🍑 🤜🏻 🤹🏿 Azure机器学习服务入门 👨🏾‍🌾 🍾 🕞

今天，考虑我们创建机器学习产品的第五次迭代。要解决此主题，请简要回顾一下以前的产品及其当前状态。仅考虑完全集成的解决方案，这些解决方案使您可以从模型的计算过渡到在一个完整产品中的实际案例中使用。

我请作者，我们的MVP Mikhail Komarov发言。

本文在我们的新闻门户上。

我们不涵盖HDInsight，DataScience虚拟机以及其他独立的机器学习组件以及认知服务。

SQL Server 2005引入了数据挖掘组件，该组件包括DMX语言以及Excel的扩展。最新的扩展可以在Excel上运行，尽管该产品在SQL Sever的当前版本中并且为了向后兼容而存在，但目前尚未开发该产品。
10年过去了。 2016年，Azure机器学习Studio项目启动。最新的外观更新是2018年10月的R库，目前不是主流。主要缺点包括无法导出和导入模型以及可伸缩性问题。使用示例可以在这里找到。极有可能在2-3年后，他会悄悄离开舞台。
SQLServer 2016（仅支持R），SQL 2017、2019（支持R和Python）以及用于机器学习的专用服务器。该产品正在积极发展，以扩大企业环境（集群和企业规模的其他要素）中的机器学习功能。在某些情况下，需要实时分析大量数据。对于那些尚未准备好与云共享数据的人来说很有趣。
2017年，Azure机器学习工作台出现在初步版本中，并随Python一起在本地安装，但需要在Azure中拥有一个帐户。对于那些感兴趣的人，请看这里。该项目目前已关闭，但许多想法已转移到Azure机器学习服务。

当前版本的Azure机器学习服务自2018年12月起可以付费使用，并且还有一个有限的免费版本。

Microsoft将Azure机器学习服务分为三个主要阶段：数据准备，通过模型创建进行的实验以及部署。在该图中，它看起来像这样：

接下来是一个稍微详细的图表，我们特别关注Python支持和缺少R.支持的情况，它为我们提供了有关所有情况的信息。

最后一部分是分类法，它显示了三个关键的构建块：创建和计算模型（左），收集有关模型计算过程的数据（中心），部署和支持已部署的模型。让我们更详细地介绍每个关键块。

首先从在Azure中创建一个帐户开始（如果该帐户不存在），然后使用简单的组合创建一个帐户并转到portal.azure.com 。在此处，选择“创建资源”，然后单击“ Azure机器学习服务”工作区。选择一个订阅，创建一个区域和一个新的资源组。

在工作了几分钟之后，我们将在Dashboard上获得下一个结果，然后转到Machine Learning服务工作区。

我们选择“ Azure机器学习”服务工作区，然后打开“ Microsoft Azure笔记本”，建议在其中克隆一个示例，我们同意，我们选择了“教程”，其中包含一个图像分类示例。

在启动时，请确认已选择Python 3.6内核，然后可以按照以下步骤进行操作。本文中不包含示例中的步骤说明。

通常的想法是，使用浏览器和带有Python代码的标准Jupyter笔记本，我们可以创建，计算和保存模型。还有另一种方法-使用Visual Studio Code，我们可以连接到我们的区域并查看对象的属性，也可以在其中编写代码，而不必忘记安装Azure ML插件。顺便说一句，我们注意到，一旦开始使用Visual Studio Code，我们就会自动获得具有版本控制功能的普通IDE。