云技术不断上升到新的高度。随着机器学习逐渐在所有竞争企业中发挥作用,其中很大一部分也发生在云计算中。

在云计算服务的强烈竞争市场中,Microsoft Azure已经建立了作为一个与各种尺寸的公司一起受欢迎的平台。继续阅读我们的概述微软Azure机器学习套件。

机器学习

过去十年的技术已经越来越嵌入我们的生活中。自动驾驶汽车是技术如何完全改变任何行业的一个例子,甚至于既有良好的汽车行业已经证明易受全面的破坏。这一趋势不太可能改变,并且它的大部分驱动力都是机器学习。

机器学习是对学习智能行事的算法的研究,而不明确地为这种行为提供规则。就像人类学会通过经验做出更好的决定一样,机器学习旨在建立从数据学习的计算机系统。机器学习已被证明是如此强大,大多数公司要么使用它或正在制定这种效果。

机器学习的力量往往以巨大的计算资源为代价,而这是许多中小企业无法企及的。作为一种解决方案,云服务提供商(如Azure)在云上提供机器学习服务,使这种技术更容易获得,并消除了在需要云计算的行业竞争的一个主要障碍。

机器学习是一种服务

作为服务(MLAAS)的机器学习是指云上的一系列机器学习服务,涵盖基础设施要求的曲目,从文本到语音到机器学习建模。这些服务用于按需使用,这意味着而不是创建自己的服务,您可以使用其他公司。

如上所述,建立机器学习基础设施并不总是可行的。例如,维护和管理GPU单位和专用服务器是大多数研究人员,IT部门无法支持,因为成本高,复杂性。相比之下,MLAA可以立即设置,需要一个更小的团队,并且通常能够产生同样良好的结果。这使数据科学家保存了管理存储,缩放,计算电源和其他复杂IT基础架构任务的麻烦,并允许他们做最好的事情:使用数据来查找答案并保持对业务的关注。

蔚蓝的机器学习

蔚蓝的机器学习是一个Microsoft平台,为操作机器学习工作负载提供基于云的服务。与大多数其他主要机器学习云平台一样,Azure机器学习提供了自动化机器学习等基本工具,可自动化模型建设过程。Azure还为流行的机器学习框架提供支持,该功能对于模型的便携性很重要。

选择MLAAS提供商时,选择您已经使用的供应商是最有意义的。例如,如果您已经熟悉了Microsoft的基础架构,您会发现它非常容易将Azure ML产品与其集成。其他重要考虑因素包括成本,语言支持和学习曲线。

通常,蔚蓝的机器学习足够复杂,以涵盖许多用例,它对于需要云环境的企业很受欢迎,以支持整个端到端机器学习过程。Azure的上诉同样是由于其具有比任何其他类似平台的开箱即用的速率最广泛的算法。

在以下部分中,我们将更详细地介绍三个工具的三个工具的功能。

Azure机器学习设计器

天蓝色机器学习设计师是一种工具,其使命是民主化机器学习,并使所有想要使用机器学习的个人都可以获得商业目的的人,无论其技术精湛。这是使蔚蓝的机器学习与任何其他服务不同的原因。

设计者基本上是拖放界面。您给出了一个空的“画布”和可以在流程图类型中互连的内置模块列表,使得每个元素对应于机器学习管道的不同步骤。设计人员使您可以在视觉上定义整个管道,而无需编写单行代码;您只需要输入数据。

设计器是非常直观的:应用方法只需要将其拖放到画布上。从导入数据到预处理、特征选择、训练和评估,每一步都是如此。此外,通过设计器,您可以构建一个推理管道,为您所训练的模型创建REST API端点。然后,您可以使用这些端点将模型集成到您的应用程序中。

下面是设计者的交互式GUI的一个例子,取自Azure机器学习设计者的文件页:

正如您所看到的,即使您没有对机器学习的了解,Azure的设计师也可用于构建机器学习模型。以下部分涵盖了自动化机器学习任务的另一个工具。

Azure自动化机器学习

建立机器学习模型,运作良好往往是一个繁琐的过程。到目前为止,域名专业知识可以在寻找最具信息丰富的功能或超参数时获得。即使是算法的选择常常取决于底层数据的大小,类型和分布。由于这种可变性,模型选择通常归结为并行运行多个实验并选择最佳性能的模型。

自动化的机器学习旨在自动化这种迭代过程,从而使非专家能够有效地使用机器学习。此服务自动选择最佳算法,生成模型,然后进行微调;您所需要的只是一个标记的数据集。

模型选择是一个令人兴奋的研究领域,目前仍处于起步阶段。选择模型并不是一项简单的任务,因为搜索空间是巨大的,而且像这样幼稚的蛮力方法网格搜索产生理想的结果。自动ML,基于微软研究他在数以亿计的实验中接受训练,并使用贝叶斯优化、强化学习和元学习来更有效地缩小搜索空间。

这项服务可通过Azure Machine学习提供SDK为Python并在任何Python IDE中工作。对于那些更喜欢在Jupyter笔记本上工作的人来说,自动化ML提供额外的扩展,例如可视化和监视作业的额外扩展。可以使用所有扩展,而无需离开笔记本环境。此外,自动化ML支持所有流行的机器学习和深度学习框架,如Pytorch,Tensorflow和Scikit-Learn。

Azure机器学习操作

MLOPS,Devops的机器学习模拟是指允许平稳和一致的开发,部署和监控机器学习模型的实践。这包括版本控制数据和实验,具有用于跟踪模型培训运行或管理部署的集中系统,并在模型投入生产后监控管道。

Azure的MLOps借用Devops的相同原则,并将它们应用于机器学习项目。MLOPS的目标是自动化不同管道的创建,并允许他们重复使用项目生命周期的许多迭代。这可以包括用于提取,转换和加载数据的数据流水线,用于处理依赖性的环境流水线,用于培训ML模型的训练管道,或用于部署模型或将其包装在容器中的部署管道。

Azure的MLOps提供了这些以及更多的服务。它是平台无关的,所以它不绑定到其他Azure产品;您可以使用自己的工具或其他供应商的工具,如AWS或谷歌云。检查产品的文件为更多的信息。

继续学习

我们已经看到了Azure ML套件,包括像设计器、自动机器学习和MLOps等工具。微软的套件包括更多的工具,它们在处理机器学习工作负载和模型时都很有用。

现在是时候获得实践经验了!注册我们的专业专家教授Microsoft Azure机器学习工程师188金宝搏安不安全纳米学位,获得建立、部署和操作ML模型所需的技能。

开始学习