이 기사에서는 구현의 핵심을 소개합니다. Azure Machine Learning 서비스에 대한 사례. 이 기사에서는 다음 사항을 다룰 것입니다.
이제이 Azure Machine Learning 문서를 시작하겠습니다.
Azure 기계 학습
클라우드의 출현은 컴퓨팅 인프라의 새로운 시작을 알 렸습니다. 그것은 기본적으로 인터넷을 통해 사용하기 위해 구입하지 않으면 극도로 비싼 자원을 사용할 수 있음을 의미합니다. 머신 러닝, 특히 딥 러닝에는 매우 많은 양의 RAM과 VRAM (Cuda Cores 용)을 사용할 수있는 컴퓨터 아키텍처를 사용해야합니다. 이 두 상품은 두 가지 주요 이유로 획득하기가 어렵습니다.
1 인용 노트북은 프레임에 제한된 양의 리소스 만 넣을 수 있습니다. 즉, 일반적인 랩톱 사용자는 머신에서 로컬로 머신 러닝 작업을 수행 할 수있는 충분한 리소스를 보유 할 수 없습니다.
RAM, 특히 VRAM은 구입 비용이 매우 비싸고 매우 높은 투자 인 것으로 보입니다. 강력한 RAM 및 VRAM과 함께 고급 CPU (그렇지 않으면 CPU가 시스템의 병목 현상이 될 수 있음)를 지원해야합니다. 이로 인해 전체 가격이 더욱 높아집니다.
Azure Machine Learning 문서로 이동,
Azure Machine Learning 서비스
위의 문제를 고려하면 연중 무휴 24 시간 액세스 할 수있는 인터넷을 통해 원격으로 처분 할 수있는 리소스의 필요성을 쉽게 이해할 수 있습니다.
Azure ML은 모든 수준의 데이터 과학자에게 간소화 된 환경을 제공하는 클라우드 기반 서비스입니다. 많은 신입 엔지니어가이 공간에 들어 가려고하고 있으며 직관적 인 사용자 인터페이스없이 이러한 작업을 수행하는 것이 특히 어려울 수 있기 때문에 이는 특히 중요합니다.
(출처 : Microsoft.com)
자바에서 객체를 복사하는 방법
Azure ML은 기본적으로 데이터 과학자에게 이러한 모델을 빌드 할 목적으로 사용하기 쉬운 끌어서 놓기 인터페이스를 제공하는 브라우저 기반 도구 인 ML 스튜디오와 함께 제공됩니다.
많이 사용되는 알고리즘과 라이브러리의 대부분은 사용자를 위해 즉시 제공됩니다. 또한 R 및 Python에 대한 기본 지원을 자랑하므로 베테랑 데이터 과학자가 원하는대로 모델과 아키텍처를 변경하고 사용자 지정할 수 있습니다.
모델이 구축되고 준비가되면 수많은 프로그래밍 언어로 호출 할 수있는 웹 서비스로 쉽게 사용할 수 있으며, 기본적으로 최종 사용자를 실제로 직면하는 애플리케이션에서 사용할 수 있습니다.
Machine Learning Studio는 워크 플로를 구축하는 드래그 앤 드롭 방식을 제공하여 기계 학습을 상당히 간단하게 만듭니다. ML Studio와 워크 플로 모델링을 위해 제공하는 수많은 모듈을 사용하면 코드를 작성하지 않고도 고급 모델을 만들 수 있습니다.
머신 러닝은 다양한 출처에서 올 수있는 데이터로 시작됩니다. 데이터는 일반적으로 사용하기 전에 '정리'해야하며, ML Studio는 정리에 도움이되는 모듈을 통합합니다. 데이터가 준비되면 알고리즘을 선택하고 데이터에 대해 모델을 '학습'하고 그 안에서 패턴을 찾을 수 있습니다. 그 후 모델의 점수를 매기고 평가하면 모델이 결과를 얼마나 잘 예측할 수 있는지 알 수 있습니다. 이 모든 것은 ML Studio에서 시각적으로 제공됩니다. 모델이 준비되면 몇 번의 버튼 클릭으로 웹 서비스로 배포하여 클라이언트 앱에서 호출 할 수 있습니다.
ML Studio는 기계 학습에 사용되는 25 가지 표준 알고리즘의 사전 기록 된 구현을 제공합니다. 4 개의 섹션으로 나뉩니다.
- 이상 탐지는 기존 패턴 또는 데이터 세트의 다른 항목에 맞지 않는 사물, 이벤트 또는 관찰을 분류하는 방법입니다.
- 회귀 알고리즘은 변수 간의 관계를 발견하고 정량화하려고합니다. 회귀 분석은 종속 변수와 하나 이상의 독립 변수 사이의 관계를 설정함으로써 정량화 가능한 정확도로 입력 세트가 주어지면 종속 변수의 값을 예측할 수 있습니다.
- 분류 알고리즘의 목표는 카테고리에 이미 할당 된 관찰로 구성된 훈련 데이터를 기반으로 관찰이 속하는 클래스를 식별하는 것입니다.
- 클러스터링은 같은 그룹 (클러스터라고 함)에있는 개체가 다른 그룹 (클러스터)에있는 개체보다 서로 더 유사하도록 여러 개체를 쌓으려고합니다.
웹 서비스로 확장되면 HTTP를 통한 단순한 REST 호출과 함께 모델을 사용할 수 있습니다. 이를 통해 개발자는 기계 학습에서 지능을 가져 오는 애플리케이션을 구축 할 수 있습니다.
이 Azure Machine Learning 문서에 나오는 내용은 azure 및 해당 기능에 대한 간단한 요약입니다.
Azure Machine Learning 문서로 이동,
기계 학습 클라우드 서비스
클라우드 서비스는 기본적으로 최종 사용자가 인터넷을 통해 원격으로 다른 회사에서 배포 한 서비스 (하드웨어 머신)를 임대하거나 사용할 수 있도록합니다.
Azure Machine Learning 서비스는 소프트웨어 개발 키트 및 서비스를 제공하여 데이터를 즉시 준비하고, 사용자 지정 ML 모델을 교육 및 배포합니다.PyTorch, TensorFlow 및 scikit-learn과 같은 오픈 소스 Python 프레임 워크에 대한 기본 지원이 있습니다.사용자 지정 모델을 구축하거나 딥 러닝 모델로 작업해야하는 경우이 사용을 고려해야합니다.
그러나 Python으로 작업하지 않거나 더 간단한 서비스를 원할 경우이 기능을 사용하지 마십시오.
이 서비스는 상당한 데이터 과학 지식과 배경이 필요하며 초보자에게는 권장되지 않습니다. 모델 학습을위한 리소스에 대해서만 비용을 지불합니다. Azure Kubernetes Service를 통해 배포하기위한 여러 가격 책정 계층.
Azure Machine Learning 문서로 이동,
그래픽 인터페이스
그래픽 인터페이스는 ML과 같은 기능에 액세스하는 방법을 기반으로하는 코드가 없거나 낮은 코드 플랫폼입니다. 그중 일부는 드롭 다운 목록이 될 수 있으며,이 경우 드래그 앤 드롭 도구입니다.
Azure Machine Learning Studio는 그래픽 인터페이스에서 결과를 평가하기 위해 사용자 지정 데이터 집합을 업로드하여 기계 학습 모델을 빌드, 교육 및 사용자 지정할 수있는 끌어서 놓기 기계 학습 도구입니다. 모델을 학습 한 후 Studio에서 바로 웹 서비스로 배포 할 수 있습니다.
이 기능은 일반적으로 작성되는 코드가 낮거나 주요 작업이 분류, 회귀 및 클러스터링과 같은 근본적인 문제를 기반으로 할 때 사용됩니다.
이 접근 방식은 일반적으로 초보자에게 친숙하지만 데이터 과학에 대한 배경 지식이 필요합니다.
무료 옵션이 있지만 표준 등급의 비용은 시트 당 월 $ 9.99, 실험 시간당 $ 1입니다.
기계 학습 API
API (Application Program Interface)는 특정 쿼리에 대한 응답을 보낼 수있는 조직에서 제공 할 수있는 서비스이며 이러한 응답을 사용하여 응용 프로그램을 향상시킬 수 있습니다.
이를 통해 핵심 애플리케이션을 직접 중단하지 않고도 다양한 서비스에 유연하게 액세스 할 수 있습니다.
빅 데이터 분석 적용
Microsoft의 API 서비스를 Cognitive Services라고합니다. Azure에서 바로 배포 할 수 있습니다. 시각, 언어, 말하기, 검색 및 결정을 포함하여 5 가지 등급의 서비스를 이용할 수 있습니다. 머신 러닝을 사용하는 데 열정적이지만 데이터 과학에 대한 배경 지식이없는 개발자에게 적합한 사전 학습 된 모델입니다.
그러나 이러한 서비스는 사용자 정의와 관련하여 부족하므로 많은 것이 잘 정의 된 요구 사항이 유연하지 않은 경우 권장되지 않습니다.
Azure Machine Learning 문서로 이동,
ML.NET
프레임 워크는 자체 애플리케이션을 빌드 할 수있는 일반적인 개요 코드입니다. 프레임 워크를 사용하면 하위 수준 기능을 관리 할 수 있으므로 응용 프로그램 논리 만 관리하면됩니다.
ML.NET에는 분류, 회귀, 이상 감지 및 추천 학습 알고리즘이 있으며 신경망 용 Tensorflow 및 ONNX로 확장 할 수 있습니다.
이는 자신의 ML 파이프 라인 구축에 익숙한 .NET 개발자에게 매우 유용 할 수 있습니다.그러나 학습 곡선은 일반 Python 개발자가 멀리 떨어져 있어야 함을 의미합니다.
Azure Machine Learning 문서로 이동,
AutoML
자동화 된 기계 학습은 최근 많은 관심을 받고 있으며 기계 학습 모델을 자동으로 선택하고 훈련하는 소프트웨어입니다. 데이터 과학자의 업무를 기술적으로 대체 할 수 있다고 생각하기 쉽지만 실제로 사용해 본 사람은 데이터 과학자가 할 수있는 일과 할 수없는 일에 한계가 있다는 것을 분명히 알고 있습니다.
데이터 과학자를위한 현재 메타 (AutoML 제외)는 먼저 기본 모델을 만든 다음 최상의 결과를 산출하는 일련의 값에 도달 할 때까지 하이퍼 매개 변수의 다양한 가능성을 수동으로 반복하는 것입니다. 쉽게 짐작할 수 있듯이 이것은 매우 시간이 많이 소요되고 히트 앤 미스 기반 전략입니다. 또한 하이퍼 파라미터의 수가 증가함에 따라 검색 공간이 기하 급수적으로 증가하여 새로운 심층 신경망 기반 아키텍처를 완전히 반복하고 최적화하는 것이 거의 불가능합니다.
현재 Microsoft의 AutoML은 ML 모델 집합을 자동으로 빌드하고 지능적으로 학습 할 모델을 선택한 다음 ML 문제 및 데이터 유형에 따라 가장 적합한 모델을 추천 할 수 있습니다. 간단히 말해 올바른 알고리즘을 선택하고 하이퍼 파라미터를 조정하는 데 도움이됩니다. 현재는 분류, 예측 및 회귀 문제 만 지원합니다.
AutoML은 Azure Machine Learning Service 또는 ML.NET과 함께 사용되며 이와 관련된 모든 비용을 지불합니다.
이제이 기사의 끝으로 이동합니다. 이 기사가 재미 있었기를 바랍니다. 이 글을 읽으신다면 축하드립니다. 더 이상 Azure의 초보자가 아니므로! 더 많이 연습할수록 더 많이 배울 것입니다. 당신의 여행을 쉽게 만들기 위해 우리는 Azure 자습서 블로그 시리즈 자주 업데이트 될 예정 이니 계속 지켜봐주세요!
또한 Azure 시험을 통과하는 데 필요한 사항을 정확히 다루는 커리큘럼을 마련했습니다! 코스 세부 정보를 볼 수 있습니다. . 행복한 학습!
질문이 있으십니까? 이 기사의 댓글 섹션에 언급 해 주시면 다시 연락 드리겠습니다.