Azure Machine Learning ist ein Webservice für die Erstellung und den Einsatz von Machine Learning (ML)-Modellen für Datenwissenschaftsteams. Er ermöglicht es, diese Modelle in einer skalierbaren Cloud-Umgebung zu erstellen, zu testen, zu verwalten, einzusetzen oder zu überwachen, um Big-Data-Analysen für prädiktive Analysen durchführen zu können.
Microsoft Azure Kurs: Werde fit im Machine Learning
Wenn es darum geht, Machine-Learning-Modelle zu erstellen, zu trainieren und einzusetzen, werden in der Regel folgende Tools verwendet:
- Azure Machine Learning Studio: Hierbei handelt es sich um einen Arbeitsbereich, in dem du Modelle für maschinelles Lernen erstellst, generierst und trainierst.
- Azure Machine Learning für Visual Studio Code Extension: Dies ist eine kostenlose Erweiterung, mit der du Ressourcen, Workflows zum Trainieren von Modellen und Einsätze in Visual Studio Code verwalten kannst.
Während der praktischen Arbeit zielt einen Microsoft Azure Kurs oder eine Azure Machine Learning-Schulung unter anderem darauf ab, dass der Schüler :
- Mit der Benutzeroberfläche dieses Azure-Dienstes für maschinelles Lernen umgehen können.
- Die Variablen für die Algorithmen und die äquivalenten Algorithmen für die jeweilige Problemstellung auswählen können.
- Die Programmiersprachen beherrschen, die üblicherweise für die Optimierung von Azure Machine Learning verwendet werden (R und Python).
- Erfahrungen mit einem Webservice für maschinelles Lernen sammeln.
Voraussetzungen für den Microsoft Azure Kurs in Machine Learning
Bevor Du mit einem Microsoft Azure Kurs in Machine Learning beginnst, solltest Du einige Grundlagen kennen:
- Ein Verständnis der Konzepte von Machine Learning
- Ein Wissen über die Konzepte des Cloud Computing
- Ein allgemeines Verständnis von Containern und Orchestrierung
- Erfahrung in der Programmierung mit Python oder R.
- Erfahrung in der Arbeit mit einer Kommandozeile
Hauptziele eines Microsoft Azure Kurses in Machine Learning
Ein Microsoft Azure Kurs in Machine Learning richtet sich an Ingenieure, die die Drag-and-Drop-Plattform von Microsoft Azure nutzen möchten, um Arbeitslasten für maschinelles Lernen einzusetzen, ohne Software und Hardware kaufen zu müssen und ohne sich um Wartung und Bereitstellung kümmern zu müssen. Mit anderen Worten, sie richtet sich an :
- Data Scientists
- Data Engineers
- DevOps Engineers, die sich für den Einsatz von Modellen des maschinellen Lernens interessieren.
- Machine Learning Engineers, die sich für den Einsatz von Modellen des maschinellen Lernens interessieren.
- Software-Engineers, die die Integration und den Einsatz von Machine-Learning-Funktionen in ihre Anwendungen automatisieren möchten.
Inhalt eines Azure Kurses in Machine Learning
Eine Azure Machine Learning-Schulung besteht hauptsächlich darin, den Workflow für diesen Cloud-Dienst zu gewährleisten. Daher besteht sie, genau wie die Ausführung eines Workflows des Azure Machine Learning Service, aus drei Schritten:
1. Vorbereitung der Daten
Dies ist der erste Schritt bei der Erstellung eines Modells für maschinelles Lernen, das die Sammlung und Verarbeitung von Daten aus einem Datastore und einem Dataset beinhaltet.
Hier sind einige Beispiele für unterstützte Azure-Speicherdienste, die als Datenbanken gespeichert werden können:
- Azure Data Lake
- Azure SQL Database
- Databricks File System
- Azure Blob Storage
2. Test
Nachdem die Daten aufgenommen und im Datensatz gespeichert wurden, besteht der nächste Schritt darin, das Modell zu erstellen, zu trainieren und zu testen.
Das Modell ist ein Stück Code, das Eingaben nimmt und Ausgaben für diese Eingaben erzeugt. Die Entwicklung eines ML-Modells erfordert die Auswahl eines Algorithmus, die Verfügbarkeit von Daten und das Einstellen von Hyperparametern.
Das Training umfasst einen iterativen Prozess, der ein trainiertes Modell liefert, das erbt, was es während des Trainingsprozesses gelernt hat. Das Modell erhält man, indem man es in Azure Machine Learning ausführt.
Natürlich wird auch eine Rechenressource benötigt, in der das Trainingsskript ausgeführt werden muss. Azure Machine Learning hat den Vorteil, dass das automatische Lernen eines Modells auf verschiedenen Rechenzielen durchgeführt werden kann:
- Local Compute: Rechenkontext, in dem der Code zur Einreichung der Experimente ausgeführt wird.
- Compute Cluster: Virtueller Cluster, der von Azure Machine Learning verwaltet wird.
- Inference Cluster: Container-basiertes Einsatzziel.
Attached Compute: Azure Databricks, Azure Data Analytics, etc.
3. Rollout
Nachdem das Modell gebildet und getestet wurde, wird es im Modellregister gespeichert und dann in einem Webdienst oder in IoT-Modulen eingesetzt. Das gespeicherte Modell wird als Endpunkt des Dienstes bereitgestellt.
Es instanziiert das Bild in einem Webservice, der dann in der Cloud oder in einem IoT-Modul gehostet wird, um es in einem Einsatz von eingebetteten Geräten zu verwenden.
Am Ende des Kurses werden die Schüler/innen somit in der Lage sein, :
- Hochpräzise Machine-Learning-Modelle mithilfe von Python- oder R-Programmierwerkzeugen zu schreiben;
- Die in Azure ML verfügbaren Datensätze und Algorithmen nutzen, um Machine Learning- und Deep Learning-Modelle zu trainieren und zu verfolgen.
- Den interaktiven Arbeitsbereich von Azure Machine Learning nutzen, um gemeinsam Modelle für maschinelles Lernen zu entwickeln.
