serviço Kubernetes do Azure.
Continuando com o artigo do Azure Machine Learning,
Interface Gráfica
As interfaces gráficas são sem código ou plataforma de baixo código com base em maneiras de acessar recursos como ML. Alguns deles podem ser listas suspensas, neste caso, é uma ferramenta de arrastar e soltar.
O Azure Machine Learning Studio é uma ferramenta de aprendizado de máquina de arrastar e soltar que permite criar, treinar e personalizar modelos de aprendizado de máquina carregando um conjunto personalizado de dados para avaliar os resultados em uma interface gráfica. Depois de treinar um modelo, você pode implantá-lo como um serviço da web direto do Studio.
Esta funcionalidade é geralmente empregada quando o código a ser escrito tem que ser baixo ou o trabalho principal é baseado em problemas fundamentais como classificação, regressão e agrupamento
Esta abordagem é geralmente amigável para iniciantes, entretanto, requer algum conhecimento prévio em ciência de dados.
Embora tenha uma opção gratuita, o nível padrão custa $ 9,99 por assento, por mês e $ 1 por hora de experimentação.
API de aprendizado de máquina
Uma Interface de Programa de Aplicativo (API) é um serviço que pode ser fornecido por uma organização que pode enviar respostas a certas perguntas e essas respostas podem ser usadas para aprimorar sua aplicação.
ng-change vs onchange
Isso nos permite ter flexibilidade para acessar vários serviços sem sobrecarregar diretamente nosso aplicativo principal.
Os serviços de API da Microsoft são chamados de Serviços Cognitivos. Eles podem ser implantados diretamente no Azure. Existem cinco classes de serviços disponíveis, incluindo visão, linguagem, fala, pesquisa e decisão. Esses são modelos pré-treinados que se adequam aos desenvolvedores que estão entusiasmados em empregar o aprendizado de máquina, mas não têm experiência em ciência de dados.
No entanto, esses serviços são insuficientes quando se trata de personalizações e, portanto, não são recomendados nos casos em que muitas coisas são bem definidas, os requisitos não são flexíveis.
Continuando com o artigo do Azure Machine Learning,
ML.NET
Frameworks são códigos gerais sobre os quais se pode construir seu próprio aplicativo. Os frameworks permitem que a funcionalidade de nível inferior seja cuidada de forma que seja necessário apenas cuidar da lógica do aplicativo.
ML.NET tem uma classificação, regressão, detecção de anomalias e algoritmos de treinamento de recomendação e pode ser estendido com Tensorflow e ONNX para redes neurais.
Isso pode ser de grande utilidade para um desenvolvedor .NET que se sente confortável em construir seus próprios pipelines de ML.No entanto, a curva de aprendizado significa que os desenvolvedores de python em geral devem ficar longe.
Continuando com o artigo do Azure Machine Learning,
AutoML
O aprendizado de máquina automatizado tem atraído muita atenção recentemente e é um software que seleciona e treina automaticamente modelos de aprendizado de máquina. Embora seja fácil pensar que ele pode substituir tecnicamente o trabalho de um cientista de dados, alguém que realmente o usou sabe claramente que há limitações para o que ele pode ou não fazer.
O meta atual (sem AutoML) para cientistas de dados seria primeiro criar um modelo básico e, em seguida, iterar sobre as várias possibilidades de hiperparâmetros, manualmente até que eles cheguem a um conjunto de valores que produza os melhores resultados. Como se pode facilmente adivinhar, esta é uma estratégia extremamente demorada e baseada em acertos e erros. Além disso, o espaço de busca aumenta exponencialmente conforme o número de hiperparâmetros aumenta, tornando as arquiteturas mais recentes baseadas em redes neurais profundas quase impossíveis de iterar e otimizar completamente.
Atualmente, o AutoML da Microsoft é capaz de construir um conjunto de modelos de ML automaticamente, selecionar modelos de forma inteligente para treinamento e recomendar o melhor para você com base no problema de ML e tipo de dados. Resumindo, ele seleciona o algoritmo certo e ajuda a ajustar os hiperparâmetros. Atualmente, ele suporta apenas problemas de classificação, previsão e regressão.
O AutoML é usado com o Azure Machine Learning Service ou ML.NET e você paga por quaisquer custos associados a eles.
Isso nos leva ao final deste artigo. Espero que tenha gostado deste artigo. Se você está lendo isso, deixe-me parabenizá-lo. Como você não é mais um novato no Azure! Quanto mais você praticar, mais aprenderá. Para tornar sua jornada mais fácil, criamos este Tutorial do Azure Blog Series que será atualizado com frequência, fique atento!
Também criamos um currículo que cobre exatamente o que você precisa para quebrar os Exames Azure! Você pode dar uma olhada nos detalhes do curso para . Aprendizagem feliz!
Tem alguma questão para nós? Mencione isso na seção de comentários deste artigo e entraremos em contato com você.