Azure Machine Learning , en molnbaserad tjänst, är kärnan i artificiell intelligens och många nya applikationer – utformad för att skapa och hantera maskininlärningslösningar. Datavetare och maskininlärningsingenjörer använder Azure ML för att utnyttja sina befintliga kunskaper och ramverk inom databehandling och modellutveckling. Dessutom hjälper det dem att skala, distribuera och driftsätta sina arbetsbelastningar sömlöst till molnet. Den teknikdrivna AML erbjuder ett enkelt gränssnitt med bara några klick för att skapa en idealisk miljö för datavetare och skapa kodfria maskininlärningsmodeller.
Oavsett om du vill konstruera en modell, genomföra experiment för att modellera distribution eller distribuera en modell, tillhandahåller Microsofts teknik heltäckande maskininlärningsfunktioner i molnet. Dessutom möjliggör plattformen kodning i Python och R via Jupyter Notebooks, Jupyter Lab och R Studio för olika användarpreferenser.
Några av Azures maskininlärningsfunktioner nämns nedan:
Beräkning: Aure Machine Learning möjliggör många beräkningsalternativ för olika maskininlärningsapplikationer. Användare kan njuta av on-demand-beräkning som de kan anpassa baserat på sin användning med Jupyter Notebooks, R Studio och Jupyter Labs.
Användare kan skapa ett beräkningskluster för arbetsbelastningar som kräver mycket processorkraft. Databricks- , HDInsight- och Azure ML-kluster är bland de klusteralternativ som stöds. För krävande maskininlärningsarbetsbelastningar som Natural Language Processing (NLP) tillhandahåller beräkningsklustren GPU-aktiverade beräkningsalternativ (NLP).
Datalager: Azure Machine Learning tillhandahåller datalager som kan användas för att montera data från Azure Storage-tjänster, som ett datasjölager. Användare kan använda arbetsytan och datalagerklassen för att komma åt datalager från användargränssnittet eller från Python-kod. När data har monterats kan användare läsa data från datasjölager till Azure ML-anteckningsböcker via datalagret.
Anteckningsböcker: Jupyter-anteckningsböcker, Jupyter Labs och R Studio stöds alla av Azure ML:s anteckningsboksfunktioner. Beroende på användningsfallet för maskininlärning kan användare välja att öppna en befintlig Jupyter-anteckningsbokskärna eller skapa en anpassad kärna. Virtuella Conda-miljöer stöds av anteckningsböcker, vilket möjliggör skapandet av teamspecifika utvecklingsmiljöer. GitHub är också integrerat med anteckningsböcker. För att designa, träna, testa och distribuera modeller kan användare med åtkomst till en Azure ML-instans arbeta tillsammans inom en eller flera anteckningsböcker.
Designer GUI: Azure ML Designer-verktyget tillhandahåller ett interaktivt grafiskt gränssnitt för att specificera och skapa maskininlärningsmodeller. Under modellutvecklingen tillhandahåller designern ett antal förbyggda moduler som användare kan välja mellan. En användare kan koppla en datamängd till ett flertal förbyggda moduler, inklusive "välj kolumner", "rena saknade data", "dela data", "beslutsskog med två klasser", "träna modell", "poängmodell" och "utvärdera modellen". Användaren kan sedan använda ett beräkningskluster för att distribuera modulerna som en pipeline. Modellresultaten kan också visas på en instrumentpanel, som skapas när modulen "utvärdera modell" körs.
Automatiserad maskininlärning: Användare kan använda den automatiserade maskininlärningsfunktionen för att köra automatiserade modelltester för att finjustera och träna en befintlig modell för att uppfylla ett användardefinierat målmått. Inom en klassificeringsmodell kan en användare till exempel ange att ett flertal automatiserade tester ska utföras för att förbättra modellens "noggrannhetsmått". Varje experiment bygger på det föregående för att säkerställa att modellen är så exakt som möjligt. Användare kommer att kunna utvärdera alla experimentresultat.