Dacă timpul de antrenament poate fi schimbat pentru precizie, putem folosi _____________.

Rețele neuronale
Datele de referință pot fi obținute la cerere folosind ___________.
Toate opțiunile sunt corecte
Un mic amprente de memorie poate fi dobândit prin ______________.
Jungla Deciziilor corectă
Procesul de determinare a cauzelor care joacă un rol în creșterea prețului locuințelor într-o
zona particulară pentru a modela un predictor de prețuri pentru case se numește ___________.
Inginerie de caracteristici corectă
În general, modelele de învățare automatizată liniare sunt asociate cu __________.
Antrenament rapid corect
Un cluster K-Means este considerat bine definit dacă clusterul este ________.
Elipsă corectă
Care dintre următoarele afirmații este falsă despre datele de antrenament și datele de testare în Azure ML Studio?
Împărțirea datelor de antrenament și a celor de testare ar trebui să urmeze o regulă de bază de 80 : 20.

Care este rezultatul pipeline-ului Azure Data Factory care folosește

Activitatea AzureMLBatchExecution pentru a reantrena un model?
fișier [Link] corect
Azure Data Factory poate fi conectat cu ________ serviciu pentru a gestiona clustere de big data
la cerere.
HD Insight corect
Pentru a reantrena modelul predictiv și a actualiza serviciul web prin Azure Data
Fabrica, care dintre seturile de date sunt necesare?
An Azure Storage blob for the output of An AzureMLUpdateResource activity. correct

Ce serviciu poate fi folosit împreună cu Azure ML Studio Services pentru a prezice mașina
Eșec în timp real prin datele colectate de la senzori?
Azure Stream Analytics corect
Creezi un job Azure Stream Analytics în care dorești să apelezi un Azure Machine
Serviciu web de învățare care este gestionat într-o altă subscripție Azure. Ce poate fi
terminat de utilizat serviciul web de învățare automată?
Funcția Azure ML este adăugată la lucrarea de analiză a fluxurilor, specificând URL-ul și cheia
pentru serviciul web. corect

Transformarea logaritmică este utilizată atunci când __________.

distribuția parametrului este exponențială

Pentru a preveni rularea modulului Importare Date de fiecare dată când efectuam un experiment, atunci când datele sunt
importat din Azure Blob storage, putem folosi _____________.
Rezultate în cache

Un mediu pentru a lucra cu Azure Machine Learning într-o subscripție Azure

nu creează automat ___________.
Un spațiu de lucru
Colaborarea în Azure Machine Learning este posibilă prin ________.
Colaborarea nu este posibilă ---- îndoială
Invitație la abonamentul Azure ---- posibil

Datele de referință sunt _________.

Date suplimentare pentru evaluarea și personalizarea modelului greșit
Date suplimentare pentru antrenarea modelului greșit
Date suplimentare ale utilizatorului care trebuie procesate pentru o predicție mai bună greșit
date suplimentare pentru utilizator - drept
Care dintre următoarele este un pachet avansat Python pentru viziunea computerizată?
opencv corect
Care dintre următoarele poate fi utilizat în general pentru a curăța și pregăti Big Data?
U-SQL corect
Azure ML Studio ne oferă un ________ număr de chei API.
2 corect
Obținerea dimensiunii necesare a unui set de date dintr-o cantitate mare de date acumulate este
numit ________.
Sampling statistic
Datele pot fi importate în ML Studio prin ________.
Stocare Azure și încărcare utilizator corectă
Care este managerul de pachete Python implicit în cazul Azure ML Studio?
conda corect
Care dintre următoarele este un mediu REPL pentru Python?
Jupyter Notebook corect
Docker ajută în _______.
Implementare corectă

Selectați opțiunea care reprezintă ordinea corectă a sarcinilor următoare: (A)

Predictive Experiment (B) Training Experiment (C) Model Evaluation (D) Data
Preprocessing (E) API Publishing
B, D, C, A, E corect

-------------------------------------------------
Azure - Învățare Automată
Învățare Automată pe Cloud
According to Microsoft:

Învățarea automată este o tehnică de știința datelor care permite calculatoarelor să folosească datele existente
date pentru a prezice comportamentele, rezultatele și tendințele viitoare.

Pe măsură ce avansezi, vei învăța cum să folosești Azure Machine Learning Studio ca un
soluție integrată, de la început până la sfârșit, de știința datelor și analiză avansată, care permite date
cercetătorii să pregătească datele, să dezvolte experimente și să implementeze modele la scară cloud.

Cum funcționează?
Azure Machine Learning Studio este un serviciu cloud în Azure care îți permite să
experimentează cu datele și creează modele predictive.

(2) Un set de date experimental este preluat și un flux de lucrări de transformări care urmează să fie aplicate la
datele sunt definite.

(3) Modele diferite sunt antrenate și testate pentru a crea un model de experiment predictiv
cu acuratețea necesară.

(4) Experimentul predictiv încadrează modelul de învățare automată și

transformări de date asociate, gata să fie utilizate cu date noi.

(5) Experimentul tău predictiv poate fi apoi publicat ca un serviciu web, care client
aplicațiile și procesele pot apela pentru a genera valori prezise

Pe ce se bazează?
Azure Machine Learning este construit pe baza:

Jupyter Notebook
Apache Spark
Docker
Kubernetes
Python
Conda
Biblioteca de Învățare Automată Microsoft pentru Apache Spark
Toolkit-ul Cognitiv Microsoft.
Azure ML este compatibil cu scikit-learn, TensorFlow și Spark ML

Cum lucrează împreună componentele?

Python și Jupyter Notebook împreună oferă capacitățile de scripting de bază în
Azure ML Studio.

Conda acționează ca un manager de pachete pentru pachete python compatibile, cum ar fi sckit-learn.
matplotlib, TensorFlow, etc...

Docker și Kubernetes oferă mediul de bază pentru serviciul web

implementare.

Apache Spark și bibliotecile sale dependente ajută la colectarea datelor din joburile de Big Data
care poate fi conectat cu Azure ML Studio.

Pe lângă aceste componente de bază, Azure ML Studio poate fi conectat și la

servicii precum Azure Storage, Azure SQL Storage, etc.. facilitând o singură
un mediu pentru întreaga ciclare a vieții științei datelor.

Alte instrumente ML
În plus față de Azure Machine Learning Studio, există o varietate de opțiuni la
Microsoft va construi, desfășura și gestiona modelele dvs. de învățare automată.

Serviciul de învățare automată

Servicii de Machine Learning SQL Server

Server de Învățare Automată Microsoft

Mașină virtuală Azure pentru știința datelor

Spark MLLib în HDInsight

Serviciu de Antrenament AI în Lot

Toolkit-ul cognitiv Microsoft (CNTK)

Serviciile cognitive Azure

Serviciul de Învățare Automată

Strâns legat de Machine Learning Studio, Machine Learning Service este o ofertă
în Azure de la Microsoft care oferă utilitatea similară cu Azure ML Studio.

Este în prezent în previzualizare și oferă mediului un suport mult mai bun pentru
framework-uri deschise în python, cum ar fi Tensorflow, sci-kit learn etc..

Suportă Jupyter Notebooks, Instrumentele Visual Studio Code pentru AI, Azure Batch AI și
Implementare containerizată.

Serviciul ML vs Azure ML Studio

Când este comparat cu Serviciul de Învățare Automată, Azure Machine Learning Studio
oferă algoritmi preconfigurați și o interfață de tip drag-and-drop pentru ML.

Azure ML Studio este recomandat pentru începători pentru a experimenta cu modelarea ML și

implementare și pentru probleme de afaceri de mică amploare, cu complexitate redusă.

Cu toate acestea, Serviciul de Învățare Automatizată oferă un serviciu profesional și complet.

mediu pentru rezolvarea problemelor complexe de afaceri și gestionarea cloud-ului la scară globală
implementarea serviciilor.

Mergând înainte
Pe măsură ce avansezi cu cursul, vei învăța

Cum să interacționezi cu Azure ML pe web.

Foloseste funcționalitatea Azure ML pentru a curăța datele, a crea modele ML și a le desfășura ca aplicații web
servicii.

Consuma serviciile web în aplicații client în timp real.

Reantrenați modelele folosind Azure Big Data Factory.

Utilizarea Azure ML pentru aplicații IoT și Big Data.

Platforma Azure ML
Aceasta ajută la înțelegerea utilizării platformei Azure ML pe web pentru a genera predicții.
crearea și desfășurarea modelelor ML.

Fluxul de lucru urmat pentru a genera servicii web din seturi de date este următorul:

Antrenează un Model de Învățare Automată cu un Experiment de Antrenament.

Creează un experiment predictiv dintr-un experiment de antrenament care encapsulează datele
transformări și model de instruire.
Folosește experimentul predictiv pentru a crea un serviciu web care să genereze predicții folosind
Endpoint API și cheia API.

Spațiu de lucru
Spațiu de lucru
Spațiul de lucru este o provisionare oferită în abonamentul Azure, care poate fi denumită ca un
teren de joacă pentru experimentarea în învățarea automată.

Un Spațiu de lucru conține

Experiment de antrenament
Experiment Predictiv și
Colecție de servicii web pentru un utilizator.
Pentru a explora platforma Azure ML, trebuie să avem un abonament Azure și trebuie să
creează un spațiu de lucru.

Caiete
Caiete
Platforma Azure ML are suport încorporat pentru a executa scripturi R și Python folosind
Jupyter Notebook.

Notebooks pot fi folosite pentru a transforma, curăța, vizualiza datele și a antrena modele.
conform cerințelor.

Ele pot fi plasate ca parte a unui experiment sau pot fi utilizate pentru
vizualizare/transformare separat pentru seturi de date particulare.

Azure Notebooks suportă R, Python 2 și Python 3.

Proiecte
Proiecte
Proiectele ne permit să gestionăm cu ușurință diverse resurse.

Seturi de date, caiete de lucru și resurse utilizate în experimente pot fi

gestionate/organizate ușor adăugându-le într-un singur proiect.

Tabloul Proiectelor oferă sinteze ale tuturor activelor, adică experimente, caiete de sarcini și
seturi de date folosite de noi și adăugate la proiect.

Dispoziția proiectului permite gestionarea ușoară a diferitelor active legate de noi

experimente.

Galeria Inteligenței Cortana

Galeria de inteligență Cortana este o colecție de resurse pe care oamenii le-au împărtășit pe
platforma Azure ML.

Include diverse tutorialuri, seturi de date și experimente.

Experimentele pot fi copiate din galerie într-un spațiu de lucru și pot fi

explorat/modificat pentru o mai bună înțelegere.

Putem, de asemenea, să împărtășim munca noastră privind experimentele și serviciile web pentru ca alții să învețe și
explorați.

Treci la următoarea temă pentru a începe să creezi și să experimentezi cu modele ML.

Seturi de date
Un experiment Azure ML necesită cel puțin un set de date pe baza căruia este creat modelul.
Datele pot fi importate direct sau în Azure Storage și folosite pentru a crea un
model.

În general, în cazul surselor de Big Data:

Joburile Hive sau U-SQL sunt folosite pentru a curăța și pregăti pentru analiză.
Un proces de afaceri stochează volume mari de date într-o bază de date sau într-un depozit de date.
Aceaste date pot fi stocate pe Azure Storage și pot fi ușor importate în Azure ML.
Spațiu de lucru. Datele pot fi, de asemenea, importate din Hive sau baza de date Azure SQL.

Mai departe în acest subiect, veți învăța diferite tipuri de date folosite în experimente și
moduri de a le folosi

Surse Big Data - Considerații

Când se lucrează cu surse de Big Data, următoarele aspecte trebuie considerate:

Mai multe fișiere pot fi încărcate în spațiul de lucru Azure ML, dar dimensiunea maximă este mai mică.
decât 2 GB.
Cu toate acestea, importul de până la 10 GB de date din alte surse este posibil.
Dacă trebuie să lucrezi cu volume de date și mai mari, eșantionarea statistică
tehnicile trebuie folosite pentru a preleva zece gigabytes de date pentru antrenament.

Date de antrenament
Seturile de date sunt clasificate în general în două tipuri din perspectiva Azure ML.

Date de antrenament pentru a pregăti experimentul

Date referință care oferă informații suplimentare.
DATE DE ÎNDRUMARE: Datele pentru a antrena Experimentul sunt date obligatorii și acționează ca
începerea fluxului de date.

Treci la următoarea carte pentru a învăța despre datele de referință.

Date de Referință
DATELE DE REFERINȚĂ nu sunt utilizate direct în experiment sau pentru antrenarea unui model. Este
doar folosit pentru a furniza informații suplimentare.
De exemplu, atunci când un serviciu web este publicat pe baza modelului ML, un serviciu
endpoint-ul este creat pentru a consuma serviciul web.

În funcție de clientul care utilizează serviciul, datele de referință care trebuie folosite pot fi variate.
în consecință, pentru a oferi personalizare și flexibilitate serviciului web.

Import de date - Trivia

În acest subiect, ai învățat modalități de a importa date din diferite magazine de date Azure
și tipurile de date utilizate. Câteva alte puncte notabile sunt:

Datele pot fi, de asemenea, importate din SQL Server pe premise sau din mai multe alte surse online.
surse folosind modulul Import.
Formate multiple de date, cum ar fi .txt, .csv, .[Link], .tsv, .[Link], fișier Excel, Azure
tabel, tabel Hive, tabel bază de date SQL, .RData etc.. sunt acceptate.
Tipurile de date recunoscute de ML Studio sunt Șir, Întreg, Dublu, Boolean, Dată și oră
și TimeSpan.
Pentru mai multe detalii, consultați următoarele:

Importați date
Pregătiți datele
Scenarii pentru analize avansate.

Ciclul de viață
O soluție de știință a datelor implică:

- Identificarea unei probleme de afaceri

Extracția datelor
Curățarea datelor
Transformarea datelor
Analiza exploratorie a datelor
Vizualizarea Datelor
Modelare prin Învățare Automată
Publicarea Serviciului de Predicție

Adoptarea ML Studio
Azure Machine Learning Studio ajută pe tot parcursul ciclului de viață al unei științe a datelor
soluție.

Am avut deja o privire asupra Importului de Date din diverse surse, care poate fi considerat
ca Extracție de date.

Curățarea și transformarea datelor sunt efectuate pe baza problemei noastre de afaceri și a

abordarea pe care o adoptăm pentru a oferi o soluție pentru aceasta. Puteți vedea acest lucru în videouri.
următoarele carduri.

Curățarea și Transformarea Datelor

Curățarea datelor se referă la detectarea și corectarea valorilor lipsă, inexacte și irelevante.
părți ale datelor în timp ce transformarea datelor se referă la conversia datelor dintr-un format
la altul.

Azure ML Studio oferă aceste caracteristici prin intermediul Filtrelor, Scalării și Reducerii,
Manipulare și Eșantionare și Împărțire.

Filtre: Transformă și curăță datele digitale și poate ajuta în Procesarea Vorbirii

Manipulare: Curățarea valorilor lipsă, editarea metadatelor, transformări SQL, etc.
Scalare și Reducere: Normalizare, Grupare, Tăiere, etc.
Eșantionare și Împărțire: Partaționare și Eșantionare a datelor.
Verifică asta pentru mai multe informații despre Curățarea și Transformarea Datelor.
Vizualizarea datelor
Analiza exploratorie a datelor și vizualizarea datelor sunt facilitate de Notebooks în
vizualizarea datelor Azure ML Studio este disponibilă pe Azure ML Studio
click dreapta al seturilor de date încărcate.

Cu toate acestea, Notebooks pot fi folosite pentru a vizualiza suplimentar datele într-o manieră necesară cu
Scripturi Python/R adăugând flexibilitate și funcționalitate.

Uitați-vă la următorul videoclip pentru a învăța cum să folosiți Notebooks pentru vizualizarea datelor.

Joacă

00:00
-06:09
Nebun

Setări
Intră în modul Fullscreen

Modelare prin Învățare Automată

În ceea ce privește elaborarea unui model de învățare automată, Azure ML suportă 25 de algoritmi.

Ele sunt împărțite în 4 clase majore atât pentru datele structurate, cât și pentru cele nestructurate.

Regresie
- Clasificare
Detectarea anomaliilor
Clustering

Parcurgeți axiomele învățării automate și alte cursuri de ML pentru selecția modelului.

selectarea caracteristicilor.
Învățare Supravegheată
Platforma Azure ML este dotată cu peste 20 de tipuri de metode de învățare supervizată în-
construit și gata de utilizare.

Utilizatorii pot, de asemenea, să scrie propriile scripturi Python și să le încorporeze în fluxul de lucru ML.
pentru modele personalizate și optimizate folosind Notebooks și biblioteci ML suportate precum
sci-kit learn, Tensorflow, etc.

Treceți la următoarele cărți pentru a verifica exemple de învățare supravegheată.

Algoritmi împreună cu concepte de curățare și transformare a datelor.

Model de regresie
Urmăriți acest videoclip pentru a înțelege cum să antrenați un model de regresie dintr-un eșantion
set de date folosind serviciul de experimentare Azure ML.

Model de clasificare
Uitați-vă la acest videoclip pentru a înțelege cum să antrenați un model de clasificare dintr-un eșantion
set de date folosind serviciul de experimentare Azure ML.

Mergând mai departe

Învățarea supravegheată este tehnica de modelare ML cel mai utilizată pentru date structurate.
Diferite algoritmi au propriile avantaje și dezavantaje. Cerințele noastre trebuie să fie stabilite.
pentru a selecta algoritmul optim.

Consultați următoarele linkuri pentru o mai bună înțelegere a metodelor de învățare supravegheată
în ceea ce privește platforma Azure ML: Inginerie de caracteristici, Selectarea algorimului și Evaluarea ML
Model.
Învățare nesupravegheată
Învățarea nesupravegheată este folosită pentru a lucra cu date nestructurate și nelabelate.

Clusteringul este cea mai frecvent utilizată metodă prin care datele similare sunt grupate.
găsirea caracteristicilor și gruparea acestora pe baza setului lor de caracteristici.

Platforma Azure ML suportă Clustering K-Means pentru Învățarea Nesupervizată.

Clustering K-Means
Urmăriți videoclipul pentru a învăța cum să utilizați algoritmul de clasificare K-Means și să vizualizați datele
după grupare.

Recomandatori
Recomandatorii, așa cum sugerează numele lor, sunt utilizați în sectoare de comerț electronic, reclame și
platforme sociale etc. Ele recomandă articole de interes în funcție de utilizatori
interacțiune anterioară.

Urmărește următorul videoclip pentru a învăța cum să modelezi un sistem de recomandare pe platforma Azure ML.

Ce urmează?
În acest subiect, ai învățat cum să creezi un model ML din seturi de date preluate și
diferite tipuri de modele ML acceptate pe platforma Azure ML.

Treci la următorul subiect pentru a învăța cum să desfășori modelele ML ca servicii web.

Refer the following links for further info on: K-Means Clustering and Match Box
Recomandator.

Utilizarea modelele antrenate

În subiectul anterior, antrenarea diferitelor modele ML folosind Azure ML Platform este
discutat.

Odată ce modelele antrenate sunt testate pentru acuratețe și optimizate, acestea trebuie să fie
implementat pentru consum prin API.

This topic helps to learn to deploy the trained model as a web service using a
experiment predictiv.

Mutați-vă prin cărți pentru a descoperi..

Experiment predictiv
Experimentul predictiv este creat din Experimentul de antrenament de succes.

Aceasta definește fluxul de lucru al procesării cererilor web pentru a genera predicții.

Este structurat similar cu experimentul de antrenament, dar transformările de date precum

normalizarea, sunt încapsulate într-un singur bloc pentru a nu modifica
experiment de antrenament.

Intrarea și ieșirea serviciului web vor fi noile blocuri adăugate experimentului.

Crearea unui Experiment Predictiv
Verificați următorul videoclip pentru a ajuta la înțelegerea modului de a crea un experiment predictiv.

Webservice
Un serviciu web trebuie să fie creat dintr-un experiment predictiv pentru a consuma generația.
model ML.

Crearea unui serviciu Web generează puncte finale API care pot fi accesate prin
Chei API primare și secundare.

Punctele finale ale API-ului iau inputuri necesare de modelul ML și oferă un output JSON cu
predicții.

Flux de lucru al serviciului web

Următorul flux de lucru este adoptat pentru construirea unui serviciu web cu predicție
experiment:

Creează un experiment de antrenament și optimizează-l.

Generate a predictive experiment from the trained model along with operations like
normalizarea datelor, encapsularea și transformarea.
Include definiții pentru intrările și ieșirile serviciului web care definesc modul în care clientul
aplicațiile vor consuma modelul.
Modificați experimentul predictiv fără a afecta experimentul de antrenament în conformitate
cu cerințele clientului.
În cele din urmă, publică experimentul predictiv ca un serviciu web care poate fi accesat
printr-un URL sau un endpoint.

Implementarea unui serviciu web

Verifică următorul videoclip pentru a înțelege cum să desfășori un serviciu web.

Utilizarea serviciului web

Aplicațiile client pot apela serviciul web, trecând caracteristicile și obținând
the output according to the schema.
Când noi date de antrenament sunt colectate, experimentul de antrenament poate fi redeschis și
îmbunătățit prin recalificare.
Experimentul predictiv poate fi actualizat în consecință, ținând cont de
transformări care encapsulează modelul antrenat și alte operațiuni necesare în timp ce
păstrând celelalte modificări ale experimentului predictiv.
Cu modelul predictiv actualizat, serviciul web poate fi redeployat și clientul
aplicațiile pot continua să acceseze prin același punct final ca înainte.
Mergând mai departe
Pentru mai multe informații, consultați următoarele linkuri: Pregătirea modelului predictiv și
Implementarea Serviciului Web.

Acum că bazele creării și implementării unui serviciu web sunt înțelese, treceți la următorul pas.
la următorul subiect pentru a învăța mai multe despre gestionarea și personalizarea serviciilor web.
Scufundări adânci - Servicii web
Acest subiect acoperă

Management
Consum și
Personalizarea serviciilor web conform cerințelor clientului.
De asemenea, vei învăța despre metrici și jurnalizare în ceea ce privește utilizarea serviciilor web.

Servicii web - Factori de avut în vedere

După ce modelele sunt create și publicate ca API, trebuie să le facem consumabile de către
diverse aplicații client.

Serviciile web de pe platforma Azure ML sunt flexibile.

Serviciile web pot fi create pentru a recupera datele de referință dintr-o bază de date.

Parametrii pot fi transmişi pentru a recupera date de referință din baza de date necesară
serviciu clienți diferiți.

Poate fi gestionat și monitorizat în ceea ce privește utilizarea și activitatea prin intermediul

înregistrare.

Consum
Serviciul web poate fi consumat din API-ul publicat fie în

Mod de cerere-răspuns sau

Mod de lot în mod asincron.
Punctele finale API și cheile API sunt utilizate conform cerinței.

API-urile sunt construite ca API-uri REST și pot fi consumate de aplicația client necesară.
prin transmiterea parametrilor necesari ca o cerere HTTPS.

Microsoft Excel, împreună cu Plug-in-ul Azure ML, poate fi de asemenea utilizat pentru a consuma
serviciu.

Consumarea API-urilor
Videoclipul următor explică cum să consumi serviciul API folosind punctele finale API și
de asemenea, folosind Excel.

Parametrii
Serviciul Web poate fi personalizat pentru a prelua parametrii necesari pentru a accesa suplimentar
date.

De exemplu, puteți specifica o bază de date pentru a obține datele. Aceasta va fi furnizată ca
un parametru suplimentar pe lângă parametrii necesari pentru o predicție.

Aceasta ajută la consumul personalizat al clienților, astfel încât fiecare client să folosească același lucru.
serviciu pentru predicție, dar datele de ieșire/recuperare sunt diferite pentru fiecare dintre ele.

Monitorizare
Platforma Azure ML permite gestionarea serviciilor web prin intermediul statisticilor de utilizare și
Jurnalizare.

Tablourile de bord oferă o prezentare generală a numărului total de solicitări efectuate către API și
rata lor de succes/eșec pe o perioadă selectată de timp. De asemenea, oferă media
calculați timpul și latentele asociate cu API-ul.

Logging-ul poate fi activat pentru un răspuns JSON mai detaliat fișierele stocate automat
pe Azure storage furnizând un raport detaliat al cererii și răspunsului.

Monitorizare și Înregistrare
Vizionați următorul videoclip pentru o explicație detaliată despre înregistrare și monitorizare.

Mergând mai departe

Consultați următoarele linkuri pentru mai multe informații despre consumarea serviciului web, adăugarea parametrilor,
Gestionarea serviciului web și a jurnalizării.
Treceți la următoarea temă pentru a învăța cum să utilizați aceste Webservices în scenarii de Big Data.

Încercați-l - Pregătirea datelor

Pregătirea datelor și vizualizarea sunt aspecte importante pentru o soluție
Construcție.

Lansați activitatea practică și utilizați un Cont Azure Personal Trial sau un Trial Gazdă de 8 ore pentru a
începe să lucreze într-un Spațiu de lucru Azure.

Găsiți instrucțiunile pas cu pas aici. Un PDF va fi descărcat cu

Instrucțiuni pentru a încărca și vizualiza datele.

Urmați instrucțiunile pentru a lucra la activitatea practică.

Deschideți linkurile în rețeaua Non-TCS în caz de probleme.

Scenariul Big Data

Punctele de finalizare API de servicii web pot fi folosite ca un serviciu de către clienți pentru predicții
cu răspuns instantaneu.

Cu toate acestea, dacă dorim să folosim modele ML în scenarii cu seturi mari de date adică pentru
Big Data, procesarea trebuie efectuată în loturi la intervale planificate și în mod optim
timpuri pentru a reduce latența și a promova modul asincron de obținere a predicțiilor
pentru datele noastre.

Azure Data Factory și pipeline-ul său intră în joc în aceste tipuri de

scenarii.

Azure Data Factory

Azure Data Factory este un serviciu cloud pentru mișcarea și transformarea datelor.
ajută la orchestrarea sarcinilor de procesare a datelor mari prin intermediul unor procese definite într-o
mod programat.

Conductă
Constă dintr-o serie de activități, care sunt efectuate folosind legătura
servicii.

Crează seturi de date, care definesc inputul și outputul pentru fiecare activitate.

Rulează activități la intervale sau feroniare programate, fiecare operând pe feliile de

datele relevante pentru acea fereastră.

Azure ML în Pipeline
Când procesarea loturilor de Big Data se face prin pipeline, predicțiile pot face parte din
pipeline with Azure ML being used as a linked service.

Activitatea de execuție în loturi Azure ML este utilizată pentru a apela un serviciu web predictiv dintr-o
conductă.

Setul de date de intrare este transmis serviciului web de intrare și, rezultatul prezis
de la serviciul web se returnează continuând la activitatea următoare din pipeline.

Alte servicii conectate sunt surse de date, cum ar fi Azure Storage sau Azure SQL Database.
și servicii de calcul, precum Azure HD Insight sau Azure Data Link Analytics.

Folosind pipeline-ul
Verifică următorul videoclip pentru a învăța cum să folosești un pipeline pentru a automatiza predicțiile
using Azure Data Factory.
Ce zici de recalificare?
Într-un scenariu de Big Data, recalibrarea modelului ar putea fi necesară destul de frecvent, deoarece
datele generate sunt de mari dimensiuni și pot varia pe intervale scurte de timp.

Avem nevoie de date proaspete pentru a antrena modelul ML pentru a îmbunătăți acuratețea modelului.
schimbarea fluxului de date.

Reantrenarea poate fi efectuată manual folosind spațiul de lucru Azure ML.

Cu toate acestea, având în vedere cantitatea de date care trebuie gestionată în timpul Big Data
Procesele sunt în desfășurare, acesta nu este nici eficient, nici recomandat.

În această situație, Azure Data Factory Pipeline și serviciul de actualizare resurse Azure ML
vine în ajutor pentru a automatiza reînvățarea modelelor ML.

Automatizarea reînvățării
Pentru a automatiza procesul de reantrenare, Azure ML ne oferă o funcție pentru a publica
experiment de antrenament ca un serviciu web de recalificare.

Următoarele activități pot fi executate în sequență, în Azure Data Factory

Conductă, pentru a realiza sarcina de automatizare:

Activitatea de execuție în loturi Azure ML este utilizată pentru a apela serviciul web de recalibrare pentru a
generați un nou model ca fișier.

Fișierul modelului este transmis unei Activități de Actualizare Resursă Azure ML care actualizează ...
experiment de evaluare înlocuind modelul existent.

Continuând
Consultați linkurile următoare pentru mai multe informații despre Pipeline-uri Predictive și Actualizarea Resurselor
Activitate.

Pe măsură ce procesarea Big Data pentru predicții este analizată, treceți la următoarea temă
pentru a învăța procesarea datelor în timp real pentru predicții folosind Webservices de Azure ML
Platformă.

Procesul de streaming
Un proces de streaming este considerat ca procesare de date în timp real.

Azure includes a number of services that you can use to implement a streaming
proces pentru date în timp real.

O soluție de streaming Azure constă în intrări, un job de streaming și ieșire.

Sunt adesea hub-uri de evenimente sau hub-uri IoT care sunt folosite pentru a prelua date în timp real.
scale.
Job de streaming: Folosit pentru a procesa datele. În general, un Azure Stream Analytics
interogare.
Rezultatul așteptat ar putea fi orice, de la o actualizare a bazei de date până la o realitate
tabloul de bord al timpului cu analiza.

Azure Stream Analytics

Analiza fluxurilor este un serviciu Azure pentru a procesa date în timp real folosind Stream
procese.

Funcționează prin efectuarea de interogări de streaming pe datele în timp real.

Interogarea de streaming învăluie o sarcină de predicție ca o funcție.

Serviciul web Azure este considerat o funcție în interogarea de streaming care generează
predicții, trimise în continuare ca ieșire funcției.
Funcții Azure ML
Vizionați următorul videoclip pentru a înțelege cum funcționează serviciul web Azure ML ca o funcție
în interogarea de streaming.

Funcția Serviciului Web

Vizionați următorul videoclip pentru a înțelege implementarea serviciului web Azure ML
as a function in Streaming Query.
Implementare în viața reală
Consultați următorul link pentru a vedea un exemplu de implementare a unui streaming
Soluție folosind Azure Machine Learning: Analiza sentimentelor prin utilizarea Azure Stream
Analitice și Azure Machine Learning