Sebuah gambar oleh Penulis
Ruang kerja terdiri dari berbagai artefak
Kelola sumber daya: Ini mencakup instance komputasi dan kluster komputasi. Layanan Tertaut: Penyimpanan Data: Ini adalah layanan untuk menyimpan berbagai data. Misalnya — penyimpanan Blob, penyimpanan sarang, dan basis data SQL. Hitung target: Ini adalah mesin tempat kami menjalankan model kami dan melakukan pelatihan dan pengujian. Eksperimen Lingkungan Model Dataset Pipeline Titik Akhir
Seluruh cakupan ruang kerja bergantung pada beberapa ketergantungan, akan ada berbagai log, berbagai buku catatan, entri aset, dll. Bagi mereka, ruang kerja memerlukan penyimpanan.
Akun Penyimpanan Azure: Digunakan untuk administrasi dan pengoperasian ruang kerja. Registri wadah Azure: Saat kami menerapkan model kami ke instans produksi dan buruh pelabuhan. Gudang kunci Azure: Untuk menyimpan berbagai kunci, informasi rahasia, dan informasi privasi. Wawasan aplikasi Azure: Ini digunakan untuk memantau aplikasi pembelajaran mesin kami dan berbagai informasi seperti waktu respons, permintaan, kondisi kegagalan, kinerja, dll.
Konsep dasar
Ini adalah informasi yang disusun dalam bentuk baris dan kolom, yaitu kumpulan data. Ada banyak metode di azure untuk mengunggah/mengambil kumpulan data untuk eksperimen pembelajaran mesin.
Saat kita ingin mengambil dataset dari sistem lokal, maka kita memerlukan beberapa penyimpanan di mana penyimpanan data masuk ke dalam gambar. Penyimpanan data hanyalah koneksi ke berbagai jenis penyimpanan seperti penyimpanan akun, basis data, atau analitik sebagai danau data.
Blob, penyimpanan file, data lake, Azure SQL, Azure PostgreSQL, MySQL, batu bata Azure Data. Ini didukung oleh sistem biru.
Membuat ruang kerja pembelajaran mesin
Di bawah ini adalah langkah-langkah berikut untuk membuat ruang kerja
Buka dasbor biru, cari sumber pembelajaran mesin, klik di atasnya lalu buat. Jika Anda tidak memiliki akun azure, ikuti tautan di bawah ini.
Cara Membuka akun cloud Azure dengan Kartu Debit
Proses yang sederhana dan mudah untuk semua ilmuwan data
Sebuah gambar oleh Penulis
2. Isi semua informasi.
Jika tidak ada nama grup sumber daya, buat yang baru. Saat kita akan menuliskan nama workspace, informasi lain seperti key vault, storage account, dan application insight terisi secara otomatis. Kami akan menyimpan registri kontainer ke ‘Tidak Ada’ untuk saat ini karena diperlukan pada saat penerapan.
Sebuah gambar oleh Penulis
Kita dapat memilih wilayah mana saja, tetapi jika kita memiliki data dalam jumlah besar, kita dapat memilih wilayah terdekat untuk transfer data cepat.
Di opsi Jaringan, pilih akses publik untuk mempraktikkan eksperimen. n opsi Lanjutan, ada banyak opsi, dan tetap apa adanya, dalam dampak data, jika kami mengaktifkannya maka kami memberi tahu Microsoft bahwa data yang akan kami unggah bersifat sensitif.
3. Setelah lulus Validasi, klik buat untuk membuat ruang kerja. Ini akan membuat empat sumber daya seperti yang ditunjukkan di bawah ini.
Sebuah gambar oleh Penulis
4. Sekarang, klik pergi ke sumber daya, dan dasbor ruang kerja akan terbuka dengan opsi peluncuran studio seperti yang ditunjukkan di bawah ini.
Sebuah gambar oleh Penulis
Pada gambar di atas, kontrol akses (IAM) digunakan untuk membuat lebih banyak pengguna menggunakan ruang kerja ini.
Meluncurkan studio pembelajaran mesin
Setelah membuat ruang kerja, saatnya meluncurkan studio ML, dan akan terlihat seperti gambar di bawah ini.
Sebuah gambar oleh Penulis
Penulis pada gambar di atas bertanggung jawab untuk membuat eksperimen dan pipeline pembelajaran mesin.
2. Buat akun penyimpanan baru untuk menghindari file dari sistem penyimpanan lain.
Sebuah gambar oleh Penulis
3. Sekarang, buat wadah di dalam akun penyimpanan ini.
Sebuah gambar oleh Penulis
4. Sekarang, buat penyimpanan data di studio ML yang akan terhubung ke akun penyimpanan yang baru dibuat ini.
Sebuah gambar oleh Penulis
5. Isi informasinya.
Sebuah gambar oleh Penulis
Untuk mendapatkan kunci akses, buka akun penyimpanan baru di langkah 2 dan salin kunci dari opsi kunci akses, seperti yang ditunjukkan di bawah ini.
Sebuah gambar oleh Penulis
Sekarang, klik tombol buat penyimpanan data. Penyimpanan data dibuat dan didaftarkan ke ruang kerja bersama dengan akun penyimpanan.
6. Sekarang, unggah dataset ke penampung yang kita buat di akun penyimpanan pada langkah 3.
Sebuah gambar oleh Penulis
Kami juga memeriksa file melalui opsi browser penyimpanan di akun penyimpanan.
Sebuah gambar oleh Penulis
7. Sekarang, buat dataset dan pilih file dari penyimpanan data.
Sebuah gambar oleh Penulis
Klik tombol berikutnya; ketika kami akan memilih ‘Dari penyimpanan Azure’ opsi lain akan muncul di sisi kiri. Kami memilih opsi ini karena penyimpanan kami adalah tipe blob.
Sebuah gambar oleh Penulis
Sebuah gambar oleh Penulis
Sebuah gambar oleh Penulis
Sebuah gambar oleh Penulis
Sekarang, kita dapat membatalkan pilihan kolom Loan_ID dan Gender pada opsi Schema.
Sebuah gambar oleh Penulis
Data kami diunggah dalam kumpulan data.
Sebuah gambar oleh Penulis
Sebuah gambar oleh Penulis
Sumber Daya Hitung
Dalam topik ini, kita akan membahas artefak sumber daya terkelola, yaitu instance komputasi dan cluster komputasi yang ada di ruang kerja pembelajaran mesin.
Ini hanyalah nama yang berbeda untuk komputer dan mesin virtual. Target yang dihitung terhubung dengan layanan tertaut di ruang kerja.
Mengapa kita membutuhkan sumber daya komputasi?
Untuk pemodelan pembelajaran mesin apa pun, kami memerlukan sumber daya komputasi yang akan melatih model kami.
Instance komputasi: Ini adalah jenis mesin/server virtual atau komputer yang digunakan untuk komputasi awan. Ini bukan hanya mesin tetapi terhubung ke ruang kerja dan memiliki konfigurasi Python, R, Docker, dan Azure ML SDK. Akun penyimpanan default saat membuat ruang kerja dilampirkan ke instance ini berarti kita dapat mengakses semua notebook dan data lain yang disimpan. Sebagian besar digunakan dalam pelatihan proses pengembangan, pengujian, dan inferensi. Inferensi berarti membuat titik akhir untuk layanan web. Kluster komputasi: Ini juga merupakan sumber daya terkelola yang merupakan grup mesin virtual. Kita dapat menggunakan kluster untuk ketiga penulis yaitu contoh komputasi, desainer, atau autoML, untuk pelatihan dan dengan penyebaran terbatas. Target komputasi: Komputasi ini terdiri dari komputasi jarak jauh/terlampir dan kluster Inferensi. Komputasi jarak jauh: Tujuan utama target digunakan untuk melatih dan menguji penyebaran. Kita dapat menggunakan mesin lokal apa pun, mesin virtual komputasi, atau mesin virtual sebagai target komputasi. Kami juga dapat menggunakan inferensi batch pada cluster komputasi. Cluster inferensi: Digunakan untuk melakukan prediksi real-time dalam produksi menggunakan model kami. Mereka bisa menjadi Layanan Azure Kubernetes (AKS).
Apa itu pipa?
Ini hanyalah serangkaian pengujian atau alur kerja dari pemrosesan data hingga penerapan.
Sebuah gambar oleh Penulis
Kami mungkin perlu membuat instance komputasi pada saat proses pembersihan dan pelatihan.
Membuat Inference Pipeline dan menerapkannya sebagai layanan web
Setelah menyelesaikan pipeline, kita bisa mendapatkan opsi create inference pipeline seperti yang ditunjukkan di bawah ini:
Sebuah gambar oleh Penulis
2. Saat kita memilih inferensi real-time, azure melakukan beberapa perubahan pada pipeline seperti yang ditunjukkan di bawah ini:
Sebuah gambar oleh Penulis
3. Kami melakukan beberapa perubahan pada pipeline seperti yang ditunjukkan di bawah ini:
Sebuah gambar oleh Penulis
4. Sekarang klik tombol kirim untuk menjalankan inferensi waktu nyata. Setelah menyelesaikan otomatisasi, kami dapat memeriksa skornya.
Sebuah gambar oleh Penulis
Kami mendapat skor dan probabilitas juga.
5. Tapi kita hanya membutuhkan label skor di output layanan web, jadi kita memerlukan opsi kolom pilih di kanvas untuk membatasi output.
Sebuah gambar oleh Penulis
6. Untuk membuat prediksi, kita perlu menerapkan model di cloud, jika tombol penerapan ditampilkan, segarkan halaman setelah mengirimkan penyelesaian proses.
Namun sebelum diterapkan, kami memerlukan layanan Azure Kubernetes Cluster untuk kebutuhan membuat klaster inferensi baru dari studio ML.
Sebuah gambar oleh Penulis
Pilih konfigurasi mesin virtual.
Sebuah gambar oleh Penulis
Tulis nama cluster untuk titik akhir.
Sebuah gambar oleh Penulis
Sekarang klik tombol buat untuk membuat cluster, setelah beberapa menit selesai dengan sukses.
Sebuah gambar oleh Penulis
Setelah pembuatan cluster inferensi, sekarang saatnya menerapkan model dan membuat titik akhir.
Sebuah gambar oleh Penulis
Beri nama titik akhir dan pilih cluster inferensi yang baru dibuat dan klik tombol terapkan seperti yang ditunjukkan di bawah ini:
Sebuah gambar oleh Penulis
Setelah beberapa menit, deployment selesai dan di bagian endpoint kita akan melihat endpoint dalam keadaan sehat.
Sebuah gambar oleh Penulis
Di bagian pengujian, kita dapat membuat prediksi berdasarkan parameter input.
Sebuah gambar oleh Penulis
Di bagian konsumsi, kita bisa menggunakan URL untuk skor.
Sebuah gambar oleh Penulis
Kesimpulan
Artikel ini membersihkan alur kerja alur pembelajaran mesin di cloud Azure. Langkah-langkah penting adalah menjaga koneksi dan layanan yang terhubung bersama.
Saya harap Anda menyukai artikel ini. Jangkau saya di LinkedIn dan twitter saya.
1. Metode NumPy yang Paling Dapat Digunakan dengan Python
2. NumPy: Aljabar Linear pada Gambar
3. Konsep Penanganan Pengecualian dengan Python
4. Panda: Berurusan dengan Data Kategorikal
5. Hyper-parameter: RandomSeachCV dan GridSearchCV dalam Pembelajaran Mesin
6. Regresi Linier Sepenuhnya Dijelaskan dengan Python
7. Regresi Logistik yang Dijelaskan Sepenuhnya dengan Python
8. Distribusi Data menggunakan Numpy dengan Python
9. 40 Metode Paling Gila yang Dapat Digunakan dengan Python
10. 20 Metode Pintasan Panda yang Paling Dapat Digunakan di Python
