Artikel ini akan memperkenalkan Anda pada intisari penerapan praktik pada layanan Pembelajaran Mesin Azure. Petunjuk berikut akan dibahas dalam artikel ini,
- Pembelajaran Mesin Azure
- Layanan Pembelajaran Mesin Azure
- Layanan Cloud Machine Learning
- Antarmuka Grafis
- Machine Learning API
- ML.NET
- AutoML
Jadi, mari kita mulai dengan artikel Pembelajaran Mesin Azure ini,
Pembelajaran Mesin Azure
Munculnya cloud menandai awal baru dalam infrastruktur komputasi. Ini pada dasarnya berarti bahwa seseorang dapat menggunakan sumber daya yang akan sangat mahal untuk dibeli jika tidak digunakan melalui Internet. Pembelajaran mesin, terutama pembelajaran mendalam, membutuhkan penggunaan arsitektur komputer yang memungkinkan penggunaan RAM dalam jumlah yang sangat tinggi, dan VRAM (untuk Cuda Cores). Kedua komoditas ini sulit diperoleh karena dua alasan utama -
Laptop untuk satu, hanya dapat mengemas sumber daya dalam jumlah terbatas dalam bingkai yang mereka miliki. Ini berarti pengguna laptop biasa tidak mungkin memiliki cukup sumber daya untuk melakukan tugas pembelajaran mesin secara lokal di mesin
RAM dan terutama VRAM sangat mahal untuk dibeli dan tampaknya merupakan investasi yang sangat tinggi. Seiring dengan RAM dan VRAM yang kuat, kami juga perlu mendukung CPU tingkat tinggi (jika tidak, CPU akan terbukti menjadi penghambat bagi sistem) yang selanjutnya mendorong harga keseluruhan menjadi lebih tinggi.
Pindah dengan Artikel Pembelajaran Mesin Azure,
Layanan Pembelajaran Mesin Azure
Dengan mempertimbangkan masalah di atas, kita dapat dengan mudah memahami kebutuhan akan sumber daya yang dapat dibuang dari jarak jauh melalui Internet dengan akses 24 * 7.
Azure ML adalah layanan berbasis cloud yang memberikan pengalaman efisien bagi data scientist di semua level. Ini sangat penting karena fakta bahwa banyak teknisi baru mencoba memasuki ruang ini dan dapat sangat menakutkan untuk melakukan tugas ini tanpa antarmuka pengguna yang intuitif.
perbedaan antara overriding dan overloading
(Sumber: Microsoft.com)
Azure ML disertai oleh ML studio, yang pada dasarnya adalah alat berbasis browser yang memberikan data scientist antarmuka seret dan lepas yang mudah digunakan untuk membuat model ini.
Sebagian besar algoritma dan perpustakaan yang banyak digunakan keluar dari kotak untuk pengguna. Ini juga menawarkan dukungan built-in untuk R dan Python, membiarkan data scientist veteran mengubah dan menyesuaikan model dan arsitekturnya sesuai keinginan mereka.
Setelah model dibuat dan siap, model tersebut dapat dengan mudah digunakan sebagai layanan web yang dapat dipanggil oleh banyak bahasa pemrograman, yang pada dasarnya membuatnya tersedia untuk aplikasi yang sebenarnya menghadapi pengguna akhir.
Machine Learning Studio membuat pembelajaran mesin cukup mudah dengan menyediakan cara seret dan lepas untuk membuat alur kerja. Dengan ML Studio dan sejumlah besar modul yang ditawarkannya untuk pemodelan alur kerja, seseorang dapat membuat model lanjutan tanpa menulis kode apa pun.
Pembelajaran Mesin dimulai dengan data, yang dapat berasal dari berbagai sumber. Data biasanya perlu 'dibersihkan' sebelum digunakan, di mana ML Studio menggabungkan modul untuk membantu pembersihan. Setelah data siap, seseorang dapat memilih algoritme dan 'melatih' model di atas data dan menemukan pola di dalamnya. Setelah itu, lakukan penilaian dan evaluasi model, yang memberi tahu Anda seberapa baik model tersebut dapat meramalkan hasil. Semua ini disampaikan secara visual di ML Studio. Setelah model siap, beberapa klik tombol akan menerapkannya sebagai layanan Web sehingga dapat dipanggil dari aplikasi klien.
ML Studio menyediakan implementasi yang direkam sebelumnya dari dua puluh lima algoritme standar yang digunakan dalam pembelajaran mesin. Ini memisahkan mereka menjadi empat bagian.
- Deteksi anomali adalah metode klasifikasi hal, peristiwa, atau observasi yang tidak sesuai dengan pola konvensional atau item lain dalam kumpulan data.
- Algoritma regresi mencoba untuk menemukan dan mengukur hubungan antar variabel. Dengan membangun hubungan antara variabel dependen dan satu atau lebih variabel independen, analisis regresi dapat memungkinkan nilai variabel dependen diprediksi dengan serangkaian input dengan akurasi yang dapat diukur.
- Tujuan dari algoritma klasifikasi adalah untuk mengidentifikasi kelas tempat observasi berada berdasarkan data pelatihan yang terdiri dari observasi yang telah ditetapkan ke dalam suatu kategori.
- Clustering berusaha menumpuk sekumpulan objek dengan cara yang membuat objek dalam grup yang sama (disebut cluster) lebih mirip satu sama lain daripada objek di grup lain (cluster).
Setelah diperluas sebagai layanan Web, model dapat digunakan dengan panggilan REST sederhana melalui HTTP. Ini memungkinkan pengembang untuk membangun aplikasi yang mengambil kecerdasan mereka dari pembelajaran mesin.
Selanjutnya dalam artikel Pembelajaran Mesin Azure ini adalah ringkasan singkat tentang azure dan fitur-fiturnya
Pindah dengan Artikel Pembelajaran Mesin Azure,
cara menggunakan sprite css
Layanan Cloud Machine Learning
Layanan cloud pada dasarnya memungkinkan pengguna akhir untuk menyewakan, atau menggunakan layanan (mesin perangkat keras) yang digunakan oleh perusahaan lain, dari jarak jauh melalui Internet.
Layanan Azure Machine Learning menyediakan Perangkat & Layanan Pengembangan Perangkat Lunak untuk segera menyiapkan data, melatih, dan menerapkan model ML kustom.Ada dukungan langsung untuk framework Python open-source, seperti PyTorch, TensorFlow, dan scikit-learn.Seseorang harus mempertimbangkan untuk menggunakan ini jika mereka perlu membangun model khusus atau bekerja dengan model pembelajaran yang mendalam
Namun, jika Anda cenderung tidak bekerja dengan Python atau menginginkan layanan yang lebih sederhana, jangan gunakan ini.
Layanan ini membutuhkan banyak pengetahuan dan latar belakang ilmu data dan tidak direkomendasikan untuk pemula. Bayar hanya sumber daya untuk melatih model. Beberapa tingkatan harga untuk penerapan melalui Azure Kubernetes Service.
Pindah dengan Artikel Pembelajaran Mesin Azure,
Antarmuka Grafis
Antarmuka grafis bukanlah kode atau platform kode rendah yang didasarkan pada cara mengakses kemampuan seperti ML. Beberapa di antaranya dapat berupa daftar drop-down, dalam hal ini adalah alat seret dan lepas.
Azure Machine Learning Studio adalah alat Machine Learning seret-dan-lepas yang memungkinkan Anda membuat, melatih, dan menyesuaikan model pembelajaran mesin dengan mengunggah sekumpulan data khusus untuk mengevaluasi hasil dalam antarmuka grafis. Setelah melatih model, Anda dapat menerapkannya sebagai layanan web langsung dari Studio.
Fungsi ini biasanya digunakan ketika kode yang akan ditulis harus rendah atau pekerjaan utama didasarkan pada masalah mendasar seperti klasifikasi, regresi, dan pengelompokan.
Pendekatan ini umumnya ramah pemula, namun memerlukan beberapa pengetahuan latar belakang dalam ilmu data.
Meskipun memiliki opsi gratis, biaya tingkat standar $ 9,99 per kursi, per bulan dan $ 1 per jam eksperimen.
Machine Learning API
Antarmuka Program Aplikasi (API) adalah layanan yang dapat disediakan oleh organisasi yang dapat mengirim tanggapan ke kueri tertentu dan tanggapan tersebut dapat digunakan untuk meningkatkan aplikasi seseorang.
java berubah dua kali menjadi int
Hal ini memungkinkan kami memiliki fleksibilitas untuk mengakses berbagai layanan tanpa langsung menghambat aplikasi inti kami.
Layanan Microsoft API disebut Layanan Kognitif. Ini dapat diterapkan langsung di Azure. Ada lima kelas layanan yang tersedia termasuk penglihatan, bahasa, ucapan, pencarian, dan keputusan. Ini adalah model terlatih yang cocok untuk developer yang antusias menggunakan Machine Learning tetapi tidak memiliki latar belakang ilmu data.
Namun, layanan ini gagal dalam hal penyesuaian dan karenanya tidak direkomendasikan dalam kasus di mana banyak hal yang persyaratan yang ditentukan dengan baik tidak fleksibel.
Pindah dengan Artikel Pembelajaran Mesin Azure,
ML.NET
Kerangka kerja adalah kode garis besar yang dapat membuat aplikasi mereka sendiri di atasnya. Kerangka kerja memungkinkan fungsionalitas tingkat yang lebih rendah untuk dijaga sehingga seseorang hanya perlu menjaga logika aplikasinya.
ML.NET memiliki klasifikasi, regresi, deteksi anomali, dan algoritme pelatihan rekomendasi dan dapat diperluas dengan Tensorflow dan ONNX untuk jaringan neural.
Ini bisa sangat bermanfaat bagi developer .NET yang merasa nyaman membuat pipeline ML-nya sendiri.Namun, kurva pembelajaran berarti pengembang python umum harus menjauh.
Pindah dengan Artikel Pembelajaran Mesin Azure,
AutoML
Pembelajaran mesin otomatis telah menarik banyak perhatian baru-baru ini, dan merupakan perangkat lunak yang secara otomatis memilih dan melatih model Pembelajaran Mesin. Meskipun mudah untuk berpikir bahwa secara teknis dapat menggantikan pekerjaan seorang data scientist, seseorang yang benar-benar telah menggunakannya dengan jelas mengetahui, ada batasan tentang apa yang dapat dan tidak dapat dilakukannya.
Meta saat ini (tanpa AutoML) untuk data scientist adalah pertama-tama membuat model dasar dan kemudian mengulangi berbagai kemungkinan untuk parameter hyper, secara manual sampai mereka tiba pada satu set nilai yang menghasilkan hasil terbaik. Seperti yang bisa ditebak dengan mudah, ini adalah strategi yang sangat memakan waktu dan hit and miss. Selain itu, ruang pencarian meningkat secara eksponensial seiring dengan bertambahnya jumlah hyperparameter, membuat arsitektur berbasis neural network yang lebih baru hampir tidak mungkin untuk diiterasi dan dioptimalkan sepenuhnya.
Saat ini, AutoML Microsoft dapat membuat sekumpulan model ML secara otomatis, memilih model untuk pelatihan dengan cerdas, kemudian merekomendasikan yang terbaik untuk Anda berdasarkan masalah ML dan jenis data. Singkatnya, ini memilih algoritme yang tepat dan membantu menyetel hyperparameter. Saat ini, ini hanya mendukung masalah klasifikasi, perkiraan dan regresi.
AutoML digunakan dengan Azure Machine Learning Service atau ML.NET dan Anda membayar semua biaya yang terkait dengannya.
Jadi ini membawa kita ke bagian akhir artikel ini. Saya harap Anda menikmati artikel ini. Jika Anda membaca ini, Izinkan saya memberi selamat kepada Anda. Karena Anda bukan lagi pemula di Azure! Semakin banyak Anda berlatih, semakin banyak Anda akan belajar. Untuk mempermudah perjalanan Anda, kami telah membuatkan ini Tutorial Azure Seri Blog yang akan sering diperbarui, jadi pantau terus!
Kami juga telah membuat kurikulum yang mencakup dengan tepat apa yang Anda perlukan untuk memecahkan Ujian Azure! Anda dapat melihat detail kursus untuk . Selamat Belajar!
Ada pertanyaan untuk kami? Harap sebutkan di bagian komentar artikel ini dan kami akan menghubungi Anda kembali.