Si le temps d'entraînement peut être échangé contre précision, nous pouvons utiliser _____________.

Réseaux de Neurones correct

Les données de référence peuvent être récupérées à la demande en utilisant ___________.
Toutes les options sont correctes
Une petite empreinte mémoire peut être obtenue par ______________.
Jungle de Décision correcte
Le processus de détermination des causes qui jouent un rôle dans l'augmentation des prix de l'immobilier dans un
le domaine particulier pour modéliser un prédicteur de prix de maison s'appelle ___________.
Ingénierie des caractéristiques correcte
En général, les modèles d'apprentissage machine linéaires sont associés à __________.
Entraînement rapide correct
Un cluster K-Means est dit bien défini si le cluster est ________.
Ellipse correcte
Lequel des énoncés suivants est faux concernant les Données d'Entraînement et les Données de Test dans Azure ML Studio ?
La répartition des données d'entraînement et des données de test doit suivre une règle empirique de 80 : 20.

Quelle est la sortie du pipeline Azure Data Factory qui utilise le

Activité AzureMLBatchExecution pour réentraîner un modèle ?
fichier [Link] correct
Azure Data Factory peut être lié au service ________ pour gérer des clusters de big data.
à la demande.
HD Insight correct
Pour réentraîner le modèle prédictif et mettre à jour le service web via Azure Data
Usine, quels ensembles de données sont nécessaires ?
An Azure Storage blob for the output of An AzureMLUpdateResource activity. correct

Quel service peut être utilisé avec les services Azure ML Studio pour prédire le machine.
Échec en temps réel à travers les données collectées à partir des capteurs ?
Analyse de flux Azure correcte
You create an Azure Stream Analytics job in which you want to call an Azure Machine
Service web d'apprentissage qui est géré dans un abonnement Azure différent. Que peut-on faire ?
fait pour utiliser le service Web d'apprentissage automatique ?
Azure ML function is added to the Stream Analytics job, specifying the URL and key
pour le service web. correct

La transformation logarithmique est utilisée lorsque __________.

la distribution des paramètres est exponentielle

Pour éviter de faire fonctionner le module Importer des données à chaque fois, nous menons une expérience lorsque les données sont
importé depuis le stockage Azure Blob, nous pouvons utiliser _____________.
Résultats mis en cache

Un environnement pour travailler avec Azure Machine Learning dans un abonnement Azure
ne crée pas automatiquement ___________.
Un espace de travail
La collaboration dans Azure Machine Learning est possible grâce à ________.
La collaboration n'est pas possible ---- doute
Invitation à l'abonnement Azure---- possible

Les données de référence sont _________.

Données supplémentaires pour évaluer et personnaliser le modèle incorrect
Données supplémentaires pour entraîner le modèle incorrectes
Additional user data to be processed for better prediction wrong
données supplémentaires pour l'utilisateur - droit
Lequel des éléments suivants est un paquet python avancé pour la vision par ordinateur ?
opencv corriger
Lequel des éléments suivants peut généralement être utilisé pour nettoyer et préparer les grandes données ?
U-SQL correct
Azure ML Studio nous fournit un ________ nombre de clés API.
2 correct
Obtenir la taille requise d'un ensemble de données à partir d'une grande quantité de données accumulées est
appelé ________.
Échantillonnage statistique correct
Les données peuvent être importées dans ML Studio par ________.
Stockage Azure et téléchargement utilisateur correct
Quel est le gestionnaire de paquets Python par défaut dans le cas d'Azure ML Studio ?
conda correct
Lequel des éléments suivants est un environnement REPL Python ?
Jupyter Notebook correct
Docker aide dans _______.
Déploiement correct

Sélectionnez l'option qui représente le bon ordre des tâches suivantes : (A)
Predictive Experiment (B) Training Experiment (C) Model Evaluation (D) Data
Prétraitement (E) Publication API
B, D, C, A, E correct

-------------------------------------------------
Azure - Apprentissage Automatique
Apprentissage automatique sur le cloud
Selon Microsoft :

L'apprentissage machine est une technique de science des données qui permet aux ordinateurs d'utiliser des données existantes.
data to forecast future behaviors, outcomes, and trends.

À mesure que vous avancerez, vous apprendrez à utiliser Azure Machine Learning Studio en tant que
solution intégrée de science des données et d'analytique avancée de bout en bout, permettant les données
des scientifiques pour préparer des données, développer des expériences et déployer des modèles à l'échelle du cloud.

Comment ça marche ?
Azure Machine Learning Studio est un service cloud dans Azure qui vous permet de
expérimenter avec des données et créer des modèles prédictifs.

(2) Un jeu de données expérimental est pris et un flux de travail de transformations à appliquer à
les données sont définies.

(3) Différents modèles sont entraînés et testés pour créer un modèle d'expérience prédictive
avec la précision requise.

(4) L'expérience prédictive encapsule le modèle d'apprentissage automatique et le

transformations de données associées, prêtes à être utilisées avec de nouvelles données.

(5) Votre expérience prédictive peut alors être publiée en tant que service web, ce qui client
les applications et les processus peuvent appeler pour générer des valeurs prédites

Sur quoi est-ce basé ?

Azure Machine Learning est construit sur :

Jupyter Notebook
Apache Spark
Docker
Kubernetes
Python
Conda
Bibliothèque de Machine Learning de Microsoft pour Apache Spark
Microsoft Cognitive Toolkit.
Azure ML est compatible avec scikit-learn, TensorFlow et Spark ML

Comment les composants fonctionnent ensemble ?

Python et Jupyter Notebook fournissent ensemble les capacités de scripting de base dans
le Studio Azure ML.

Conda agit en tant que gestionnaire de paquets pour les paquets python compatibles comme sckit-learn.
matplotlib, TensorFlow, etc...

Docker et Kubernetes fournissent l'environnement sous-jacent pour le service web

déploiement.

Apache Spark et les bibliothèques dépendantes aident à la collecte de données provenant de travaux Big Data
qui peut être lié au Azure ML Studio.

En dehors de ces composants sous-jacents, Azure ML Studio peut également être connecté à
des services tels que Azure Storage, Azure SQL Storage, etc. facilitant un seul
environnement pour l'ensemble du cycle de vie de la science des données.

Autres outils de ML
En plus d'Azure Machine Learning Studio, il existe une variété d'options à
Microsoft pour construire, déployer et gérer vos modèles d'apprentissage automatique.

Service d'apprentissage automatique

Services d'apprentissage automatique SQL Server

Serveur d'apprentissage automatique Microsoft

Machine Virtuelle de Science des Données Azure

Spark MLLib dans HDInsight

Service d'entraînement AI par lot

Microsoft Cognitive Toolkit (CNTK)

Services Cognitifs Azure

Service d'apprentissage automatique

Étroitement lié à Machine Learning Studio, Machine Learning Service est une offre
dans Azure de Microsoft qui fournit l'utilité similaire à Azure ML Studio.

Il est actuellement en aperçu et offre à l'environnement un support bien meilleur pour

cadres ouverts en python tels que Tensorflow, sci-kit learn, etc.

Il prend en charge les Jupyter Notebooks, les outils Visual Studio Code pour l'IA, Azure Batch AI et
Déploiement conteneurisé.

Service ML vs Azure ML Studio

Lorsqu'on le compare au Service d'Apprentissage Automatique, Azure Machine Learning Studio
fournit des algorithmes préconfigurés et une interface glisser-déposer pour l'apprentissage automatique.

Azure ML Studio est recommandé pour les débutants afin d'expérimenter avec la modélisation ML et
déploiement et pour des problèmes commerciaux de petite envergure et de faible complexité.

Cependant, le service d'apprentissage automatique offre un service professionnel et complet.

environnement pour résoudre des problèmes commerciaux complexes et gérer le cloud à l'échelle mondiale
déploiement des services.

Avancer
Au fur et à mesure que vous avancerez dans le cours, vous apprendrez

Comment interagir avec Azure ML sur le web.

Use Azure ML functionality to clean data, create ML models and deploy them as web
services.

Consume the web services in real-time client applications.

Reformer les modèles en utilisant Azure Big Data Factory.

Utiliser Azure ML pour les applications IoT et Big Data.

Plateforme Azure ML
Cela aide à comprendre comment utiliser la plateforme Azure ML sur le web pour générer des prédictions par
création et déploiement de modèles ML.

Le flux de travail suivi pour générer des services web à partir de jeux de données est le suivant :

Entraînez un modèle d'apprentissage automatique avec une expérience d'entraînement.

Créer une expérience prédictive à partir d'une expérience de formation encapsulant des données
transformations et modèle d'entraînement.
Utilisez l'expérience prédictive pour créer un service Web permettant de générer des prédictions à l'aide de
point de terminaison API et clé API.

Espace de travail
Espace de travail
L'espace de travail est une provision accordée sur l'abonnement Azure qui peut être considéré comme un
terrain de jeu pour l'expérimentation en apprentissage automatique.

Un espace de travail contient

Expérience de formation
Expérience prédictive et
Collection de services Web pour un utilisateur.
Pour explorer la plateforme Azure ML, nous devons avoir un abonnement Azure et devons
créer un espace de travail.

Cahiers
Cahiers
La plateforme Azure ML prend en charge l'exécution de scripts R et Python.
Jupyter Notebook.

Les notebooks peuvent être utilisés pour transformer, nettoyer, visualiser des données et entraîner des modèles.
according to requirements.

Ils peuvent être placés dans le cadre d'une expérience ou peuvent être utilisés pour
visualisation/transformation séparément pour des ensembles de données particuliers.

Les Notebooks Azure prennent en charge R, Python 2 et Python 3.

Projets
Projects
Les projets nous permettent également de gérer facilement diverses ressources.

Différents ensembles de données, notebooks et ressources utilisés dans les expériences peuvent être
géré/organisé facilement en les ajoutant à un projet unique.

L'onglet Projets donne un résumé de tous les actifs c'est-à-dire des expériences, des carnets et
ensembles de données utilisés par nous et ajoutés au projet.

La disposition du projet permet une gestion facile des divers actifs liés à notre
experiments.

Galerie de l'intelligence Cortana

La Galerie d'Intelligence Cortana est une collection de ressources que les gens ont partagées sur
la plateforme Azure ML.

Il inclut divers tutoriels, ensembles de données et expériences.

Les expériences peuvent être copiées de la galerie dans un espace de travail et peuvent être
exploré/modifié pour une meilleure compréhension.

We can also share our work on experiments and web services for others to learn and
explorer.

Passons au sujet suivant pour commencer à créer et expérimenter des modèles d'apprentissage automatique.

Jeux de données
Une expérience Azure ML nécessite au moins un ensemble de données sur lequel le modèle est créé.
Les données peuvent être importées directement ou dans Azure Storage et utilisées pour créer un
modèle.

En général, dans le cas des grandes sources de données :

Les travaux Hive ou U-SQL sont utilisés pour nettoyer et préparer l'analyse.
Un processus commercial stocke de grands volumes de données dans une base de données ou un entrepôt de données.
Ces données peuvent être stockées sur Azure Storage et peuvent être facilement importées dans Azure ML
Espace de travail. Les données peuvent également être importées depuis Hive ou une base de données Azure SQL.

Plus loin dans le sujet, vous apprendrez différents types de données utilisées dans les expériences et
manières de les utiliser

Sources de Big Data - Considérations

Lorsqu'on travaille avec des sources de Big Data, les points suivants doivent être pris en compte :

Plusieurs fichiers peuvent être téléchargés dans l'espace de travail Azure ML, mais la taille maximale est inférieure.
que 2 Go.
Cependant, il est possible d'importer jusqu'à 10 Go de données provenant d'autres sources.
Si vous devez travailler avec des volumes de données encore plus importants, l'échantillonnage statistique
des techniques doivent être utilisées pour échantillonner dix gigaoctets de données pour l'entraînement.

Données d'entraînement
Les ensembles de données sont largement classés en deux types dans la perspective d'Azure ML.

Données d'entraînement pour entraîner l'expérience

Données de référence fournissant des informations supplémentaires.
Les données d'entraînement : Les données pour former l'expérience sont des données obligatoires et agissent comme le
début du Dataflow.

Passez à la carte suivante pour en savoir plus sur les données de référence.
Données de référence
LES DONNÉES DE RÉFÉRENCE ne sont pas directement utilisées dans l'expérience ou pour entraîner un modèle. C'est
utilisé uniquement pour fournir des informations supplémentaires.
Par exemple, lorsqu'un service web est publié basé sur le modèle ML, un service
un point de terminaison est créé pour consommer le service web.

Based on the client using the service, the reference data to be used can be varied
en conséquence, pour offrir une personnalisation et une flexibilité au service web.

Importation de données - Trivia

Dans ce sujet, vous avez appris des moyens d'importer des données à partir de divers magasins de données Azure.
et les types de données utilisées. Quelques autres points notables sont :

Les données peuvent également être importées depuis SQL Server sur site ou plusieurs autres en ligne.
sources utilisant le module Import.
Plusieurs formats de données tels que .txt, .csv, .[Link], .tsv, .[Link], fichier Excel, Azure
table, table Hive, table de base de données SQL, .RData etc.. sont pris en charge.
Les types de données reconnus par ML Studio sont String, Integer, Double, Boolean, DateTime
et TimeSpan.
Pour plus de détails, consultez les suivants :

Importer des données

Préparer les données
Scénarios pour l'analyse avancée.

Le cycle de vie
Une solution de science des données implique :

Identifier un problème commercial

Extraction de données
Nettoyage des données
Transformation des données
Analyse Exploratoire des Données
Visualisation des données
Modélisation d'apprentissage automatique
- Publication du Service de Prédiction

Adoption de ML Studio
Azure Machine Learning Studio aide tout au long du cycle de vie d'une science des données
solution.

Nous avons déjà jeté un œil à l'importation de données à partir de diverses sources, ce qui peut être considéré
comme Extraction de Données.

Le nettoyage et la transformation des données sont effectués en fonction de notre problème commercial et le
l'approche que nous adoptons pour fournir une solution à cela. Vous pouvez le voir dans les vidéos sur
les cartes suivantes.

Nettoyage et transformation des données

Le nettoyage des données fait référence à la détection et à la correction des données manquantes, inexactes et irrécupérables.
Des parties de données tandis que la transformation des données fait référence à la conversion de données d'un format à un autre.
à un autre.

Azure ML Studio fournit ces fonctionnalités via des Filtres, Mise à l'échelle et Réduction,
Manipulation et échantillon et division.

Filtres : Transforme et nettoie les données numériques et peut aider dans le traitement de la parole
Manipulation : Nettoie les valeurs manquantes, édition des métadonnées, transformations SQL, etc.
Échelle et Réduction : Normalisation, Regroupement, Découpage, etc.
Échantillon et Division : Partitionner et Échantillonner des données.
Vérifiez ceci, pour plus d'informations sur le nettoyage et la transformation des données.
Visualisation des données
L'analyse exploratoire des données et la visualisation des données sont facilitées par des notebooks dans
La visualisation des données Azure ML Studio est facilement accessible dans Azure ML Studio.
le clic droit des ensembles de données téléchargés.

Cependant, les carnets peuvent être utilisés pour visualiser davantage les données de la manière requise avec
Scripts Python/R ajoutant flexibilité et fonctionnalité.

Regardez la vidéo suivante pour apprendre à utiliser des Notebooks pour la visualisation de données.

Jouer

00:00
-06:09
Muet

Settings
Entrer en plein écran

Modélisation de l'apprentissage automatique

En ce qui concerne la conception d'un modèle d'apprentissage automatique, Azure ML prend en charge 25 algorithmes.

Ils sont divisés en 4 grandes classes pour les données structurées et non structurées.

Régression
Classification
Détection d'anomalies
Clustering

Parcourez les axiomes de l'apprentissage machine et d'autres cours d'apprentissage automatique pour la sélection de modèles et
sélection de caractéristiques.
Apprentissage supervisé
La plateforme Azure ML est équipée de plus de 20 types de méthodes d'apprentissage supervisé.
construit et prêt à l'emploi.

Les utilisateurs peuvent également écrire leurs propres scripts Python et les intégrer dans le flux de travail ML.
pour des modèles personnalisés et optimisés utilisant des Notebooks et des bibliothèques de ML prises en charge comme
sci-kit learn, Tensorflow, etc.

Passez aux cartes suivantes pour consulter des exemples de différents Apprentissage Supervisé
Algorithmes ainsi que concepts de nettoyage et de transformation des données.

Modèle de régression
Regardez cette vidéo pour comprendre comment entraîner un modèle de régression à partir d'un échantillon.
jeu de données utilisant le service d'expérimentation Azure ML.

Modèle de classification
Regardez cette vidéo pour comprendre comment entraîner un modèle de classification à partir d'un échantillon
ensemble de données utilisant le service d'expérimentation Azure ML.

Aller plus loin

L'apprentissage supervisé est la technique de modélisation en ML la plus utilisée pour les données structurées.
Différents algorithmes ont leurs propres avantages et inconvénients. Nos exigences doivent être déterminées.
sur le choix de l'algorithme optimal.

Consultez les liens suivants pour une meilleure compréhension des méthodes d'apprentissage supervisé.
en ce qui concerne la plateforme Azure ML : Ingénierie des caractéristiques, Sélection des algorithmes et Évaluation de l'IA
Modèle.
Apprentissage non supervisé
L'apprentissage non supervisé est utilisé pour travailler sur des données non structurées et non étiquetées.

Le regroupement est la méthode la plus couramment utilisée où des données similaires sont regroupées par
trouver des fonctionnalités et les regrouper en fonction de leur ensemble de fonctionnalités.

La plateforme Azure ML prend en charge le clustering K-Means pour l'apprentissage non supervisé.

Regroupement K-Moyennes
Regardez la vidéo pour apprendre à utiliser l'algorithme de clustering K-Means et à visualiser les données
après le regroupement.

Recommandateurs
Les systèmes de recommandation, comme leur nom l'indique, sont utilisés dans les secteurs du commerce électronique, des publicités et
plateformes sociales, etc. Ils recommandent des éléments connexes d'intérêt en fonction des utilisateurs
interaction précédente.

Regardez la vidéo suivante pour apprendre à modéliser un système de recommandation sur la plateforme Azure ML.

Qu'est-ce qu'il y a ensuite ?

Dans ce sujet, vous avez appris comment créer un modèle d'apprentissage automatique à partir de jeux de données pris et
différents types de modèles de ML pris en charge sur la plateforme Azure ML.

Passons au sujet suivant pour apprendre à déployer les modèles d'apprentissage automatique en tant que services web.

Consultez les liens suivants pour plus d'infos sur : le regroupement K-Means et la boîte d'appariement
Recommandeur.

Utilisation des modèles entraînés

Dans le sujet précédent, entraîner différents modèles ML à l'aide de la plateforme Azure ML est
discuté.

Une fois que les modèles entraînés ont été testés pour leur précision et optimisés, ils doivent être
déployé pour consommation via API.

Ce sujet aide à apprendre à déployer le modèle entraîné en tant que service web en utilisant un
expérience prédictive.

Déplacez-vous à travers les cartes pour découvrir...

Expérience prédictive
L'expérience prédictive est créée à partir de l'expérience d'entraînement réussie.

Cela définit le flux de travail pour le traitement des demandes web afin de générer des prédictions.

Il est structuré de manière similaire à une expérience d'entraînement, mais les transformations de données comme
la normalisation est encapsulée dans un seul bloc afin de ne pas modifier le
expérience d'entraînement.

L'entrée et la sortie du service web seront les nouveaux blocs ajoutés à l'expérience.
Créer une expérience prédictive
Regardez la vidéo suivante pour vous aider à comprendre comment créer un expérience prédictive.

Service web
Un webservice doit être créé à partir d'une expérience prédictive pour consommer ce qui a été généré.
Modèle ML.

La création d'un Webservice génère des points de terminaison API qui peuvent être accessibles via
Clés API principales et secondaires.

Les points de terminaison de l'API prennent des entrées requises par le modèle ML et fournissent une sortie JSON avec
prédictions.

Flux de travail de service Web

Le flux de travail suivant est adopté pour construire un service web avec prédiction.
experiment:

Créez une expérience d'entraînement et optimisez-la.

Générez une expérience prédictive à partir du modèle entraîné ainsi que des opérations comme
normalisation des données, encapsulation et transformation.
Inclure des définitions pour les entrées et sorties de services web qui définissent comment le client
les applications consommeront le modèle.
Modifier l'expérience prédictive sans affecter l'expérience d'entraînement en conséquence
avec les exigences du client.
Enfin, publiez l'expérience prédictive en tant que service web accessible.
via une URL ou un point de terminaison.

Déploiement d'un Webservice

Regardez la vidéo suivante pour comprendre comment déployer un service web.

Utilisation des services Web

Les applications clientes peuvent appeler le service web, en passant les fonctionnalités et en obtenant
la sortie selon le schéma.
Lorsque de nouvelles données d'entraînement sont collectées, l'expérience d'entraînement peut être rouverte et
amélioré par le nouvel entraînement.
L'expérience prédictive peut être mise à jour en conséquence tout en tenant compte de
transformations qui encapsulent le modèle entraîné et d'autres opérations nécessaires pendant
préserver d'autres changements de l'expérience prédictive.
Avec le modèle prédictif mis à jour, le service web peut être redéployé et le client.
les applications peuvent continuer à accéder via le même point de terminaison qu'auparavant.
Aller plus loin
Pour plus d'informations, référez-vous aux liens suivants : Préparation du Modèle Prédictif et
Déploiement de service Web.

Maintenant que les bases de la création et du déploiement d'un service Web sont comprises, passez à autre chose.
au prochain sujet pour en savoir plus sur la gestion et la personnalisation des services Web.
Plongée profonde - Services web
Ce sujet couvre le

Gestion
Consommation et
Personnalisation des services Web selon les exigences du client.
Vous apprendrez également sur les métriques et la journalisation concernant l'utilisation des services Web.

Services Web - Facteurs à prendre en compte

Après que les modèles sont créés et publiés en tant qu'API, nous devons les rendre consommables par
différentes applications client.

Les services Web de la plateforme Azure ML sont flexibles.

Les services Web peuvent être conçus pour récupérer des données de référence d'une base de données.

Des paramètres peuvent être transmis pour récupérer des données de référence à partir de la base de données requise pour
servir différents clients.

Peut être géré et surveillé en ce qui concerne l'utilisation et l'activité grâce à

journalisation.

Consommation
Le service web peut être consommé à partir de l'API publiée soit dans

Mode Requête-Réponse ou
Mode par lot de manière asynchrone.
Les points de terminaison API et les clés API sont utilisés en fonction des besoins.

Les API sont construites en tant qu'API REST et peuvent être consommées par l'application cliente requise.
en passant les paramètres requis en tant que requête HTTPS.

Microsoft Excel, accompagné du plug-in Azure ML, peut également être utilisé pour consommer le
service.

Consommer des APIs

La vidéo suivante explique comment consommer un service API en utilisant des points de terminaison API et
aussi en utilisant Excel.

Paramètres
Le service web peut être personnalisé pour prendre les paramètres requis afin d'accéder à des éléments supplémentaires.
données.

Par exemple, vous pouvez spécifier une base de données pour récupérer les données. Elle sera fournie comme
un paramètre supplémentaire en plus des paramètres requis pour une prédiction.

Cela aide à une consommation personnalisée des clients de sorte que chaque client utilisera le même
service de prédiction mais la sortie/récupération de données est différente pour chacun d'eux.

Surveillance
La plateforme Azure ML permet la gestion des services Web grâce aux statistiques d'utilisation et
Journalisation.

Les tableaux de bord fournissent un aperçu du nombre total de demandes effectuées à l'API et
leur taux de réussite/échec sur une période de temps sélectionnée. Ils donnent également la moyenne
calculer le temps et la latence associés à l'API.

La journalisation peut être activée pour des fichiers de réponse JSON plus détaillés stockés automatiquement.
sur le stockage Azure fournissant un rapport détaillé de la demande et de la réponse.

Surveillance et journalisation
Regardez la vidéo suivante pour une explication détaillée sur la journalisation et la surveillance.

Aller plus loin

Veuillez consulter les liens suivants pour plus d'informations sur la consommation de Webservice, l'ajout de paramètres.
Gestion des services Web et journalisation.
Passez au sujet suivant pour apprendre à utiliser ces Webservices dans des scénarios de Big Data.

Essayez-le - Préparation des données

La préparation des données et la visualisation sont des aspects importants pour une solution.
Construction.

Lancez la pratique et utilisez un compte d'essai personnel Azure ou un essai invité de 8 heures pour
commencer à travailler dans un espace de travail Azure.

Trouvez les instructions pratiques étape par étape ici. Un PDF sera téléchargé avec
Instructions pour télécharger et visualiser les données.

Suivez les instructions pour travailler sur l'exercice pratique.

Ouvrez les liens dans un réseau non TCS en cas de problème.

Scénario de Big Data

Les points de terminaison de l'API Webservice peuvent être utilisés comme un service par les clients pour des prédictions.
avec réponse instantanée.

Cependant, si nous voulons utiliser des modèles de ML dans des scénarios ayant de grands ensembles de données c'est-à-dire pour
Les Big Data, le traitement doit être effectué par lots à des intervalles programmés et de manière optimale.
temps pour réduire la latence et promouvoir la manière asynchrone d'obtenir des prédictions
pour nos données.

Azure Data Factory et son pipeline entrent en jeu dans ces types de
scénarios.

Azure Data Factory

Azure Data Factory est un service cloud pour le mouvement et la transformation des données
aide à orchestrer les tâches de traitement par lots de grandes données à travers des pipelines définis dans un
façon planifiée.

Pipeline
Se compose d'une séquence d'activités, qui sont effectuées à l'aide des liens
services.

Crée des ensembles de données, qui définissent les entrées et les sorties pour chaque activité.

Exécute des activités à des intervalles ou des plages horaires programmés, chacune fonctionnant sur la tranche de
des données pertinentes pour cette période.

Azure ML dans le Pipeline

Lorsque le traitement par lot de Big Data est effectué par pipeline, les prévisions peuvent faire partie de la
pipeline avec Azure ML étant utilisé comme service lié.

L'activité d'exécution par lots d'Azure ML est utilisée pour appeler un service web de prédiction provenant d'un
pipeline.

Le jeu de données d'entrée est transmis à l'entrée du service web et, la sortie prédite
de le service web est retourné en continuant vers la prochaine activité dans le pipeline.

D'autres services liés sont des sources de données, comme Azure Storage ou Azure SQL Database.
et des services de calcul, comme Azure HD Insight ou Azure Data Link Analytics.

Utiliser le pipeline
Regardez la vidéo suivante pour apprendre à utiliser un pipeline pour automatiser les prédictions
utiliser Azure Data Factory.
Qu'en est-il de la reconversion ?
Dans un scénario de Big Data, le réentraînement du modèle pourrait être nécessaire un peu plus fréquemment, puisque
les données générées sont de grandes quantités et peuvent varier sur de courtes périodes de temps.

Nous avons besoin de données fraîches pour entraîner le modèle d'apprentissage automatique afin d'améliorer l'exactitude du modèle.
changement du flux de données.

La réentraînement peut être effectué manuellement à l'aide de l'espace de travail Azure ML.

Cependant, compte tenu de la quantité de données à traiter lors du Big Data

Les processus sont en cours, ce n'est ni efficace ni recommandé.

Dans cette situation, le pipeline Azure Data Factory et le service de mise à jour des ressources Azure ML
vient à la rescousse pour automatiser le réentraînement des modèles ML.

Automatisation du nouvel entraînement

Pour automatiser le processus de réentraînement, Azure ML nous offre une fonctionnalité pour publier
expérience de formation en tant que service web de réentraînement.

The following activities can be executed in sequence, in the Azure Data Factory
Pipeline, pour réaliser la tâche d'automatisation :

L'activité d'exécution par lot d'Azure ML est utilisée pour appeler le service web de réentraînement afin de
générez un nouveau modèle en tant que fichier.

Le fichier du modèle est transmis à une activité de mise à jour des ressources Azure ML qui met à jour le
expérience de notation remplaçant le modèle existant.

Aller plus loin

Consultez les liens suivants pour plus d'informations sur les pipelines prédictifs et la mise à jour des ressources
Activité.

Alors que le traitement des Big Data pour les prévisions est examiné, passons au sujet suivant.
apprendre à traiter des données en temps réel pour des prédictions en utilisant les services Web d'Azure ML
Plateforme.

Processus de streaming
Un processus de diffusion est considéré comme un traitement de données en temps réel.

Azure comprend un certain nombre de services que vous pouvez utiliser pour mettre en œuvre un streaming
processus pour des données en temps réel.

Une solution de streaming Azure se compose d'entrées, d'un travail de streaming et de sorties.

Sont souvent des hubs d'événements ou des hubs IoT utilisés pour ingérer des données en temps réel à
échelle.
Travail de streaming : Utilisé pour traiter les données. Généralement, une analyse de flux Azure
requête.
Le résultat attendu peut être n'importe quoi, d'une mise à jour de base de données à un réel
tableau de bord temporel avec analyse.

Azure Stream Analytics

L'analyse de flux est un service Azure pour traiter des données en temps réel à l'aide de Stream
processus.

Il fonctionne en effectuant des requêtes de streaming sur les données en temps réel.

La requête de streaming encapsule une tâche de prédiction sous forme de fonction.

Le service Web Azure est considéré comme une fonction dans la requête de streaming qui génère
prédictions, envoyées ensuite en sortie à la fonction.
Fonctions Azure ML
Regardez la vidéo suivante pour comprendre comment fonctionne le service Web Azure ML en tant que fonction.
dans une requête de streaming.

Fonction de service Web

Regardez la vidéo suivante pour comprendre la mise en œuvre du service Web Azure ML
en tant que fonction dans une requête de streaming.
Mise en œuvre dans la vie réelle
Référez-vous au lien suivant pour jeter un œil à un exemple de mise en œuvre d'un streaming
Solution utilisant Azure Machine Learning : Analyse de sentiment en utilisant Azure Stream
Analyse et Azure Machine Learning