Azure Machine Learning Studio
Azure Machine Learning trao quyền cho các nhà phát triển và nhà khoa học dữ liệu với nhiều trải nghiệm hiệu quả để xây dựng, đào tạo và triển khai các mô hình học máy nhanh hơn. Nó cũng giúp đẩy nhanh thời gian đưa ra thị trường và thúc đẩy hợp tác nhóm với các MLOps hàng đầu trong ngành (DevOps cho máy học).
Đầu tiên, hãy nói về học máy là gì.
Học máy là gì?
Học máy thường được cho là có nghĩa giống như AI, nhưng chúng thực sự không giống nhau. AI liên quan đến máy móc có thể thực hiện các nhiệm vụ đặc trưng của trí thông minh con người. AI cũng có thể được thực hiện bằng cách sử dụng máy học, bên cạnh các kỹ thuật khác.
Máy học tự nó là một lĩnh vực khoa học máy tính cung cấp cho máy tính khả năng học hỏi mà không cần được lập trình rõ ràng. Học máy có thể đạt được bằng cách sử dụng một hoặc nhiều công nghệ thuật toán, chẳng hạn như mạng nơ-ron, học sâu và mạng Bayes.
Vì vậy, những gì liên quan đến học máy? Hình 4-3 cho thấy quy trình làm việc cơ bản của học máy:
Hình 4-3: Quy trình làm việc cơ bản của học máy
Quá trình học máy hoạt động như sau:
- Dữ liệu chứa các mẫu. Bạn có thể biết về một số mẫu, chẳng hạn như thói quen đặt hàng của người dùng. Cũng có thể là có nhiều mẫu dữ liệu mà bạn không quen.
- Thuật toán học máy là một phần mềm thông minh có thể tìm thấy các mẫu trong dữ liệu. Thuật toán này có thể là thuật toán bạn tạo ra bằng các kỹ thuật như học sâu hoặc học có giám sát.
- Việc tìm kiếm các mẫu trong dữ liệu bằng thuật toán học máy được gọi là “đào tạo một mô hình học máy”. Kết quả đào tạo là một mô hình học máy. Điều này chứa các kiến thức của thuật toán học máy.
- Các ứng dụng sử dụng mô hình bằng cách cung cấp cho nó dữ liệu mới và làm việc với các kết quả. Dữ liệu mới được phân tích theo các mẫu được tìm thấy trong dữ liệu. Ví dụ: khi bạn huấn luyện mô hình máy học để nhận dạng chó trong hình ảnh, nó sẽ nhận dạng một con chó trong hình ảnh mà nó chưa từng thấy trước đây.
Phần quan trọng của quá trình này là nó lặp đi lặp lại. Mô hình học máy được cải tiến liên tục bằng cách đào tạo nó với dữ liệu mới và điều chỉnh thuật toán hoặc giúp nó phân biệt kết quả đúng với kết quả sai.
Học máy Azure
Bạn có thể sử dụng Azure Machine Learning để tạo các thuật toán phân tích dữ liệu bằng các công cụ mã nguồn mở như Python, R và Azure CLI. Cũng giống như với Azure Machine Learning Studio và Azure Machine Learning designer, bạn có thể tạo bất kỳ thuật toán nào bạn muốn, mang lại sự linh hoạt cho nhiều tình huống, bao gồm phân tích dự đoán, đề xuất dữ liệu và phân loại dữ liệu.
Với Azure Machine Learning, bạn tạo các thuật toán học máy tùy chỉnh từ đầu. Điều này khác với Machine Learning Studio và trình thiết kế Machine Learning, nơi bạn tạo một thuật toán một cách trực quan bằng cách kết nối các phần được xác định trước của một thuật toán học máy. Azure Machine Learning hỗ trợ đầy đủ các công nghệ mã nguồn mở như TensorFlow, PyTorch và scikit-learn.
Azure Machine Learning là một dịch vụ hoàn chỉnh cung cấp khả năng bắt đầu từ đầu đến cuối. Bạn có thể tạo thuật toán, chuẩn bị dữ liệu, đào tạo thuật toán trên đó, kiểm tra và triển khai thuật toán cũng như theo dõi và quản lý nó khi nó đang chạy.
Azure Machine Learning hoạt động với nhiều dịch vụ Azure có thể giúp tạo, đào tạo và chạy thuật toán của bạn. Ví dụ: bạn có thể tạo thuật toán của mình trong Jupyter Notebook, đào tạo nó bằng Azure Databricks và triển khai nó trên một cụm container Kubernetes trong Dịch vụ Azure Kubernetes.
Bắt đầu với Azure Machine Learning bằng cách sử dụng cổng Azure
Trình thiết kế Azure Machine Learning
Bạn có thể sử dụng Azure Machine Learning designer để chuẩn bị dữ liệu và đào tạo, kiểm tra, triển khai, quản lý và theo dõi các mô hình machine learning mà không cần viết bất kỳ mã nào. Không cần lập trình; bạn kết nối trực quan tập dữ liệu và mô-đun để xây dựng mô hình của mình.
Để bắt đầu sử dụng trình thiết kế Azure Machine Learning, trước tiên bạn cần tạo một không gian làm việc Azure Machine Learning. Không gian làm việc này cung cấp một nơi tập trung để làm việc với tất cả các tạo tác bạn tạo trong Azure Machine Learning.
Trong trình thiết kế, bạn bắt đầu bằng cách tạo một đường dẫn từ đầu hoặc với một trong nhiều mẫu được tạo sẵn, bao gồm một mẫu để dự đoán độ trễ chuyến bay và một mẫu khác để dự đoán quản lý quan hệ khách hàng (CRM):
Hình 4-4: Sử dụng tập lệnh R tùy chỉnh để dự đoán độ trễ chuyến bay
Hình 4-4 cho thấy một đường dẫn trong trình thiết kế Machine Learning sử dụng tập lệnh R tùy chỉnh để dự đoán liệu chuyến bay chở khách đã lên lịch có bị hoãn hơn 15 phút hay không. Quy trình cụ thể này đã được tạo bằng cách sử dụng quy trình mẫu “Mẫu 6: Sử dụng Tập lệnh R tùy chỉnh — Dự đoán độ trễ chuyến bay”.
Dự đoán giá ô tô với trình thiết kế
AutoML
Học máy tự động, còn được gọi là AutoML, là quá trình tự động hóa các tác vụ lặp đi lặp lại tốn thời gian của quá trình phát triển mô hình học máy. Việc phát triển mô hình học máy truyền thống tiêu tốn nhiều tài nguyên, đòi hỏi kiến thức miền đáng kể và thời gian để sản xuất và so sánh hàng chục mô hình. Với công nghệ máy học tự động, bạn sẽ đẩy nhanh thời gian để có được các mô hình ML sẵn sàng sản xuất một cách dễ dàng và hiệu quả.
Trong quá trình đào tạo, Azure Machine Learning tạo ra một số đường ống song song để thử các thuật toán và thông số khác nhau cho bạn. Mỗi lần lặp lại tạo ra một mô hình với điểm đào tạo. Điểm càng cao, mô hình được coi là “phù hợp” với dữ liệu của bạn càng tốt. AutoML sẽ dừng khi nó đạt đến tiêu chí thoát được xác định trong thử nghiệm.
AutoML có thể tiết kiệm thời gian trong việc chọn đúng thuật toán và các tham số cần thiết để tạo ra một mô hình tốt phù hợp với dữ liệu của bạn.