数据结构
网络
关系型数据库管理系统 (RDBMS)
操作系统
Java
MS Excel
iOS
HTML
CSS
Android
Python
C 编程
C++
C#
MongoDB
MySQL
Javascript
PHP
物理学
化学
生物学
数学
英语
经济学
心理学
社会学
服装学
法学什么是 Azure 机器学习，以及为什么要使用它？
介绍
机器学习项目的生命周期由 Azure 机器学习云服务驱动。机器学习专家、数据科学家以及工程师都可以在他们的日常工作流程中使用它：在训练和部署模型的同时运行 MLOps。
这是一个开源平台，包括 Pytorch、TensorFlow、sci-kit-learn，或者我们在 Azure 机器学习中组合的模型都是可选项。我们可以使用 MLOp 来观察、重新训练和部署模型。在本文中，我们将探讨 Azure 机器学习及其用法。
认知服务和 Azure 机器学习服务
Azure 表存储是微软首个具有商业发布日期的产品。自助式 MLOps 是 Azure 认知服务的一部分，当使用时，它还可以自动部署、监控和微调 ML 模型。
表存储是一个完全托管的云存储解决方案。它提供表、表空间、索引以及表本身以及这些表空间、索引和表的分析工具的存储。
此外，R、Tensor、Microsoft Cognitive Toolkit 以及其他数据技术和机器学习 API 作为自助式云服务通过 Azure 机器学习提供。该服务支持微软众多合作伙伴的所有基本 ML 引擎。任何这些 API 都允许我们快速共享模型的数据并利用其任何功能，例如标记或分类我们的数据。
微软最近扩展了 Azure 机器学习提供的服务集，其中包括认知 API。用户可以借助认知 API 开发预测模型、显示图形、注释照片、翻译文本或语音，或优化视频内容。
Azure 可以解决的商业解决方案
鉴于企业收集的信息量越来越大，ML 是一种新技术，可以帮助各个行业和企业从收集的信息中获得见解。
Azure ML 在金融服务领域的功能可以帮助银行和金融服务提供商更好地了解他们的客户，评估他们的信用度，并识别最有可能实施欺诈或其他金融犯罪的人。例如，Azure ML 可以识别开设多个账户或试图在不同银行和保险公司之间转移资金的个人。
组织可以使用 ML 来识别有多少客户访问了商店，他们购买了什么，以及他们多久退回一次商品。交通运输中的 ML 有助于优化路线和交付，找出如何最好地满足城市居民的需求等等。
如果我们有大量数据来训练我们的 ML 模型，Microsoft Azure 的机器学习 API 有助于加快这一过程。ML API 提供强大的 ML 工具，可以帮助我们创建智能应用程序并从现有数据中学习。
开发和使用机器学习模型
假设我们可以直接在自己的数据中心中将机器学习模型交付给 Azure 是企业常犯的一个错误。为了避免任何性能问题，ML 需要在 Azure 数据中心具有实时可用性。
为了确保任何模型都能可靠地部署到 Azure，建议我们将它作为这个新代码库的一部分进行开发和部署。我们的代码库的源代码应该针对 Visual Studio IDE 中的 Microsoft Azure ML 工具，以便我们的数据科学团队能够将他们的新模型作为新代码库的一部分发布。创建新模型时，我们应该关注 Azure ML 工具，并确保新模型的代码库是使用 Azure ML 工具构建的。
将我们的新模型包含在一个 Web 服务中，我们的数据科学团队可以将其上传到 Azure，这是另一个最佳实践。我们需要一个远程 RESTful 服务和 Web 服务上的服务发现选项，以便我们的数据科学团队能够建立 Web 服务并连接到 Azure。如果我们还可以将 RESTful Web 服务托管在 Azure 上，那就更好了。
避免创建新的 SQL 数据库来保存模型是另一个好习惯。传统的 NoSQL 数据库是安装 ML 模型的更快方法。为此，请创建一个新的 NoSQL 数据库并将其连接到 Azure ML。虚拟化层（如 Azure 存储）可用于仅部署一次我们的模型，并在整个组织中使其可用。
Microsoft 还提供多种创建和部署 ML 模型的工具。Microsoft Cognitive Toolkit 是创建和使用 ML 模型最有效的资源之一 (CNTK)。Azure ML 服务中 Microsoft AI 背后的 ML 工具包称为 CNTK。为了帮助我们创建 ML 模型，CNTK 包含一个易于使用的预训练原型。
此模型可以帮助我们为我们的应用程序选择理想的 ML 模型。我们可以使用 CNTK 的基准模式在各种工作负载和情况下评估模型的性能。
另一个免费的 CNTK 工具是 CNTK Design Viewer，它可以帮助我们理解我们的 ML 模型。Design Viewer 允许我们研究我们的程序，并查看 CNTK 模型如何改变训练数据之间的连接。
此外，Microsoft 为每个库提供预训练的 CNTK 模型。这个预训练模型可以作为创建应用程序的起点。通过这样做，我们可以评估我们的应用程序，并观察它在针对训练模型运行时的性能。
结论
Azure ML Insights 为我们提供了对 Azure ML 数据的详细视图，以帮助我们了解哪些因素会影响模型的性能，哪些变量在我们的数据中被过度表示，以及给定应用程序的理想模型是什么样的。只有通过 Azure，我们才能访问最先进的机器学习功能。使用 Azure Databricks 和 Azure 机器学习快速有效地创建、训练和部署我们的机器学习模型。
浏览量：177 次
