Azure Machine Learning सेवा के साथ शुरुआत करना

आज, मशीन सीखने के उत्पाद बनाने के हमारे पांचवें पुनरावृत्ति पर विचार करें। इस विषय पर संपर्क करने के लिए, पिछले उत्पादों और उनकी वर्तमान स्थिति को संक्षेप में याद करें। केवल पूरी तरह से एकीकृत समाधानों पर विचार करें जो आपको एक पूर्ण उत्पाद में वास्तविक मामलों में उपयोग करने के लिए मॉडल की गणना से जाने की अनुमति देता है।



मैं लेखक को फर्श देता हूं, हमारे एमवीपी, मिखाइल कोमारोव।

यह लेख हमारे समाचार पोर्टल पर है।

हम HDInsight, DataScience वर्चुअल मशीन और अन्य स्वतंत्र मशीन सीखने के घटकों के साथ-साथ संज्ञानात्मक सेवाओं को कवर नहीं करते हैं।

1. SQL सर्वर 2005 ने डेटा माइनिंग घटक को पेश किया, जिसमें DMX भाषा, साथ ही एक्सेल का विस्तार भी शामिल है। नवीनतम एक्सटेंशन ने एक्सेल पर काम किया है। वर्तमान में, उत्पाद विकसित नहीं हुआ है, हालांकि यह एसक्यूएल सेवर के वर्तमान संस्करणों में है और पिछड़े संगतता के लिए मौजूद है।
2. 10 साल हो गए। 2016 में, Azure Machine Learning Studio परियोजना शुरू हुई। नवीनतम कॉस्मेटिक अपडेट अक्टूबर 2018, आर लाइब्रेरी है। यह वर्तमान में मुख्यधारा नहीं है। मुख्य नुकसान में मॉडल और निर्यात करने में असमर्थता के साथ-साथ स्केलेबिलिटी के मुद्दे भी शामिल हैं। उपयोग का एक उदाहरण यहां पाया जा सकता है । सबसे अधिक संभावना है, 2-3 साल बाद वह चुपचाप मंच छोड़ देगा।
3. SQLServer 2016 (केवल R का समर्थन), SQL 2017,2019 (R और पायथन का समर्थन), साथ ही मशीन सीखने के लिए एक समर्पित सर्वर। उत्पाद कॉर्पोरेट वातावरण में मशीन लर्निंग की क्षमताओं के विस्तार (उद्यम पैमाने के क्लस्टरिंग और अन्य तत्वों) के रूप में सक्रिय रूप से विकसित हो रहा है। वास्तविक समय में बड़ी मात्रा में डेटा के विश्लेषण के साथ मामले हैं। उन लोगों के लिए दिलचस्प है जो क्लाउड के साथ डेटा साझा करने के लिए तैयार नहीं हैं।
4. 2017 में, Azure Machine Learning Workbench प्रारंभिक संस्करण में दिखाई दिया, जिसे स्थानीय रूप से पायथन के साथ स्थापित किया गया था, लेकिन Azure में एक खाते की आवश्यकता थी। जो लोग रुचि रखते हैं, उनके लिए यहां देखें । वर्तमान में यह परियोजना बंद है, लेकिन कई विचारों को एज़्योर मशीन लर्निंग सर्विस में स्थानांतरित कर दिया गया है।

Azure Machine Learning Service का वर्तमान संस्करण दिसंबर 2018 से भुगतान किए गए उपयोग के लिए उपलब्ध है, और एक सीमित मुफ्त संस्करण भी है।

Microsoft Azure मशीन लर्निंग सर्विस को तीन व्यापक चरणों में तोड़ता है: डेटा तैयार करना, मॉडल निर्माण के साथ प्रयोग, और परिनियोजन। आरेख में, यह इस तरह दिखता है:



अगला थोड़ा अधिक विस्तृत आरेख है, हम पायथन समर्थन और आर समर्थन की कमी पर विशेष ध्यान देते हैं। यह हमें जानकारी देता है कि सब कुछ कैसे होता है।



अंतिम भाग एक वर्गीकरण है, जो तीन प्रमुख बिल्डिंग ब्लॉक्स दिखाता है: एक मॉडल (बाएं) का निर्माण और गणना करना, मॉडल गणना प्रक्रिया (केंद्र) के बारे में डेटा एकत्र करना, एक तैनात मॉडल की तैनाती और समर्थन करना। आइए हम प्रत्येक प्रमुख ब्लॉक पर अधिक विस्तार से ध्यान दें।



कार्य एज़्योर में एक खाता बनाने के साथ शुरू होता है, अगर यह मौजूद नहीं है, तो सरल संयोजनों का उपयोग करके हम एक खाता बनाते हैं और portal.azure.com पर जाते हैं । वहां, एक संसाधन बनाएँ चुनें, फिर एज़्योर मशीन सीखने सेवा कार्यक्षेत्र पर क्लिक करें। सदस्यता का चयन करें, एक क्षेत्र और एक नया संसाधन समूह बनाएं।



क्लाउड के काम के कुछ मिनटों के बाद, हमें डैशबोर्ड पर अगला परिणाम मिलेगा, और फिर मशीन लर्निंग सर्विस कार्यस्थान पर आगे बढ़ेंगे।





हम एज़्योर मशीन लर्निंग सेवा कार्यक्षेत्र का चयन करते हैं, वहां हम Microsoft एज़्योर नोटबुक खोलते हैं, जहां यह एक उदाहरण क्लोन करने का प्रस्ताव है, हम सहमत हैं, हम ट्यूटोरियल का चयन करते हैं - इसमें छवि वर्गीकरण का एक उदाहरण है।



स्टार्टअप पर, सत्यापित करें कि पायथन 3.6 कर्नेल चुना गया है, और आप चरणों का पालन कर सकते हैं। उदाहरण में दिए गए चरणों का वर्णन लेख में शामिल नहीं है।

सामान्य रूप से विचार यह है कि पायथन कोड के साथ ब्राउज़र और मानक ज्यूपिटर नोटबुक का उपयोग करके, हम मॉडल बना सकते हैं, गणना कर सकते हैं और सहेज सकते हैं। एक और तरीका है - विज़ुअल स्टूडियो कोड का उपयोग करके, हम अपने क्षेत्र से जुड़ सकते हैं और ऑब्जेक्ट्स के गुणों को देख सकते हैं, वहां भी कोड लिख सकते हैं, एज़्योर एमएल प्लगइन को स्थापित करने के लिए भूलकर भी। पास होने में, हम ध्यान दें कि जैसे ही हमने विजुअल स्टूडियो कोड का उपयोग करना शुरू किया, हमें स्वचालित रूप से संस्करण नियंत्रण के साथ एक सामान्य आईडीई मिल गया।





अनुभाग के अंत में, हम गणना के लिए जगह चुनने और मॉडल परिनियोजन के लिए संभावना पर ध्यान आकर्षित करते हैं।



प्रक्रिया की निगरानी और सेवा की तैनाती

आप प्रयोग अनुभाग देख सकते हैं, जहाँ परिकलित मॉडल के पैरामीटर प्रदर्शित किए जाते हैं।



हम छवि में रुचि रखते हैं - एज़्योर कंटेनर इंस्टेंस, दूसरे शब्दों में, यह है

हमारे मॉडल के साथ डॉकटर कंटेनर, जो बादल में स्थित है।





परिनियोजन प्रक्रिया विज़ुअल स्टूडियो कोड या Microsoft Azure नोटबुक से आती है। सेवा की तैनाती के पूरा होने पर, जो हमारे मॉडल के साथ कंटेनर उदाहरण है, हमें निम्नलिखित चित्र मिलता है:





प्रयोग पूरा करने के बाद, सेवा और सभी आवंटित संसाधनों को हटाना न भूलें ताकि आपके बैंक कार्ड से धन का कोई स्वचालित डेबिट न हो। संपूर्ण संसाधन समूह को हटाना आसान है।



परिणामस्वरूप, हमारे पास एक एंटरप्राइज़-वाइड समाधान है, जो असंतुष्ट मैट्रिक्स परिणाम के मामले में स्वचालित रूप से मॉडल की गणना करने, तैनात करने और स्वचालित रूप से पिछले मॉडल पर लौटने की क्षमता के साथ है।

संसाधन:

azure.microsoft.com/en-us/services/machine-learning-service

लेखक के बारे में

मिखाइल कोमारोव, माइक्रोसॉफ्ट एमवीपी

आईटी क्षेत्र में 20 से अधिक वर्षों। रुचियां: वर्चुअलाइजेशन, इन्फ्रास्ट्रक्चर, डेटा विश्लेषण और मशीन लर्निंग। वह कॉरपोरेट सेगमेंट में काम की दक्षता बढ़ाने के उद्देश्य से मौजूदा और नई प्रणालियों को लागू करने में सहयोग कर रहा है। पहले एक सूचना प्रौद्योगिकी ट्रेनर के रूप में काम किया।