كل ما تحتاج لمعرفته حول خدمة التعلم الآلي من Azure

ستقدم هذه المقالة إلى Azure Machine Service التي تقدمها Azure Cloud وستقدم لك أيضًا مكونات وميزات مختلفة لها.

ستقدم لك هذه المقالة التفاصيل الجوهرية للتنفيذ الممارسات على خدمة Azure Machine Learning. سيتم تغطية المؤشرات التالية في هذه المقالة ،

فلنبدأ بمقالة التعلم الآلي هذه من Azure ،





تعلم الآلة Azure

شكل ظهور السحابة بداية جديدة في البنية التحتية للحوسبة. هذا يعني في الأساس أنه يمكن للمرء استخدام الموارد التي كان شرائها باهظة الثمن لولا ذلك لاستخدامها عبر الإنترنت. يتطلب التعلم الآلي ، وخاصة التعلم العميق ، استخدام معماريات الكمبيوتر التي تسمح باستخدام كمية كبيرة للغاية من ذاكرة الوصول العشوائي ، و VRAM (لـ Cuda Cores). يصعب الحصول على كلتا هاتين السلعتين لسببين رئيسيين -

  1. يمكن لأجهزة الكمبيوتر المحمولة لشخص واحد فقط حزم كمية محدودة من الموارد في الإطار الموجود لديهم. هذا يعني أن مستخدم الكمبيوتر المحمول النموذجي لا يمكن أن يكون لديه موارد كافية تحت تصرفه لأداء مهام التعلم الآلي محليًا على الجهاز



  2. تعد ذاكرة الوصول العشوائي (RAM) وخاصة VRAM مكلفة للغاية للشراء ويبدو أنها استثمار مرتفع للغاية. إلى جانب ذاكرة الوصول العشوائي (RAM) القوية و VRAM ، نحتاج أيضًا إلى دعم وحدات المعالجة المركزية عالية الجودة (وإلا ستثبت وحدة المعالجة المركزية أنها تمثل عنق الزجاجة للنظام) ، مما يؤدي إلى زيادة السعر الإجمالي بشكل أكبر.

المضي قدمًا في مقالة التعلم الآلي في Azure ،

خدمة التعلم الآلي من Azure

مع أخذ الأمور المذكورة أعلاه في الاعتبار ، يمكننا بسهولة فهم الحاجة إلى الموارد التي يمكن التخلص منها عن بُعد عبر الإنترنت مع وصول 24 * 7.



شعار Azure ML - التعلم الآلي Azure - Edureka

Azure ML هي خدمة قائمة على السحابة توفر تجربة مبسطة لعلماء البيانات على جميع المستويات. هذا مهم بشكل خاص بسبب حقيقة أن الكثير من المهندسين الجدد يحاولون دخول هذه المساحة وقد يكون من الصعب بشكل خاص أداء هذه المهام دون واجهة مستخدم سهلة الاستخدام.

ماذا تفعل init في بيثون

(المصدر: Microsoft.com)

يأتي Azure ML مصحوبًا بـ ML studio ، وهو في الأساس أداة قائمة على المستعرض تمنح عالم البيانات واجهة سحب وإفلات سهلة الاستخدام لغرض بناء هذه النماذج.

تأتي معظم الخوارزميات والمكتبات المستخدمة بكثرة من الصندوق للمستخدمين. كما أنه يتميز بدعم مدمج لـ R و Python ، مما يسمح لعلماء البيانات المخضرمين بتغيير وتخصيص نموذجهم وبنيته حسب رغبتهم.

بمجرد بناء النموذج وجاهزيته ، يمكن استخدامه بسهولة كخدمة ويب يمكن استدعاؤها بواسطة عدد كبير من لغات البرمجة ، مما يجعله متاحًا بشكل أساسي للتطبيق الذي يواجه المستخدم النهائي بالفعل.

يجعل برنامج Machine Learning Studio التعلم الآلي بسيطًا إلى حد ما من خلال توفير طريقة السحب والإفلات التي يمكنك من خلالها بناء سير العمل. مع ML Studio وعدد كبير من الوحدات التي يقدمها لنمذجة سير العمل ، يمكن للمرء أن يصنع نماذج متقدمة دون كتابة أي كود.

يبدأ التعلم الآلي بالبيانات ، والتي يمكن أن تأتي من مجموعة متنوعة من الأصول. تحتاج البيانات عادةً إلى 'تنظيفها' قبل استخدامها ، حيث يقوم ML Studio بدمج وحدات للمساعدة في التنظيف. بمجرد أن تصبح البيانات جاهزة ، يمكن للمرء اختيار خوارزمية و 'تدريب' النموذج على البيانات والعثور على الأنماط فيه. بعد ذلك يأتي تسجيل وتقييم النموذج ، والذي يخبرك بمدى قدرة النموذج على التنبؤ بالنتائج. يتم تسليم كل هذا بشكل مرئي في ML Studio. بمجرد أن يصبح النموذج جاهزًا ، تنشره بضع نقرات على الزر كخدمة ويب بحيث يمكن استدعاؤها من تطبيقات العميل.

يوفر ML Studio تطبيقات مسجلة مسبقًا لخمسة وعشرين من الخوارزميات القياسية المستخدمة في التعلم الآلي. يفصلهم إلى أربعة أقسام.

  • كشف الانحراف هو طريقة لتصنيف الأشياء أو الأحداث أو الملاحظات التي لا تتناسب مع النمط التقليدي أو العناصر الأخرى في مجموعة البيانات.
  • تحاول خوارزميات الانحدار اكتشاف العلاقات بين المتغيرات وتحديدها. من خلال إنشاء علاقة بين متغير تابع وواحد أو أكثر من المتغيرات المستقلة ، يمكن لتحليل الانحدار أن يمكّن من توقع قيمة المتغير التابع في ضوء مجموعة من المدخلات بدقة قابلة للقياس الكمي.
  • الهدف من خوارزميات التصنيف هو تحديد الفئة التي تنتمي إليها الملاحظة بناءً على بيانات التدريب التي تتكون من الملاحظات التي تم تخصيصها بالفعل لفئة.
  • يسعى التجميع إلى تجميع مجموعة من الكائنات بطريقة تجعل الكائنات في نفس المجموعة (تسمى الكتلة) أكثر تشابهًا مع بعضها البعض من تلك الموجودة في المجموعات الأخرى (المجموعات).

بمجرد توسيعه كخدمة ويب ، يمكن استخدام نموذج مع مكالمات REST المبسطة عبر HTTP. يتيح ذلك للمطورين إنشاء تطبيقات تجلب ذكائهم من التعلم الآلي.

ما يلي في مقالة Azure Machine Learning هذا هو ملخص سريع حول اللازوردية وميزاته

المضي قدمًا في مقالة التعلم الآلي في Azure ،

ما هو التطبيق في Salesforce

خدمة التعلم الآلي السحابية

تسمح الخدمات السحابية بشكل أساسي للمستخدم النهائي بتأجير أو استخدام الخدمات (أجهزة الأجهزة) التي تنشرها شركة أخرى ، عن بُعد عبر الإنترنت.

توفر خدمة Azure Machine Learning مجموعات وخدمات تطوير البرامج لإعداد البيانات وتدريب ونشر نماذج تعلم الآلة على الفور.يوجد دعم خارج الصندوق لأطر Python مفتوحة المصدر ، مثل PyTorch و TensorFlow و scikit-Learn.يجب على المرء أن يفكر في استخدام هذا إذا كانوا بحاجة إلى بناء نماذج مخصصة أو العمل مع نماذج التعلم العميق

ومع ذلك ، إذا كنت تميل إلى عدم العمل في Python أو تريد خدمة أبسط ، فلا تستخدم هذا.

تتطلب هذه الخدمات قدرًا كبيرًا من المعرفة والخلفية بعلوم البيانات ولا ينصح بها للمبتدئين. ادفع فقط مقابل الموارد لتدريب النماذج. عدة مستويات تسعير للنشر عبر خدمة Azure Kubernetes.

المضي قدمًا في مقالة التعلم الآلي في Azure ،

واجهة رسومية

الواجهات الرسومية ليست رمزًا أو نظامًا أساسيًا منخفض الشفرة يعتمد على طرق الوصول إلى إمكانات مثل ML. يمكن أن يكون بعضها قوائم منسدلة ، وفي هذه الحالة ، تكون أداة سحب وإفلات.

Azure Machine Learning Studio هي أداة سحب وإفلات للتعلم الآلي تتيح لك إنشاء نماذج التعلم الآلي وتدريبها وتخصيصها عن طريق تحميل مجموعة مخصصة من البيانات لتقييم النتائج في واجهة رسومية. بعد تدريب النموذج ، يمكنك نشره كخدمة ويب مباشرة من الاستوديو.

عادة ما يتم استخدام هذه الوظيفة عندما يكون الرمز المراد كتابته منخفضًا أو أن العمل الرئيسي يعتمد على مشاكل أساسية مثل التصنيف والانحدار والتكتل

هذا النهج مناسب بشكل عام للمبتدئين ، ولكنه يتطلب بعض المعرفة الأساسية في علم البيانات.

على الرغم من أنه يحتوي على خيار مجاني ، إلا أن المستوى القياسي يكلف 9.99 دولارًا لكل مقعد شهريًا و 1 دولارًا لكل ساعة اختبار.

تعلم الآلة API

واجهة برمجة التطبيقات (API) هي خدمة يمكن أن تقدمها منظمة يمكنها إرسال ردود على استفسارات معينة ويمكن استخدام هذه الردود لتحسين تطبيق الفرد.

جافا تغيير مزدوج إلى كثافة العمليات

يتيح لنا ذلك التمتع بالمرونة للوصول إلى الخدمات المختلفة دون التعطيل المباشر لتطبيقنا الأساسي.

تسمى خدمات واجهة برمجة تطبيقات Microsoft بالخدمات المعرفية. يمكن نشرها مباشرة على Azure. تتوفر خمس فئات من الخدمات بما في ذلك الرؤية واللغة والكلام والبحث والقرار. هذه نماذج مدربة مسبقًا تناسب المطورين المتحمسين لتوظيف التعلم الآلي ولكن ليس لديهم خلفية في علم البيانات.

ومع ذلك ، فإن هذه الخدمات تقصر عندما يتعلق الأمر بالتخصيصات وبالتالي لا يوصى بها في الحالات التي تكون فيها الكثير من الأشياء محددة جيدًا المتطلبات ليست مرنة.

المضي قدمًا في مقالة التعلم الآلي في Azure ،

ML.NET

الأطر هي رمز مخطط عام يمكن للمرء أن يبني تطبيقه الخاص فوقه. تسمح الأطر بالاهتمام بوظائف المستوى الأدنى بحيث يتعين على المرء فقط الاهتمام بمنطق التطبيق الخاص بهم.

يحتوي ML.NET على تصنيف وانحدار واكتشاف الشذوذ وخوارزميات تدريب التوصية ويمكن توسيعه باستخدام Tensorflow و ONNX للشبكات العصبية.

يمكن أن يكون هذا مفيدًا جدًا لمطور .NET الذي يشعر بالراحة في بناء خطوط أنابيب ML الخاصة به.ومع ذلك ، فإن منحنى التعلم يعني أن مطوري Python العامين يجب أن يبتعدوا.

المضي قدمًا في مقالة التعلم الآلي في Azure ،

AutoML

جذب التعلم الآلي الآلي قدرًا كبيرًا من الاهتمام مؤخرًا ، وهو عبارة عن برنامج يختار نماذج التعلم الآلي ويدربها تلقائيًا. في حين أنه من السهل التفكير في أنه يمكن أن يحل محل وظيفة عالم البيانات تقنيًا ، فإن الشخص الذي استخدمها بالفعل يعرف بوضوح أن هناك قيودًا على ما يمكنه وما لا يمكنه فعله.

سيكون التعريف الحالي (بدون AutoML) لعلماء البيانات هو إنشاء نموذج أساسي أولاً ثم تكرار الاحتمالات المختلفة للمعلمات الفائقة يدويًا حتى يصلوا إلى مجموعة من القيم التي تحقق أفضل النتائج. كما يمكن للمرء أن يخمن بسهولة ، فهذه استراتيجية تستغرق وقتًا طويلاً وتستغرق وقتًا طويلاً. أيضًا ، تزداد مساحة البحث أضعافًا مضاعفة مع زيادة عدد المعلمات الفائقة ، مما يجعل البنى الأحدث والعميقة القائمة على الشبكة العصبية يكاد يكون من المستحيل تكرارها وتحسينها تمامًا.

في الوقت الحالي ، يمكن لبرنامج AutoML من Microsoft إنشاء مجموعة من نماذج ML تلقائيًا ، واختيار النماذج بذكاء للتدريب ، ثم التوصية بأفضلها بناءً على مشكلة ML ونوع البيانات. باختصار ، فهي تحدد الخوارزمية الصحيحة وتساعد على ضبط المعلمات الفائقة. حاليًا ، يدعم مشاكل التصنيف والتنبؤ والانحدار فقط.

يتم استخدام AutoML مع Azure Machine Learning Service أو ML.NET وستدفع مقابل أي تكاليف مرتبطة بها.

هذا يقودنا إلى نهاية هذا المقال. آمل أن يحظى هذا المقال بإعجابكم. إذا كنت تقرأ هذا ، دعني أهنئك. نظرًا لأنك لم تعد مبتدئًا في Azure! كلما مارست أكثر كلما تعلمت أكثر. لتسهيل رحلتك ، توصلنا إلى هذا دروس Azure سلسلة المدونة التي سيتم تحديثها بشكل متكرر ، لذا ترقبوا!

لقد توصلنا أيضًا إلى منهج يغطي بالضبط ما ستحتاجه لاجتياز اختبارات Azure! يمكنك إلقاء نظرة على تفاصيل الدورة لـ . تعلم سعيد!

لديك سؤال لنا؟ يرجى ذكر ذلك في قسم التعليقات في هذه المقالة وسنعاود الاتصال بك.