सब कुछ आपको अज़ुरे मशीन लर्निंग सर्विस के बारे में जानना होगा

यह लेख एज़्योर क्लाउड द्वारा पेश की गई एज़्योर मशीन सेवा से परिचित कराएगा और आपको उसी के विभिन्न घटकों और विशेषताओं से भी परिचित कराएगा।

यह लेख आपको लागू करने की नीतीश किरकिरी से परिचित कराएगा Azure Machine Learning सेवा पर अभ्यास। इस लेख में निम्नलिखित बिंदुओं को शामिल किया जाएगा,

तो आइये इस Azure Machine Learning लेख से शुरुआत करते हैं,





एज़्योर मशीन लर्निंग

क्लाउड के आगमन ने कंप्यूटिंग के बुनियादी ढांचे में एक नई शुरुआत की। इसका मूल रूप से मतलब यह था कि कोई ऐसे संसाधनों का उपयोग कर सकता है जो इंटरनेट पर उपयोग करने के लिए अन्यथा खरीदना बेहद महंगा होता। मशीन लर्निंग, विशेष रूप से गहन सीखने के लिए, कंप्यूटर आर्किटेक्चर के उपयोग की आवश्यकता होती है जो एक अत्यधिक उच्च मात्रा में रैम, और वीआरएएम (कोडा कोर के लिए) के उपयोग की अनुमति देता है। इन दोनों वस्तुओं को दो मुख्य कारणों से हासिल करना मुश्किल है -

  1. एक के लिए लैपटॉप, केवल सीमित मात्रा में संसाधनों को फ्रेम में पैक कर सकते हैं। इसका मतलब यह है कि एक विशिष्ट लैपटॉप उपयोगकर्ता के पास मशीन पर स्थानीय रूप से मशीन सीखने के कार्यों को करने के लिए उसके निपटान में पर्याप्त संसाधन नहीं हो सकते हैं



  2. रैम और विशेष रूप से वीआरएएम खरीद करने के लिए बेहद महंगे हैं और वे एक बहुत ही उच्च निवेश प्रतीत होते हैं। मजबूत रैम और वीआरएएम के साथ, हमें उच्च-स्तरीय सीपीयू का समर्थन करने की भी आवश्यकता है (अन्यथा सीपीयू सिस्टम के लिए एक अड़चन साबित होगा) इससे आगे की कीमत और भी अधिक बढ़ जाती है।

Azure Machine Learning Article के साथ आगे बढ़ते हुए,

एनाकोंडा में अजगर का उपयोग कैसे करें

एज़्योर मशीन लर्निंग सर्विस

उपरोक्त मुद्दों को ध्यान में रखते हुए, हम उन संसाधनों की आवश्यकता को आसानी से समझ सकते हैं जो 24 * 7 पहुंच के साथ इंटरनेट पर दूर से डिस्पोजेबल हैं।



एज़्योर एमएल लोगो - एज़्योर मशीन लर्निंग - एडुरका

Azure ML एक क्लाउड-आधारित सेवा है जो सभी स्तरों पर डेटा वैज्ञानिकों के लिए एक सुव्यवस्थित अनुभव प्रदान करती है। यह इस तथ्य के कारण विशेष रूप से महत्वपूर्ण है कि बहुत सारे नए इंजीनियर इस स्थान में प्रवेश करने की कोशिश कर रहे हैं और यह एक सहज उपयोगकर्ता इंटरफ़ेस के बिना इन कार्यों को करने के लिए विशेष रूप से चुनौतीपूर्ण हो सकता है।

(स्रोत: Microsoft.com)

एज़ुर एमएल एमएल स्टूडियो के साथ है, जो अनिवार्य रूप से एक ब्राउज़र-आधारित उपकरण है जो इन मॉडलों के निर्माण के उद्देश्य से डेटा वैज्ञानिक को ड्रैग और ड्रॉप इंटरफ़ेस का उपयोग करने में आसान बनाता है।

अधिकांश उपयोग किए गए एल्गोरिदम और लाइब्रेरी उपयोगकर्ताओं के लिए बॉक्स से बाहर निकलते हैं। यह आर और पायथन के लिए अंतर्निहित समर्थन का भी दावा करता है, जिससे दिग्गज डेटा वैज्ञानिकों को अपनी पसंद के अनुसार अपने मॉडल और इसकी वास्तुकला को बदलने और अनुकूलित करने की सुविधा मिलती है।

एक बार जब मॉडल तैयार हो जाता है और तैयार हो जाता है, तो इसे आसानी से एक वेब सेवा के रूप में इस्तेमाल किया जा सकता है जिसे प्रोग्रामिंग भाषाओं के ढेरों द्वारा बुलाया जा सकता है, अनिवार्य रूप से इसे उस एप्लिकेशन के लिए उपलब्ध करवाता है जो वास्तव में अंतिम उपयोगकर्ता का सामना करता है।

मशीन लर्निंग स्टूडियो मशीन सीखने को काफी सरल बनाता है जिससे आप वर्कफ़्लो निर्माण करते हैं। एमएल स्टूडियो और बड़ी संख्या में मॉड्यूल के साथ यह वर्कफ़्लो मॉडलिंग के लिए प्रदान करता है, कोई भी किसी भी कोड को लिखे बिना उन्नत मॉडल बना सकता है।

मशीन लर्निंग डेटा से शुरू होती है, जो विभिन्न प्रकार के मूल से आ सकती है। डेटा को आमतौर पर उपयोग करने से पहले 'साफ' करने की आवश्यकता होती है, जिसके लिए एमएल स्टूडियो सफाई में मदद करने के लिए मॉड्यूल शामिल करता है। एक बार डेटा तैयार हो जाने पर, कोई एल्गोरिथम और डेटा पर मॉडल को 'ट्रेन' चुन सकता है और उसमें पैटर्न पा सकता है। इसके बाद मॉडल को स्कोर करना और उसका मूल्यांकन करना आता है, जो आपको बताता है कि मॉडल परिणामों को पूर्व निर्धारित करने में कितना अच्छा है। यह सब एमएल स्टूडियो में नेत्रहीन दिया जाता है। एक बार मॉडल तैयार हो जाने के बाद, कुछ बटन इसे वेब सेवा के रूप में तैनात करते हैं, ताकि इसे क्लाइंट ऐप्स से कॉल किया जा सके।

एमएल स्टूडियो मशीन लर्निंग में उपयोग किए गए मानक एल्गोरिदम के पच्चीस के पूर्ववर्ती कार्यान्वयन प्रदान करता है। यह उन्हें चार वर्गों में विभाजित करता है।

  • विसंगति का पता लगाना चीजों, घटनाओं या टिप्पणियों के वर्गीकरण का एक तरीका है जो पारंपरिक पैटर्न या डेटासेट में अन्य मदों के लिए फिट नहीं है।
  • प्रतिगमन एल्गोरिदम वैरिएबल के बीच संबंधों की खोज और परिमाण का प्रयास करता है। एक आश्रित चर और एक या एक से अधिक स्वतंत्र चर के बीच संबंध स्थापित करके, प्रतिगमन विश्लेषण एक आश्रित चर के मान को एक मात्रात्मक सटीकता के साथ इनपुट का एक सेट दिए जाने की भविष्यवाणी करने में सक्षम कर सकता है।
  • वर्गीकरण एल्गोरिदम का लक्ष्य उस वर्ग की पहचान करना है, जिसमें अवलोकन एक प्रशिक्षण डेटा के आधार पर होता है जिसमें टिप्पणियों को शामिल किया जाता है जो पहले से ही एक वर्ग को सौंपा गया है।
  • क्लस्टरिंग ऑब्जेक्ट्स के एक समूह को एक तरह से ढेर करने का प्रयास करता है, जिसमें एक ही समूह (क्लस्टर कहा जाता है) में ऑब्जेक्ट्स अन्य समूहों (क्लस्टर) की तुलना में एक दूसरे के समान होते हैं।

वेब सेवा के रूप में विस्तारित होने के बाद, HTTP पर सरलीकृत REST कॉल के साथ एक मॉडल का उपयोग किया जा सकता है। यह डेवलपर्स को उन अनुप्रयोगों का निर्माण करने की अनुमति देता है जो मशीन सीखने से उनकी बुद्धि प्राप्त करते हैं।

इस एज़्योर मशीन लर्निंग आर्टिकल में निम्न प्रकार से एज़्योर और इसकी विशेषताओं के बारे में बताया गया है

Azure Machine Learning Article के साथ आगे बढ़ते हुए,

मशीन लर्निंग क्लाउड सेवा

क्लाउड सेवाएं अनिवार्य रूप से एक अंत-उपयोगकर्ता को इंटरनेट पर दूरस्थ रूप से किसी अन्य कंपनी द्वारा तैनात सेवाओं (हार्डवेयर मशीनों) को किराए पर लेने या उपयोग करने की अनुमति देती हैं।

एज़्योर मशीन लर्निंग सेवा सॉफ्टवेयर विकास किट और सेवाएं प्रदान करता है ताकि कस्टम एमएल मॉडल को तुरंत तैयार किया जा सके और ट्रेन तैयार की जा सके।ओपन-सोर्स पायथन फ्रेमवर्क के लिए बॉक्स सपोर्ट से बाहर है, जैसे कि PyTorch, TensorFlow और scikit-learn।यदि उन्हें कस्टम मॉडल बनाने या गहन शिक्षण मॉडल के साथ काम करने की आवश्यकता है तो इसका उपयोग करने पर विचार करना चाहिए

हालाँकि, यदि आप पायथन में काम नहीं करना चाहते हैं या एक सरल सेवा चाहते हैं, तो इसका उपयोग न करें।

इस सेवाओं के लिए डेटा विज्ञान के ज्ञान और पृष्ठभूमि का एक अच्छा सौदा आवश्यक है और नौसिखियों के लिए अनुशंसित नहीं है। मॉडल को प्रशिक्षित करने के लिए केवल संसाधनों के लिए भुगतान करें। Azure Kubernetes सेवा के माध्यम से तैनाती के लिए कई मूल्य निर्धारण स्तर।

Azure Machine Learning Article के साथ आगे बढ़ते हुए,

ग्राफिकल इंटरफ़ेस

एमएल जैसी क्षमताओं तक पहुंचने के तरीकों के आधार पर ग्राफिकल इंटरफेस कोई कोड या निम्न कोड प्लेटफ़ॉर्म नहीं हैं। उनमें से कुछ ड्रॉप-डाउन सूचियां हो सकती हैं, इस मामले में, यह एक ड्रैग एंड ड्रॉप टूल है।

Azure Machine Learning Studio एक ड्रैग-एंड-ड्रॉप मशीन लर्निंग टूल है जो आपको ग्राफ़िकल इंटरफ़ेस में परिणामों का मूल्यांकन करने के लिए डेटा के कस्टम सेट को अपलोड करके मशीन लर्निंग मॉडल बनाने, प्रशिक्षित करने और अनुकूलित करने में सक्षम बनाता है। एक मॉडल को प्रशिक्षित करने के बाद, आप इसे स्टूडियो से सीधे वेब सेवा के रूप में तैनात कर सकते हैं।

यह कार्यक्षमता आमतौर पर नियोजित होती है जब लिखे जाने वाले कोड को कम करना पड़ता है या प्रमुख काम वर्गीकरण, प्रतिगमन और क्लैरिंग जैसी मूलभूत समस्याओं पर आधारित होता है

यह दृष्टिकोण आम तौर पर अनुकूल है, लेकिन इसके लिए डेटा विज्ञान में कुछ पृष्ठभूमि ज्ञान की आवश्यकता होती है।

जबकि इसके पास एक मुफ्त विकल्प है, मानक स्तर की लागत $ 9.99 प्रति सीट, प्रति माह और $ 1 प्रति प्रयोग घंटे है।

मशीन लर्निंग एपीआई

एक एप्लिकेशन प्रोग्राम इंटरफ़ेस (एपीआई) एक ऐसी सेवा है जो एक संगठन द्वारा प्रदान की जा सकती है जो कुछ प्रश्नों के जवाब भेज सकती है और उन प्रतिक्रियाओं का उपयोग किसी के आवेदन को बढ़ाने के लिए किया जा सकता है।

यह हमें सीधे हमारे मुख्य अनुप्रयोग को चकमा दिए बिना विभिन्न सेवाओं तक पहुंचने के लिए लचीलापन देता है।

sql में दिनांक डेटा प्रकार

Microsoft की API सेवाओं को Cognitive Services कहा जाता है। इन्हें Azure पर ही तैनात किया जा सकता है। दृष्टि, भाषा, भाषण, खोज और निर्णय सहित सेवाओं की पाँच कक्षाएं उपलब्ध हैं। ये पहले से प्रशिक्षित मॉडल हैं जो डेवलपर्स को सूट करते हैं जो मशीन लर्निंग को रोजगार देने के लिए उत्साही हैं लेकिन डेटा विज्ञान की पृष्ठभूमि नहीं है।

हालाँकि, कस्टमाइज़ेशन की बात आते ही ये सेवाएं कम हो जाती हैं और इसलिए उन मामलों में अनुशंसित नहीं होती हैं जहाँ बहुत सारी चीजें अच्छी तरह से परिभाषित होती हैं, आवश्यकताएं लचीली नहीं होती हैं।

Azure Machine Learning Article के साथ आगे बढ़ते हुए,

ML.NET

चौखटे सामान्य रूपरेखा कोड हैं जो किसी भी व्यक्ति के शीर्ष पर अपना स्वयं का अनुप्रयोग बना सकते हैं। चौखटे निचले स्तर की कार्यक्षमता को देखने की अनुमति देते हैं ताकि किसी को केवल उनके तर्क के बाद देखना पड़े।

ML.NET के पास एक वर्गीकरण, प्रतिगमन, विसंगति का पता लगाने, और अनुशंसा प्रशिक्षण एल्गोरिदम है और तंत्रिका नेटवर्क के लिए टेन्सरफ़्लो और ONNX के साथ बढ़ाया जा सकता है।

यह एक .NET डेवलपर के लिए बहुत काम का हो सकता है जो अपनी खुद की एमएल पाइपलाइनों का निर्माण करने में सहज है।हालांकि, सीखने की अवस्था का मतलब है कि सामान्य अजगर डेवलपर्स को दूर रहना चाहिए।

Azure Machine Learning Article के साथ आगे बढ़ते हुए,

ऑटो एम.एम.एल.

स्वचालित मशीन लर्निंग हाल ही में बहुत अधिक ध्यान आकर्षित कर रहा है, और सॉफ्टवेयर है जो स्वचालित रूप से मशीन लर्निंग मॉडल का चयन करता है और उन्हें प्रशिक्षित करता है। हालांकि यह सोचना आसान है कि यह डेटा वैज्ञानिक की नौकरी को तकनीकी रूप से बदल सकता है, कोई ऐसा व्यक्ति जिसने वास्तव में इसका उपयोग किया है वह स्पष्ट रूप से जानता है, इसकी सीमाएं हैं कि यह क्या कर सकता है और क्या नहीं।

डेटा वैज्ञानिकों के लिए वर्तमान मेटा (ऑटोएमएल के बिना) पहले एक आधार मॉडल बनाना होगा और फिर हाइपर मापदंडों के लिए विभिन्न संभावनाओं पर पुनरावृति करना होगा, जब तक कि वे सर्वोत्तम मूल्यों का उत्पादन करने वाले मूल्यों के एक सेट पर नहीं पहुंचते। जैसा कि कोई भी आसानी से अनुमान लगा सकता है, यह एक बेहद समय लेने वाली और हिट और मिस आधारित रणनीति है। साथ ही, हाइपरपरमेटर्स की संख्या में वृद्धि के साथ-साथ खोज स्थान में तेजी से वृद्धि होती है, जिससे नए, गहरे तंत्रिका नेटवर्क-आधारित आर्किटेक्चर लगभग पूरी तरह से खत्म होने और अनुकूलन के लिए असंभव हो जाते हैं।

वर्तमान में, Microsoft का AutoML स्वचालित रूप से प्रशिक्षण के लिए मॉडल का चयन करने के लिए स्वचालित रूप से ML मॉडल का एक सेट बनाने में सक्षम है, फिर ML समस्या और डेटा प्रकार के आधार पर आपके लिए सबसे अच्छे की सिफारिश करता है। संक्षेप में, यह सही एल्गोरिथ्म का चयन करता है और हाइपरपरमेटर्स को ट्यून करने में मदद करता है। वर्तमान में, यह केवल वर्गीकरण, पूर्वानुमान और प्रतिगमन समस्याओं का समर्थन करता है।

AutoML का उपयोग Azure Machine Learning Service या ML.NET के साथ किया जाता है और आप इनसे जुड़ी किसी भी कीमत के लिए भुगतान करते हैं।

तो यह हमें इस लेख के अंत में लाता है। मुझे उम्मीद है कि आपको यह लेख अच्छा लगा होगा। अगर आप इसे पढ़ रहे हैं, तो मुझे बधाई दें। जैसा कि आप अब Azure में एक नौसिखिया नहीं हैं! जितना अधिक आप अभ्यास करेंगे उतना ही आप सीखेंगे। आपकी यात्रा को आसान बनाने के लिए, हम इसे लेकर आए हैं एज़्योर ट्यूटोरियल ब्लॉग श्रृंखला जो अक्सर अद्यतन किया जाएगा, इसलिए बने रहें!

हम एक पाठ्यक्रम भी लेकर आए हैं, जिसमें सटीक रूप से शामिल है कि आपको एज़्योर परीक्षाओं को क्रैक करने की क्या आवश्यकता होगी! आप पाठ्यक्रम के विवरण पर एक नज़र डाल सकते हैं । हैप्पी लर्निंग!

क्या आप हमसे कोई प्रश्न पूछना चाहते हैं? कृपया इस लेख के टिप्पणी अनुभाग में इसका उल्लेख करें और हम आपके पास वापस आ जाएंगे।