Kodlama olmadan Makine Öğrenimi: Azure ML’yi kullanmaya başlayın

Belirli programlama dillerini kullanarak makine öğrenimi gerçekleştirmek, birçok veri bilimcisi ve makine öğrenimi mühendisi tarafından takip edilen bir şeydir. Tüm dünyada tartışılan ve takip edilen en trend konudur. Dünyanın her yerindeki şirketler, Makine Öğrenimi ve yapay zeka mekanizmasını sistemlerine dahil etmek için büyük miktarlarda yatırım yapıyor. Bu, dışarıdaki tüm insanlar için büyük bir başarı ve bu sektör, keşif ve araştırma çılgınlığının teknolojiler açısından üstün geldiği zamana kadar gelişmeye devam edecek.

Herhangi bir Makine Öğrenimi modelini sıfırdan programlamak ve ardından gerçek dünyada dağıtmak iyidir, ancak bu algoritmaları yazmak çok sıkıcı ve teknoloji merkezlidir, yani programlama dillerinin yardımıyla algoritma yazma konusunda ön bilgiye sahip biri yalnızca bunları yazmak ve uygulamak. Yani teknik bilgisi olmayan kişiler için bu dilleri hemen öğrenip ardından kodlamaya başlamak zordur.

Teknik olmayanlara Makine Öğrenimini kodlamadan çalıştırmalarına izin vererek yardımcı olmak için çeşitli bulut tabanlı hizmetler, Makine Öğrenimi sorunlarını çözmek için sürükle ve bırak ve biraz ince ayar sunar. Böyle bir bulut tabanlı hizmet, Microsoft Azure Machine Learning’dir. Bu, modelinizi çalıştırabileceğiniz ve hatta onu bulutta veya yerel sistemde bir web hizmeti olarak dağıtabileceğiniz ve MS Excel aracılığıyla erişebileceğiniz tam bir sürükle ve bırak türü makine öğrenimidir. Bir Microsoft hesabınız varsa, Microsoft Azure ML’nin özelliklerine kolayca erişebilirsiniz. Derin bir dalış yapalım ve Microsoft Azure Machine Learning ile nasıl başlayacağınızı öğrenelim:

Microsoft Azure ML’de bir Machine Learning projesi veya modeli oluşturun

Aşama 1: Tarayıcınızı açın ve yazmanız yeterli studio.azuleml.net bu sizi Azure ML’nin bulunduğu ana içeriğe götürecektir. Bu sayfada oturum açmanız veya yeni bir hesap oluşturmanız istenecektir. Mevcut bir Microsoft kullanıcısıysanız ve bir MS hesabınız varsa, sadece kimlik bilgilerinizi girin ve yaşasın! ML stüdyonuza başarıyla giriş yaptınız.

  Sanal makine çalıştırmanın en iyi 10 özelliği veya avantajı

ana sayfa gök mavisi

Adım 2: ML hesabınıza giriş yaptıktan sonra, Projeler, Deneyler, Web Servisleri, Veri Kümeleri, Eğitilmiş Modeller ve Ayarlar gibi çeşitli seçenekler göreceksiniz. Bu seçeneklerin işlevi aşağıdaki gibidir:

Projeler: Bu, kullanıcıların farklı deneyler ve modeller içerebilen yeni bir projenin yanı sıra birlikte eksiksiz bir paket oluşturan ve halka gösterilebilen web hizmetleri oluşturmasına olanak tanır.

deneyler: Bu, ilk denemenizi oluşturacağınız ve aynısını bir web hizmeti olarak uygulayacağınız ana alandır, böylece kodunuz tüm dünyadaki kullanıcılar tarafından erişilebilir hale gelir.

Ağ hizmetleri: Bu seçenek, denememizi daha sonra çeşitli programlama dilleri aracılığıyla çağrılabilen veya yerel sisteminizde Excel aracılığıyla çağrılabilen web tabanlı bir API olarak dağıtmamıza yardımcı olur. Web hizmetinizi, kullanıcıların erişebileceği ve hatta çalışmalarınızı dünyaya satabilecekleri genel bir API’ye dönüştürmek için bulutta da saklayabilirsiniz.

Azure ML'deki deneyler

Veri Kümeleri: Burada Microsoft ekibinden önceden yüklenmiş birçok veri seti bulabilir ve işlerin nasıl yapıldığına dair bir fikir edinmek için bunları Makine Öğrenimi algoritmalarını çalıştırmak için kullanabilir.

Eğitimli Modeller: Burada hangi modelleri eğittiğinizi ve test amaçlı kullanmak istediğinizi görebilirsiniz.

Ayarlar: Ayarlar sekmesi, çalışma alanını düzenleme, yetkilendirme belirteçlerini görüntüleme ve yeniden oluşturma gibi, kullanıcıların modelinizi üzerinde çalıştırarak manipüle etmelerine olanak tanıyan çeşitli seçenekler içerir.

Aşama 3: İlk Azure ML projenize başlamak için alttaki Yeni yazan + işaret düğmesine tıklamanız yeterlidir. Bu sizi Yeni Deneme Başlat seçeneğini bulacağınız bir sayfaya götürecektir. Sadece buna tıklayın ve çalışma pencereniz açılacaktır. Python ve R projelerinizi Azure’a yüklemek ve bunları değiştirmek ve Modül sekmesine tıklayarak bir web hizmeti olarak dağıtmak için bir hüküm de vardır.

ilk Azure ML projenizi oluşturun

Adım 4: Görev bölmeniz açıldıktan sonra ML projeniz üzerinde çalışmaya başlayabilirsiniz.

Adım 5: Örneğin, ilk makine öğrenimi projenizi başlatmak için Lojistik Regresyon’dan bir proje yürütmek istiyorsunuz, en önemli şey bulut veya sisteminiz aracılığıyla bir veri kümesi elde etmektir. Azure ML iş akışı mekanizması aşağıdaki gibidir:

  Blockchain - Hindistan'da Dijital Pazarlamayı Dönüştürmek

Verileri alın: Burada 3 seçeneğimiz var ya verileri manuel olarak getirin ya da verileri harici veri kaynaklarından içe aktarın ya da zip dosyalarını çıkarmamıza ve verileri makine öğrenimi amacımız için kullanmamıza yardımcı olan sıkıştırılmış veri kümelerini çıkarın.

makine öğrenimi amacıyla verileri harici verilerden içe aktarın

Verileri hazırlayın: Bu, üzerinde çalışmak için verilerimizi temizlediğimiz özellik mühendisliği kısmıdır. Eksik verileri temizlemek, SQL dönüşümü uygulamak, gösterge değerlerine dönüştürmek, meta verileri düzenlemek ve çok daha fazlası için verileri hazırlamak için kullanılabilecek çeşitli modüller. Ayrıca, modelimizi doğrulamak ve tahminlerde bulunmak için gerçek dünya vakalarında kullanmak üzere veri kümemizi eğitim ve teste ayırma olanağı da vardır.

Model oluşturma Azure Machine Learning

İşlev seçimi: Bu, modelimizi eğitmeden önce çok önemli bir adım çünkü hedef özellik arasındaki korelasyon derecesine göre algoritmanın üzerinde çalışmasını istediğimiz özellik sayısını seçmemize izin veriyor. Burada yer alan farklı özellik seçimi türleri, ilke bileşen analizi, Fisher doğrusal diskriminant analizi, permütasyon özelliklerinin önemi ve filtre tabanlı özellik seçimini içerir.

Öğrenme algoritmalarını seçin ve uygulayın: Bu, verilerimizi eğitmek için kullanmak istediğimiz algoritmayı seçen modelimizi eğitmeye yönelik en önemli adımdır. Karar Ağacı, Lojistik Regresyon, Doğrusal Regresyon, Bire Karşı Dinlenme, Naïve Bayes ve çok daha fazlası gibi çeşitli makine öğrenimi algoritmaları mevcuttur. Tercih ettiğimiz algoritmayı seçip onunla başlayabiliriz.

dddd

Modeli eğitin ve değerlendirin: Bu bölüm, herhangi bir makine öğrenimi modelinin modeli eğiten, test eden ve puanlayan son bölümüdür. Bazı modüller mevcuttur ve iyi sonuçlar almak için sürükleyip bırakmamız ve basit ayarlamalar yapmamız yeterlidir.

tren modeli

Modeli dağıtın: Eğitim ve değerlendirme tamamlandıktan sonra, artık görev bölmesinin altındaki Dağıt seçeneğini kullanarak modeli web tabanlı bir hizmet olarak dağıtabilir ve aynısını bir API olarak kullanabiliriz.

Azure ML’de dikkat edilmesi gereken önemli bir nokta, bir değişkenin çıkış düğümünü diğer değişkenin giriş düğümüne bağlama mekanizması ile çalışmasıdır, bu nedenle kullanıcılar Azure ML ile çalışmayı çok kolay bulur ve birçok sektör bunu bulut tabanlı kullanır. günlük uygulamalarında hizmet vermektedir. Hem denetimli hem de denetimsiz makine öğrenimi ve derin öğrenmeyle ilgili etkinlikler için çok güçlü bir araçtır. Nasıl çalıştığı hakkında daha fazla bilgi edinmek için YouTube ve Udemy’deki birçok öğreticiyi inceleyebilirsiniz. Azure ML ile ilgili iyi bir eğitim için şu bağlantıyı takip edebilirsiniz:

  Büyüme İçin Bir YouTube Kanalı Başlatmak İçin Uygun Bir Niş Nasıl Seçilir?

https://www.udemy.com/course/machine-learning-using-azureml/learn/lecture/7432530#overview

Lojistik regresyonu çalıştırın

Burada Azure ML kullanarak Lojistik Regresyon çalıştırdık ve aynı şeyi grafiksel bir temsil kullanarak gösterdik:

Azure ML kullanarak lojistik regresyon

Microsoft Azure Machine Learning Studio (klasik)

Çözüm

Makine Öğrenimi ve Derin Öğrenme’nin büyük bir hayranıysanız ve ilgili projeler üzerinde çalışmak istiyorsanız, önceden herhangi bir kodlama bilgisi gerektirmediği ve kullanılan modüllerin basitçe sürükle ve bırak ve bırak işlevi kullanılarak çalıştırıldığı için Azure ML Studio’ya gitmelisiniz. .