この記事では、実装の要点を紹介します Azure MachineLearningサービスのプラクティス。この記事では、次のポイントについて説明します。
- Azure Machine Learning
- Azure Machine Learning Service
- 機械学習クラウドサービス
- グラフィカルインターフェイス
- 機械学習API
- ML.NET
- AutoML
それでは、このAzure MachineLearningの記事から始めましょう。
Azure Machine Learning
クラウドの出現は、コンピューティングインフラストラクチャの新たな始まりを示しました。それは基本的に、インターネットを介して使用するために購入するのに非常に高価だったであろうリソースを使用できることを意味しました。機械学習、特にディープラーニングでは、非常に大量のRAMとVRAM（Cuda Coreの場合）を使用できるコンピューターアーキテクチャを使用する必要があります。これらの商品は両方とも、2つの主な理由で入手が困難です–
1人用のラップトップは、フレーム内の限られた量のリソースにしかパックできません。これは、一般的なラップトップユーザーが、マシン上でローカルに機械学習タスクを実行するのに十分なリソースを自由に使用できない可能性があることを意味します。
RAM、特にVRAMは購入するのに非常に費用がかかり、非常に高い投資のようです。堅牢なRAMとVRAMに加えて、高品質のCPUをサポートする必要もあります（そうしないと、CPUがシステムのボトルネックになる可能性があります）。これにより、全体的な価格がさらに高くなります。
Azure Machine Learningの記事に進み、
Azure Machine Learning Service
上記の問題を考慮すると、24時間365日アクセスできるインターネットを介してリモートで廃棄できるリソースの必要性を簡単に理解できます。
Azure MLは、すべてのレベルのデータサイエンティストに合理化されたエクスペリエンスを提供するクラウドベースのサービスです。多くの新しいエンジニアがこのスペースに入ろうとしているという事実のため、これは特に重要であり、直感的なユーザーインターフェイスなしでこれらのタスクを実行することは特に困難な場合があります。
（出典：Microsoft.com）
Azure MLにはMLスタジオが付属しています。これは基本的に、データサイエンティストに、これらのモデルを構築するための使いやすいドラッグアンドドロップインターフェイスを提供するブラウザーベースのツールです。
頻繁に使用されるアルゴリズムとライブラリのほとんどは、ユーザーがすぐに使用できるようになっています。また、RとPythonのサポートが組み込まれているため、ベテランのデータサイエンティストは、モデルとそのアーキテクチャを好みに応じて変更およびカスタマイズできます。
モデルが構築されて準備ができたら、多数のプログラミング言語で呼び出すことができるWebサービスとして簡単に使用でき、基本的に、実際にエンドユーザーが直面するアプリケーションで使用できるようになります。
Machine Learning Studioは、ワークフローを構築するためのドラッグアンドドロップ方式を提供することにより、機械学習をかなり簡単にします。 ML Studioと、ワークフローをモデル化するために提供される多数のモジュールを使用すると、コードを記述せずに高度なモデルを作成できます。
機械学習は、さまざまな起源のデータから始まります。通常、データは使用する前に「クリーニング」する必要があります。MLStudioには、クリーニングに役立つモジュールが組み込まれています。データの準備ができたら、アルゴリズムを選択し、データに対してモデルを「トレーニング」して、その中のパターンを見つけることができます。その後、モデルのスコアリングと評価が行われます。これにより、モデルが結果をどれだけうまく予測できるかがわかります。これらはすべて、MLStudioで視覚的に提供されます。モデルの準備ができたら、ボタンを数回クリックするだけでモデルをWebサービスとしてデプロイし、クライアントアプリから呼び出すことができます。
ML Studioは、機械学習で使用される25の標準アルゴリズムの事前に記録された実装を提供します。それはそれらを4つのセクションに分けます。
- 異常検出は、データセット内の従来のパターンやその他の項目に適合しないもの、イベント、または観測を分類する方法です。
- 回帰アルゴリズムは、変数間の関係を発見して定量化しようとします。従属変数と1つ以上の独立変数の間に関係を確立することにより、回帰分析では、定量化可能な精度で一連の入力が与えられた場合に、従属変数の値を予測できます。
- 分類アルゴリズムの目的は、すでにカテゴリに割り当てられている観測値で構成されるトレーニングデータに基づいて、観測値が属するクラスを識別することです。
- クラスタリングは、同じグループ（クラスターと呼ばれる）内のオブジェクトが他のグループ（クラスター）内のオブジェクトよりも互いに類似するように、オブジェクトの束を積み上げようとします。
Webサービスとして拡張されると、モデルはHTTPを介した単純なREST呼び出しで使用できます。これにより、開発者は機械学習からインテリジェンスを取得するアプリケーションを構築できます。
このAzureMachine Learningの記事に続くのは、紺碧とその機能についての簡単なまとめです。
Azure Machine Learningの記事に進み、
機械学習クラウドサービス
クラウドサービスは基本的に、エンドユーザーがインターネットを介してリモートで他の会社によって展開されたサービス（ハードウェアマシン）を貸し出したり、使用したりすることを可能にします。
intのc ++ソート配列
Azure Machine Learningサービスは、データを迅速に準備し、トレーニングし、カスタムMLモデルをデプロイするためのソフトウェア開発キットとサービスを提供します。PyTorch、TensorFlow、scikit-learnなどのオープンソースのPythonフレームワークがすぐにサポートされます。カスタムモデルを構築したり、ディープラーニングモデルを操作したりする必要がある場合は、これの使用を検討する必要があります
ただし、Pythonで作業したくない場合や、より単純なサービスが必要な場合は、これを使用しないでください。
このサービスには、データサイエンスに関する豊富な知識と背景が必要であり、初心者にはお勧めしません。モデルをトレーニングするためのリソースに対してのみ支払います。 Azure KubernetesServiceを介してデプロイするためのいくつかの料金階層。
Azure Machine Learningの記事に進み、
グラフィカルインターフェイス
グラフィカルインターフェイスは、MLなどの機能にアクセスする方法に基づくノーコードまたはローコードプラットフォームです。それらのいくつかはドロップダウンリストである可能性があり、この場合、それはドラッグアンドドロップツールです。
Azure Machine Learning Studioは、ドラッグアンドドロップの機械学習ツールであり、グラフィカルインターフェイスで結果を評価するためのカスタムデータセットをアップロードすることで、機械学習モデルを構築、トレーニング、カスタマイズできます。モデルをトレーニングした後、Studioから直接Webサービスとしてデプロイできます。
この機能は通常、作成するコードを低くする必要がある場合、または主要な作業が分類、回帰、クラスタリングなどの基本的な問題に基づいている場合に使用されます。
このアプローチは一般的に初心者に優しいですが、データサイエンスの背景知識が必要です。
無料のオプションはありますが、標準階層の料金は、シートあたり月額9.99ドル、実験時間あたり1ドルです。
機械学習API
アプリケーションプログラムインターフェイス（API）は、特定のクエリへの応答を送信できる組織が提供できるサービスであり、それらの応答を使用してアプリケーションを拡張できます。
これにより、コアアプリケーションを直接停止することなく、さまざまなサービスに柔軟にアクセスできます。
Javaでのメソッドオーバーロードの利点
MicrosoftのAPIサービスはコグニティブサービスと呼ばれます。これらはAzureに直接デプロイできます。視覚、言語、音声、検索、意思決定など、5つのクラスのサービスを利用できます。これらは、機械学習の採用に熱心であるがデータサイエンスのバックグラウンドを持たない開発者に適した、事前にトレーニングされたモデルです。
ただし、これらのサービスはカスタマイズに関しては不十分であるため、多くのものが明確に定義されている場合は推奨されません。要件は柔軟ではありません。
ML.NET
フレームワークは、その上に独自のアプリケーションを構築できる一般的なアウトラインコードです。フレームワークを使用すると、低レベルの機能を管理できるため、アプリケーションロジックを管理するだけで済みます。
ML.NETには、分類、回帰、異常検出、推奨トレーニングのアルゴリズムがあり、ニューラルネットワーク用のTensorflowとONNXで拡張できます。
これは、独自のMLパイプラインの構築に慣れている.NET開発者にとって非常に役立ちます。ただし、学習曲線は、一般的なPython開発者が近づかないようにする必要があることを意味します。
Azure Machine Learningの記事に進み、
AutoML
自動機械学習は最近大きな注目を集めており、機械学習モデルを自動的に選択してトレーニングするソフトウェアです。データサイエンティストの仕事を技術的に置き換えることができると考えるのは簡単ですが、実際にそれを使用した人ははっきりと知っていますが、できることとできないことには限界があります。
データサイエンティストの現在のメタ（AutoMLなし）は、最初にベースモデルを作成し、次にハイパーパラメーターのさまざまな可能性を、最良の結果が得られる値のセットに到達するまで手動で繰り返すことです。簡単に推測できるように、これは非常に時間がかかり、ヒットアンドミスベースの戦略です。また、ハイパーパラメータの数が増えると検索スペースが指数関数的に増加するため、新しいディープニューラルネットワークベースのアーキテクチャを完全に反復して最適化することはほとんど不可能です。
現在、MicrosoftのAutoMLは、MLモデルのセットを自動的に構築し、トレーニング用のモデルをインテリジェントに選択し、MLの問題とデータ型に基づいて最適なモデルを推奨することができます。一言で言えば、適切なアルゴリズムを選択し、ハイパーパラメータの調整に役立ちます。現在、分類、予測、回帰の問題のみをサポートしています。
AutoMLはAzureMachine Learning ServiceまたはML.NETで使用され、それらに関連する費用はすべてお客様が負担します。
これで、この記事の終わりになります。この記事を楽しんでいただけたでしょうか。これを読んでいるなら、おめでとうございます。あなたはもはやAzureの初心者ではないので！練習すればするほど、学ぶことができます。あなたの旅を簡単にするために、私たちはこれを考え出しました Azureチュートリアル ブログシリーズ 頻繁に更新されますので、お楽しみに！
また、AzureExaminationsをクラックするために必要なものを正確にカバーするカリキュラムも用意しています。あなたはのためのコースの詳細を見ることができます 。ハッピーラーニング！
質問がありますか？この記事のコメントセクションにその旨を記載してください。折り返しご連絡いたします。