diff --git a/translations/el/.co-op-translator.json b/translations/el/.co-op-translator.json index 118f4e6a..fde003fc 100644 --- a/translations/el/.co-op-translator.json +++ b/translations/el/.co-op-translator.json @@ -319,7 +319,7 @@ }, "5-Data-Science-In-Cloud/19-Azure/README.md": { "original_hash": "472d3fab1c5be50f387336e7a686dbe1", - "translation_date": "2026-07-02T10:15:06+00:00", + "translation_date": "2026-07-02T12:44:15+00:00", "source_file": "5-Data-Science-In-Cloud/19-Azure/README.md", "language_code": "el" }, diff --git a/translations/el/5-Data-Science-In-Cloud/19-Azure/README.md b/translations/el/5-Data-Science-In-Cloud/19-Azure/README.md index 35a20fa3..64ddbe6c 100644 --- a/translations/el/5-Data-Science-In-Cloud/19-Azure/README.md +++ b/translations/el/5-Data-Science-In-Cloud/19-Azure/README.md @@ -6,102 +6,100 @@ Πίνακας περιεχομένων: -- [Επιστήμη Δεδομένων στο Cloud: Ο τρόπος "Azure ML SDK"](#επιστήμη-δεδομένων-στο-cloud-ο-τρόπος-azure-ml-sdk) - - [Προ-Μαθήματος Quiz](#προ-μαθήματος-quiz) +- [Επιστήμη Δεδομένων στο Cloud: Ο τρόπος "Azure ML SDK"]( #data-science-in-the-cloud-the-azure-ml-sdk-way) + - [Προ-Διάλεξη Κουίζ](#προ-διάλεξη-κουίζ) - [1. Εισαγωγή](#1-εισαγωγή) - [1.1 Τι είναι το Azure ML SDK;](#11-τι-είναι-το-azure-ml-sdk) - - [1.2 Έργο πρόβλεψης καρδιακής ανεπάρκειας και εισαγωγή συνόλου δεδομένων](#12-έργο-πρόβλεψης-καρδιακής-ανεπάρκειας-και-εισαγωγή-συνόλου-δεδομένων) + - [1.2 Έργο πρόβλεψης καρδιακής ανεπάρκειας και εισαγωγή δεδομένων](#12-έργο-πρόβλεψης-καρδιακής-ανεπάρκειας-και-εισαγωγή-δεδομένων) - [2. Εκπαίδευση μοντέλου με το Azure ML SDK](#2-εκπαίδευση-μοντέλου-με-το-azure-ml-sdk) - - [2.1 Δημιουργία ενός χώρου εργασίας Azure ML](#21-δημιουργία-ενός-χώρου-εργασίας-azure-ml) - - [2.2 Δημιουργία ενός υπολογιστικού instance](#22-δημιουργία-ενός-υπολογιστικού-instance) - - [2.3 Φόρτωση του Συνόλου Δεδομένων](#23-φόρτωση-του-συνόλου-δεδομένων) - - [2.4 Δημιουργία Σημειωματάριων](#24-δημιουργία-σημειωματάριων) + - [2.1 Δημιουργία χώρου εργασίας Azure ML](#21-δημιουργία-χώρου-εργασίας-azure-ml) + - [2.2 Δημιουργία υπολογιστικής μονάδας](#22-δημιουργία-υπολογιστικής-μονάδας) + - [2.3 Φόρτωση των δεδομένων](#23-φόρτωση-των-δεδομένων) + - [2.4 Δημιουργία Σημειωματάριων](#24-δημιουργία-σημειωματίων) - [2.5 Εκπαίδευση μοντέλου](#25-εκπαίδευση-μοντέλου) - - [2.5.1 Ρύθμιση χώρου εργασίας, πειράματος, υπολογιστικού cluster και συνόλου δεδομένων](#251-ρύθμιση-χώρου-εργασίας-πειράματος-υπολογιστικού-cluster-και-συνόλου-δεδομένων) - - [2.5.2 Ρύθμιση AutoML και εκπαίδευση](#252-ρύθμιση-automl-και-εκπαίδευση) - - [3. Ανάπτυξη μοντέλου και κατανάλωση endpoint με το Azure ML SDK](#3-ανάπτυξη-μοντέλου-και-κατανάλωση-endpoint-με-το-azure-ml-sdk) - - [3.1 Αποθήκευση του καλύτερου μοντέλου](#31-αποθήκευση-του-καλύτερου-μοντέλου) - - [3.2 Ανάπτυξη μοντέλου](#32-ανάπτυξη-μοντέλου) - - [3.3 Κατανάλωση endpoint](#33-κατανάλωση-endpoint) + - [2.5.1 Ρύθμιση χώρου εργασίας, πειράματος, υπολογιστικού cluster και δεδομένων](#251-ρύθμιση-χώρου-εργασίας-πειράματος-υπολογιστικού-cluster-και-δεδομένων) + - [2.5.2 Ρύθμιση AutoML και εκπαίδευση](#31-αποθήκευση-του-καλύτερου-μοντέλου) + - [3. Ανάπτυξη μοντέλου και κατανάλωση endpoint με το Azure ML SDK](#33-κατανάλωση-endpoint) + - [3.1 Αποθήκευση του καλύτερου μοντέλου](#πρόκληση) + - [3.2 Ανάπτυξη μοντέλου](#κουίζ-μετά-το-μάθημα) + - [3.3 Κατανάλωση endpoint](#ανασκόπηση-αυτοεκπαίδευση) - [🚀 Πρόκληση](#-challenge) - - [Μετα-μάθημα quiz](#κουίζ-μετά-το-μάθημα) + - [Μετα-Διάλεξη κουίζ](#post-lecture-quiz) - [Ανασκόπηση & Αυτο-Μελέτη](#review--self-study) - - [Ανάθεση εργασίας](#ανάθεση) + - [Ανάθεση εργασίας](#assignment) -## [Προ-Μαθήματος Quiz](https://ff-quizzes.netlify.app/en/ds/quiz/36) +## [Προ-Διάλεξη Κουίζ](https://ff-quizzes.netlify.app/en/ds/quiz/36) ## 1. Εισαγωγή ### 1.1 Τι είναι το Azure ML SDK; -Οι επιστήμονες δεδομένων και οι προγραμματιστές AI χρησιμοποιούν το Azure Machine Learning SDK για την κατασκευή και εκτέλεση ροών εργασίας μηχανικής μάθησης με την υπηρεσία Azure Machine Learning. Μπορείτε να αλληλεπιδράσετε με την υπηρεσία σε οποιοδήποτε περιβάλλον Python, συμπεριλαμβανομένων των Jupyter Notebooks, Visual Studio Code ή του αγαπημένου σας IDE για Python. +Οι επιστήμονες δεδομένων και οι προγραμματιστές τεχνητής νοημοσύνης χρησιμοποιούν το Azure Machine Learning SDK για να δημιουργήσουν και να εκτελέσουν ροές εργασίας μηχανικής μάθησης με την υπηρεσία Azure Machine Learning. Μπορείτε να αλληλεπιδράσετε με την υπηρεσία σε οποιοδήποτε περιβάλλον Python, συμπεριλαμβανομένων των Jupyter Notebooks, Visual Studio Code ή του αγαπημένου σας IDE Python. -Κύριοι τομείς του SDK περιλαμβάνουν: +Βασικοί τομείς του SDK περιλαμβάνουν: - Εξερεύνηση, προετοιμασία και διαχείριση του κύκλου ζωής των συνόλων δεδομένων που χρησιμοποιούνται σε πειράματα μηχανικής μάθησης. -- Διαχείριση πόρων στο cloud για παρακολούθηση, καταγραφή και οργάνωση των πειραμάτων μηχανικής μάθησης σας. -- Εκπαίδευση μοντέλων είτε τοπικά είτε χρησιμοποιώντας πόρους cloud, συμπεριλαμβανομένης της επιτάχυνσης εκπαίδευσης μοντέλων με GPU. -- Χρήση αυτοματοποιημένης μηχανικής μάθησης, η οποία δέχεται παραμέτρους ρύθμισης και δεδομένα εκπαίδευσης. Αυτή επαναλαμβάνει αυτόματα ανάμεσα σε αλγορίθμους και ρυθμίσεις υπερπαραμέτρων για να βρει το καλύτερο μοντέλο για την εκτέλεση προβλέψεων. -- Ανάπτυξη υπηρεσιών web για τη μετατροπή των εκπαιδευμένων μοντέλων σας σε RESTful υπηρεσίες που μπορούν να καταναλωθούν σε οποιαδήποτε εφαρμογή. +- Διαχείριση πόρων στο cloud για παρακολούθηση, καταγραφή και οργάνωση των πειραμάτων μηχανικής μάθησης. +- Εκπαίδευση μοντέλων είτε τοπικά είτε με χρήση πόρων cloud, συμπεριλαμβανομένης της επιτάχυνσης εκπαίδευσης μοντέλων GPU. +- Χρήση αυτοματοποιημένης μηχανικής μάθησης, η οποία δέχεται παραμέτρους ρύθμισης και δεδομένα εκπαίδευσης. Αυτόματα επαναλαμβάνει αλγορίθμους και ρυθμίσεις υπερπαραμέτρων για να βρει το καλύτερο μοντέλο για την εκτέλεση προβλέψεων. +- Ανάπτυξη web υπηρεσιών για τη μετατροπή των εκπαιδευμένων μοντέλων σας σε RESTful υπηρεσίες που μπορούν να καταναλωθούν σε οποιαδήποτε εφαρμογή. [Μάθετε περισσότερα για το Azure Machine Learning SDK](https://docs.microsoft.com/python/api/overview/azure/ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) -Στο [προηγούμενο μάθημα](../18-Low-Code/README.md), είδαμε πώς να εκπαιδεύσουμε, να αναπτύξουμε και να καταναλώσουμε ένα μοντέλο με τρόπο Low code/No code. Χρησιμοποιήσαμε το σύνολο δεδομένων για την Καρδιακή Ανεπάρκεια για να δημιουργήσουμε μοντέλο πρόβλεψης Καρδιακής Ανεπάρκειας. Σε αυτό το μάθημα, θα κάνουμε ακριβώς το ίδιο, αλλά χρησιμοποιώντας το Azure Machine Learning SDK. +Στο [προηγούμενο μάθημα](../18-Low-Code/README.md), είδαμε πώς να εκπαιδεύσουμε, να αναπτύξουμε και να καταναλώσουμε ένα μοντέλο με τρόπο Low code/No code. Χρησιμοποιήσαμε το σύνολο δεδομένων της Καρδιακής Ανεπάρκειας για να δημιουργήσουμε και ένα μοντέλο πρόβλεψης καρδιακής ανεπάρκειας. Σε αυτό το μάθημα, θα κάνουμε ακριβώς το ίδιο πράγμα αλλά χρησιμοποιώντας το Azure Machine Learning SDK. ![project-schema](../../../../translated_images/el/project-schema.420e56d495624541.webp) -### 1.2 Έργο πρόβλεψης καρδιακής ανεπάρκειας και εισαγωγή συνόλου δεδομένων +### 1.2 Έργο πρόβλεψης καρδιακής ανεπάρκειας και εισαγωγή δεδομένων -Δείτε [εδώ](../18-Low-Code/README.md) το έργο πρόβλεψης καρδιακής ανεπάρκειας και την εισαγωγή συνόλου δεδομένων. +Δείτε [εδώ](../18-Low-Code/README.md) την εισαγωγή στο έργο πρόβλεψης καρδιακής ανεπάρκειας και το σύνολο δεδομένων. ## 2. Εκπαίδευση μοντέλου με το Azure ML SDK -### 2.1 Δημιουργία ενός χώρου εργασίας Azure ML +### 2.1 Δημιουργία χώρου εργασίας Azure ML -Για απλοποίηση, θα εργαστούμε σε ένα jupyter notebook. Αυτό συνεπάγεται ότι έχετε ήδη έναν Χώρο Εργασίας και ένα υπολογιστικό instance. Εάν έχετε ήδη ένα Χώρο Εργασίας, μπορείτε να περάσετε απευθείας στο τμήμα 2.3 Δημιουργία Σημειωματάριου. +Για απλότητα, θα εργαστούμε σε ένα jupyter notebook. Αυτό συνεπάγεται ότι ήδη διαθέτετε έναν χώρο εργασίας και μια υπολογιστική μονάδα. Αν έχετε ήδη χώρο εργασίας, μπορείτε να μεταβείτε απευθείας στο τμήμα 2.3 Δημιουργία σημειωματίου. -Αν όχι, παρακαλούμε ακολουθήστε τις οδηγίες στην ενότητα **2.1 Δημιουργία ενός χώρου εργασίας Azure ML** στο [προηγούμενο μάθημα](../18-Low-Code/README.md) για να δημιουργήσετε έναν χώρο εργασίας. +Αν όχι, ακολουθήστε τις οδηγίες στην ενότητα **2.1 Δημιουργία χώρου εργασίας Azure ML** στο [προηγούμενο μάθημα](../18-Low-Code/README.md) για να δημιουργήσετε έναν χώρο εργασίας. -### 2.2 Δημιουργία ενός υπολογιστικού instance +### 2.2 Δημιουργία υπολογιστικής μονάδας -Στο [χώρο εργασίας Azure ML](https://ml.azure.com/) που δημιουργήσαμε νωρίτερα, μεταβείτε στο μενού υπολογισμού και θα δείτε τους διαφορετικούς διαθέσιμους πόρους υπολογισμού. +Στο [Azure ML workspace](https://ml.azure.com/) που δημιουργήσαμε νωρίτερα, μεταβείτε στο μενού υπολογιστών και θα δείτε τους διάφορους διαθέσιμους πόρους υπολογισμού ![compute-instance-1](../../../../translated_images/el/compute-instance-1.dba347cb199ca499.webp) -Ας δημιουργήσουμε ένα υπολογιστικό instance για την παροχή ενός jupyter notebook. -1. Πατήστε το κουμπί + Νέο. -2. Δώστε ένα όνομα στο υπολογιστικό σας instance. -3. Επιλέξτε τις επιλογές σας: CPU ή GPU, μέγεθος VM και αριθμό πυρήνων. -4. Κάντε κλικ στο κουμπί Δημιουργία. +Ας δημιουργήσουμε μια υπολογιστική μονάδα για να εφοδιάσουμε ένα jupyter notebook. +1. Κάντε κλικ στο κουμπί + Νέο. +2. Δώστε ένα όνομα στην υπολογιστική μονάδα σας. +3. Επιλέξτε τις επιλογές σας: CPU ή GPU, μέγεθος VM και αριθμό πυρήνων. +4. Πατήστε το κουμπί Δημιουργία. -Συγχαρητήρια, μόλις δημιουργήσατε ένα υπολογιστικό instance! Θα χρησιμοποιήσουμε αυτό το υπολογιστικό instance για να δημιουργήσουμε ένα Notebook στο τμήμα [Δημιουργία Σημειωματάριων](#23-φόρτωση-του-συνόλου-δεδομένων). +Συγχαρητήρια, μόλις δημιουργήσατε μια υπολογιστική μονάδα! Θα χρησιμοποιήσουμε αυτή την υπολογιστική μονάδα για να δημιουργήσουμε ένα Σημειωματάριο στην [ενότητα Δημιουργία Σημειωματίων](#23-φόρτωση-των-δεδομένων). -### 2.3 Φόρτωση του Συνόλου Δεδομένων -Αναφερθείτε στο [προηγούμενο μάθημα](../18-Low-Code/README.md) στην ενότητα **2.3 Φόρτωση του Συνόλου Δεδομένων** αν δεν έχετε ανεβάσει ακόμη το σύνολο δεδομένων. +### 2.3 Φόρτωση των δεδομένων +Ανατρέξτε στο [προηγούμενο μάθημα](../18-Low-Code/README.md) στην ενότητα **2.3 Φόρτωση των δεδομένων** αν δεν έχετε ανεβάσει ακόμα το σύνολο δεδομένων. -### 2.4 Δημιουργία Σημειωματάριων +### 2.4 Δημιουργία Σημειωματίων -> **_ΣΗΜΕΙΩΣΗ:_** Για το επόμενο βήμα μπορείτε είτε να δημιουργήσετε ένα νέο σημειωματάριο από την αρχή, είτε να ανεβάσετε το [σημειωματάριο που δημιουργήσαμε](notebook.ipynb) στο Azure ML Studio σας. Για να το ανεβάσετε, απλώς κάντε κλικ στο μενού "Notebook" και ανεβάστε το σημειωματάριο. +> **_ΣΗΜΕΙΩΣΗ:_** Για το επόμενο βήμα μπορείτε είτε να δημιουργήσετε ένα νέο σημειωματάριο από την αρχή, είτε μπορείτε να ανεβάσετε το [σημειωματάριο που δημιουργήσαμε](notebook.ipynb) στο Azure ML Studio σας. Για να το ανεβάσετε, απλώς κάντε κλικ στο μενού "Notebook" και ανεβάστε το σημειωματάριο. -Τα Σημειωματάρια είναι ένα πολύ σημαντικό μέρος της διαδικασίας επιστήμης δεδομένων. Μπορούν να χρησιμοποιηθούν για την Εκτενή Εξερευνητική Ανάλυση Δεδομένων (EDA), για να καλέσετε ένα υπολογιστικό cluster για την εκπαίδευση ενός μοντέλου, να καλέσετε ένα inference cluster για την ανάπτυξη ενός endpoint. +Τα σημειωματάρια είναι ένα πολύ σημαντικό μέρος της διαδικασίας της επιστήμης δεδομένων. Χρησιμοποιούνται για να διεξάγουν εξερευνητική ανάλυση δεδομένων (EDA), να κάνουν κλήση σε ένα υπολογιστικό cluster για εκπαίδευση μοντέλου, να κάνουν κλήση σε ένα cluster για ανάπτυξη endpoint. -Για να δημιουργήσουμε ένα Σημειωματάριο, χρειάζεται ένας υπολογιστικός κόμβος που παρέχει την υπηρεσία του jupyter notebook instance. Επιστρέψτε στο [χώρο εργασίας Azure ML](https://ml.azure.com/) και κάντε κλικ στα Compute instances. Στη λίστα των υπολογιστικών instances θα πρέπει να δείτε το [υπολογιστικό instance που δημιουργήσαμε νωρίτερα](#22-δημιουργία-ενός-υπολογιστικού-instance). - -1. Στην ενότητα Εφαρμογές, κάντε κλικ στην επιλογή Jupyter. -2. Επιλέξτε το κουτάκι "Ναι, κατανοώ" και κάντε κλικ στο κουμπί Συνέχεια. +Για να δημιουργήσουμε ένα Σημειωματάριο, χρειαζόμαστε έναν κόμβο υπολογισμού που προσφέρει την υπηρεσία jupyter notebook. Επιστρέψτε στο [Azure ML workspace](https://ml.azure.com/) και κάντε κλικ στις Υπολογιστικές μονάδες. Στη λίστα των υπολογιστικών μονάδων θα δείτε την [υπολογιστική μονάδα που δημιουργήσαμε προηγουμένως](#22-δημιουργία-υπολογιστικής-μονάδας). +1. Στην ενότητα Εφαρμογές, κάντε κλικ στην επιλογή Jupyter. +2. Τσεκάρετε το κουτί "Ναι, καταλαβαίνω" και πατήστε το κουμπί Συνέχεια. ![notebook-1](../../../../translated_images/el/notebook-1.12998af7b02c83f5.webp) - -3. Αυτό θα ανοίξει μια νέα καρτέλα προγράμματος περιήγησης με το jupyter notebook instance σας ως εξής. Πατήστε το κουμπί "Νέο" για να δημιουργήσετε ένα σημειωματάριο. +3. Αυτό θα ανοίξει μια νέα καρτέλα περιηγητή με την υπηρεσία jupyter notebook όπως φαίνεται. Κάντε κλικ στο κουμπί "Νέο" για να δημιουργήσετε ένα σημειωματάριο. ![notebook-2](../../../../translated_images/el/notebook-2.9a657c037e34f1cf.webp) -Τώρα που έχουμε το Σημειωματάριο, μπορούμε να ξεκινήσουμε την εκπαίδευση του μοντέλου με το Azure ML SDK. +Τώρα που έχουμε ένα Σημειωματάριο, μπορούμε να ξεκινήσουμε την εκπαίδευση μοντέλου με το Azure ML SDK. ### 2.5 Εκπαίδευση μοντέλου -Καταρχάς, αν έχετε κάποια αμφιβολία, αναφερθείτε στην [τεκμηρίωση του Azure ML SDK](https://docs.microsoft.com/python/api/overview/azure/ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). Περιέχει όλες τις απαραίτητες πληροφορίες για να κατανοήσετε τα modules που θα δούμε σε αυτό το μάθημα. +Πρώτα απ' όλα, αν έχετε ποτέ αμφιβολία, ανατρέξτε στην [τεκμηρίωση του Azure ML SDK](https://docs.microsoft.com/python/api/overview/azure/ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). Περιέχει όλες τις απαραίτητες πληροφορίες για να κατανοήσετε τα modules που θα δούμε σε αυτό το μάθημα. -#### 2.5.1 Ρύθμιση χώρου εργασίας, πειράματος, υπολογιστικού cluster και συνόλου δεδομένων +#### 2.5.1 Ρύθμιση χώρου εργασίας, πειράματος, υπολογιστικού cluster και δεδομένων Πρέπει να φορτώσετε το `workspace` από το αρχείο ρυθμίσεων χρησιμοποιώντας τον ακόλουθο κώδικα: @@ -110,17 +108,16 @@ from azureml.core import Workspace ws = Workspace.from_config() ``` -Αυτό επιστρέφει ένα αντικείμενο τύπου `Workspace` που αναπαριστά τον χώρο εργασίας. Στη συνέχεια, πρέπει να δημιουργήσετε ένα `experiment` χρησιμοποιώντας τον ακόλουθο κώδικα: +Αυτό επιστρέφει ένα αντικείμενο τύπου `Workspace` που αντιπροσωπεύει το χώρο εργασίας. Στη συνέχεια, πρέπει να δημιουργήσετε ένα `experiment` χρησιμοποιώντας τον ακόλουθο κώδικα: ```python from azureml.core import Experiment experiment_name = 'aml-experiment' experiment = Experiment(ws, experiment_name) ``` +Για να λάβετε ή να δημιουργήσετε ένα πείραμα από έναν χώρο εργασίας, ζητάτε το πείραμα χρησιμοποιώντας το όνομα του πειράματος. Το όνομα του πειράματος πρέπει να είναι 3-36 χαρακτήρες, να ξεκινά με γράμμα ή αριθμό και να περιέχει μόνο γράμματα, αριθμούς, κάτω παύλες και παύλες. Αν το πείραμα δεν βρεθεί στο χώρο εργασίας, δημιουργείται ένα νέο πείραμα. -Για να πάρετε ή να δημιουργήσετε ένα πείραμα από ένα χώρο εργασίας, ζητάτε το πείραμα χρησιμοποιώντας το όνομα του πειράματος. Το όνομα του πειράματος πρέπει να έχει 3-36 χαρακτήρες, να ξεκινά με γράμμα ή αριθμό, και να περιέχει μόνο γράμματα, αριθμούς, κάτω παύλες και παύλες. Αν το πείραμα δεν βρεθεί στο χώρο εργασίας, δημιουργείται ένα νέο πείραμα. - -Τώρα πρέπει να δημιουργήσετε ένα υπολογιστικό cluster για την εκπαίδευση χρησιμοποιώντας τον ακόλουθο κώδικα. Σημειώστε πως αυτό το βήμα μπορεί να διαρκέσει λίγα λεπτά. +Τώρα πρέπει να δημιουργήσετε ένα υπολογιστικό cluster για την εκπαίδευση με τον ακόλουθο κώδικα. Σημειώστε ότι αυτό το βήμα μπορεί να πάρει λίγα λεπτά. ```python from azureml.core.compute import AmlCompute @@ -139,32 +136,30 @@ cts = ws.compute_targets compute_target = cts[aml_name] ``` -Μπορείτε να πάρετε το σύνολο δεδομένων από το χώρο εργασίας χρησιμοποιώντας το όνομα του συνόλου δεδομένων με τον ακόλουθο τρόπο: +Μπορείτε να πάρετε το σύνολο δεδομένων από τον χώρο εργασίας χρησιμοποιώντας το όνομα του συνόλου δεδομένων ως εξής: ```python dataset = ws.datasets['heart-failure-records'] df = dataset.to_pandas_dataframe() df.describe() ``` - - #### 2.5.2 Ρύθμιση AutoML και εκπαίδευση Για να ορίσετε τη ρύθμιση AutoML, χρησιμοποιήστε την [κλάση AutoMLConfig](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.automlconfig(class)?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). -Όπως περιγράφεται στην τεκμηρίωση, υπάρχουν πολλές παράμετροι με τις οποίες μπορείτε να πειραματιστείτε. Για αυτό το έργο, θα χρησιμοποιήσουμε τις ακόλουθες παραμέτρους: +Όπως περιγράφεται στην τεκμηρίωση, υπάρχουν πολλές παράμετροι με τις οποίες μπορείτε να πειραματιστείτε. Για αυτό το έργο, θα χρησιμοποιήσουμε τις εξής παραμέτρους: -- `experiment_timeout_minutes`: Ο μέγιστος χρόνος (σε λεπτά) που επιτρέπεται να τρέξει το πείραμα πριν σταματήσει αυτόματα και τα αποτελέσματα γίνουν αυτόματα διαθέσιμα. +- `experiment_timeout_minutes`: Το μέγιστο χρονικό διάστημα (σε λεπτά) που επιτρέπεται να εκτελεστεί το πείραμα πριν σταματήσει αυτόματα και γίνουν διαθέσιμα τα αποτελέσματα. - `max_concurrent_iterations`: Ο μέγιστος αριθμός ταυτόχρονων επαναλήψεων εκπαίδευσης που επιτρέπονται για το πείραμα. -- `primary_metric`: Το κύριο μέτρο που χρησιμοποιείται για τον καθορισμό της κατάστασης του πειράματος. -- `compute_target`: Ο υπολογιστικός στόχος Azure Machine Learning στον οποίο εκτελείται το Automated Machine Learning πείραμα. -- `task`: Ο τύπος της εργασίας που εκτελείται. Τιμές μπορεί να είναι 'classification', 'regression' ή 'forecasting', ανάλογα με τον τύπο του προβλήματος αυτοματοποιημένης ML που πρέπει να λυθεί. -- `training_data`: Τα δεδομένα εκπαίδευσης που θα χρησιμοποιηθούν στο πείραμα. Πρέπει να περιέχουν τόσο χαρακτηριστικά εκπαίδευσης όσο και μία στήλη ετικετών (προαιρετικά και μία στήλη δειγμάτων βάρους). -- `label_column_name`: Το όνομα της στήλης ετικετών. -- `path`: Η πλήρης διαδρομή στον φάκελο του έργου Azure Machine Learning. -- `enable_early_stopping`: Αν θα ενεργοποιηθεί η πρώιμη διακοπή αν η βαθμολογία δεν βελτιώνεται βραχυπρόθεσμα. -- `featurization`: Δείκτης για το αν το βήμα δημιουργίας χαρακτηριστικών πρέπει να γίνει αυτόματα ή όχι, ή αν πρέπει να χρησιμοποιηθεί προσαρμοσμένη δημιουργία χαρακτηριστικών. -- `debug_log`: Το αρχείο καταγραφής στο οποίο γράφονται πληροφορίες αποσφαλμάτωσης. +- `primary_metric`: Το κύριο μέτρο που χρησιμοποιείται για να καθοριστεί η κατάσταση του πειράματος. +- `compute_target`: Ο στόχος υπολογισμού Azure Machine Learning για την εκτέλεση του πειράματος Αυτοματοποιημένης Μηχανικής Μάθησης. +- `task`: Ο τύπος εργασίας προς εκτέλεση. Οι τιμές μπορεί να είναι 'classification', 'regression' ή 'forecasting' ανάλογα με τον τύπο του προβλήματος αυτοματοποιημένης μηχανικής μάθησης που πρέπει να λυθεί. +- `training_data`: Τα δεδομένα εκπαίδευσης που θα χρησιμοποιηθούν εντός του πειράματος. Πρέπει να περιλαμβάνει τόσο τα χαρακτηριστικά εκπαίδευσης όσο και μια στήλη ετικέτας (προαιρετικά μια στήλη βαρών δείγματος). +- `label_column_name`: Το όνομα της στήλης ετικέτας. +- `path`: Η πλήρης διαδρομή προς το φάκελο του έργου Azure Machine Learning. +- `enable_early_stopping`: Αν θα ενεργοποιηθεί η πρώιμη διακοπή αν η βαθμολογία δεν βελτιώνεται σε σύντομο χρονικό διάστημα. +- `featurization`: Δείκτης για το αν το βήμα χαρακτηριστικής εξαγωγής θα γίνει αυτόματα ή όχι, ή αν θα χρησιμοποιηθεί προσαρμοσμένη χαρακτηριστική εξαγωγή. +- `debug_log`: Το αρχείο καταγραφής όπου θα γραφτούν πληροφορίες εντοπισμού σφαλμάτων. ```python from azureml.train.automl import AutoMLConfig @@ -188,38 +183,32 @@ automl_config = AutoMLConfig(compute_target=compute_target, **automl_settings ) ``` - -Τώρα που έχετε ορίσει τη ρύθμιση, μπορείτε να εκπαιδεύσετε το μοντέλο χρησιμοποιώντας τον ακόλουθο κώδικα. Αυτό το βήμα μπορεί να διαρκέσει μέχρι και μία ώρα, ανάλογα με το μέγεθος του cluster σας. +Τώρα που έχετε τοποθετήσει τη ρύθμισή σας, μπορείτε να εκπαιδεύσετε το μοντέλο χρησιμοποιώντας τον ακόλουθο κώδικα. Αυτό το βήμα μπορεί να διαρκέσει έως και μία ώρα ανάλογα με το μέγεθος του cluster σας. ```python remote_run = experiment.submit(automl_config) ``` - -Μπορείτε να τρέξετε το widget RunDetails για να δείτε τα διαφορετικά πειράματα. - +Μπορείτε να εκτελέσετε το widget RunDetails για να δείτε τα διαφορετικά πειράματα. ```python from azureml.widgets import RunDetails RunDetails(remote_run).show() ``` - ## 3. Ανάπτυξη μοντέλου και κατανάλωση endpoint με το Azure ML SDK ### 3.1 Αποθήκευση του καλύτερου μοντέλου -Το `remote_run` είναι ένα αντικείμενο τύπου [AutoMLRun](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.run.automlrun?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). Αυτό το αντικείμενο περιέχει τη μέθοδο `get_output()` που επιστρέφει την καλύτερη εκτέλεση και το αντίστοιχα προσαρμοσμένο μοντέλο. +Το `remote_run` είναι ένα αντικείμενο τύπου [AutoMLRun](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.run.automlrun?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). Αυτό το αντικείμενο περιέχει τη μέθοδο `get_output()` που επιστρέφει την καλύτερη εκτέλεση και το αντίστοιχο προσαρμοσμένο μοντέλο. ```python best_run, fitted_model = remote_run.get_output() ``` - -Μπορείτε να δείτε τις παραμέτρους που χρησιμοποιήθηκαν για το καλύτερο μοντέλο απλά εκτυπώνοντας το fitted_model και να δείτε τις ιδιότητες του καλύτερου μοντέλου χρησιμοποιώντας τη μέθοδο [get_properties()](https://docs.microsoft.com/python/api/azureml-core/azureml.core.run(class)?view=azure-ml-py#azureml_core_Run_get_properties?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). +Μπορείτε να δείτε τις παραμέτρους που χρησιμοποιήθηκαν για το καλύτερο μοντέλο απλώς εκτυπώνοντας το fitted_model και να δείτε τις ιδιότητες του καλύτερου μοντέλου χρησιμοποιώντας τη μέθοδο [get_properties()](https://docs.microsoft.com/python/api/azureml-core/azureml.core.run(class)?view=azure-ml-py#azureml_core_Run_get_properties?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). ```python best_run.get_properties() ``` -Τώρα καταχωρήστε το μοντέλο με τη μέθοδο [register_model](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.run.automlrun?view=azure-ml-py#register-model-model-name-none--description-none--tags-none--iteration-none--metric-none-?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). - +Τώρα, καταχωρίστε το μοντέλο με τη μέθοδο [register_model](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.run.automlrun?view=azure-ml-py#register-model-model-name-none--description-none--tags-none--iteration-none--metric-none-?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). ```python model_name = best_run.properties['model_name'] script_file_name = 'inference/score.py' @@ -230,12 +219,11 @@ model = best_run.register_model(model_name = model_name, description = description, tags = None) ``` - ### 3.2 Ανάπτυξη μοντέλου -Μόλις αποθηκευτεί το καλύτερο μοντέλο, μπορούμε να το αναπτύξουμε με την κλάση [InferenceConfig](https://docs.microsoft.com/python/api/azureml-core/azureml.core.model.inferenceconfig?view=azure-ml-py?ocid=AID3041109). Το InferenceConfig αναπαριστά τις ρυθμίσεις διαμόρφωσης για ένα προσαρμοσμένο περιβάλλον που χρησιμοποιείται για την ανάπτυξη. Η κλάση [AciWebservice](https://docs.microsoft.com/python/api/azureml-core/azureml.core.webservice.aciwebservice?view=azure-ml-py) αναπαριστά ένα μοντέλο μηχανικής μάθησης που έχει αναπτυχθεί ως endpoint υπηρεσίας web στο Azure Container Instances. Μια αναπτυγμένη υπηρεσία δημιουργείται από ένα μοντέλο, ένα σενάριο και συνδεδεμένα αρχεία. Η προκύπτουσα υπηρεσία web είναι ένα ισορροπημένο φορτίο HTTP endpoint με REST API. Μπορείτε να στείλετε δεδομένα σε αυτό το API και να λάβετε την πρόβλεψη που επιστρέφεται από το μοντέλο. +Μόλις αποθηκευτεί το καλύτερο μοντέλο, μπορούμε να το αναπτύξουμε με την κλάση [InferenceConfig](https://docs.microsoft.com/python/api/azureml-core/azureml.core.model.inferenceconfig?view=azure-ml-py?ocid=AID3041109). Η InferenceConfig αντιπροσωπεύει τις ρυθμίσεις για ένα προσαρμοσμένο περιβάλλον που χρησιμοποιείται για ανάπτυξη. Η κλάση [AciWebservice](https://docs.microsoft.com/python/api/azureml-core/azureml.core.webservice.aciwebservice?view=azure-ml-py) αντιπροσωπεύει ένα μοντέλο μηχανικής μάθησης που αναπτύσσεται ως endpoint web υπηρεσίας σε Azure Container Instances. Μια αναπτυγμένη υπηρεσία δημιουργείται από μοντέλο, script και συσχετιζόμενα αρχεία. Η προκύπτουσα web υπηρεσία είναι ένα ισορροπημένο HTTP endpoint με μια REST API. Μπορείτε να στείλετε δεδομένα σε αυτήν την API και να λάβετε την πρόβλεψη που επιστρέφεται από το μοντέλο. -Το μοντέλο αναπτύσσεται χρησιμοποιώντας τη μέθοδο [deploy](https://docs.microsoft.com/python/api/azureml-core/azureml.core.model(class)?view=azure-ml-py#deploy-workspace--name--models--inference-config-none--deployment-config-none--deployment-target-none--overwrite-false--show-output-false-?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). +Το μοντέλο αναπτύσσεται με τη μέθοδο [deploy](https://docs.microsoft.com/python/api/azureml-core/azureml.core.model(class)?view=azure-ml-py#deploy-workspace--name--models--inference-config-none--deployment-config-none--deployment-target-none--overwrite-false--show-output-false-?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). ```python from azureml.core.model import InferenceConfig, Model @@ -253,12 +241,11 @@ aci_service = Model.deploy(ws, aci_service_name, [model], inference_config, acic aci_service.wait_for_deployment(True) print(aci_service.state) ``` - -Αυτό το βήμα θα διαρκέσει μερικά λεπτά. +Αυτό το βήμα θα πάρει λίγα λεπτά. ### 3.3 Κατανάλωση endpoint -Καταναλώνετε το endpoint σας δημιουργώντας μια δείγμα είσοδο: +Καταναλώνετε το endpoint σας δημιουργώντας ένα δείγμα εισόδου: ```python data = { "data": @@ -282,33 +269,33 @@ data = { test_sample = str.encode(json.dumps(data)) ``` -Και στη συνέχεια μπορείτε να στείλετε αυτήν την είσοδο στο μοντέλο σας για πρόβλεψη : +Και στη συνέχεια μπορείτε να στείλετε αυτήν την είσοδο στο μοντέλο σας για πρόβλεψη: ```python response = aci_service.run(input_data=test_sample) response ``` -Αυτό θα πρέπει να επιστρέψει `'{"result": [false]}'`. Αυτό σημαίνει ότι η είσοδος του ασθενούς που στείλαμε στο endpoint παρήγαγε την πρόβλεψη `false` που σημαίνει ότι αυτό το άτομο πιθανώς δεν θα υποστεί καρδιακή προσβολή. +Αυτό θα πρέπει να εξάγει `'{"result": [false]}'`. Αυτό σημαίνει ότι η είσοδος ασθενούς που στείλαμε στο endpoint παρήγαγε την πρόβλεψη `false` που σημαίνει ότι αυτό το άτομο πιθανότατα δεν θα παρουσιάσει καρδιακή προσβολή. -Συγχαρητήρια! Μόλις καταναλώσατε το μοντέλο που αναπτύχθηκε και εκπαιδεύτηκε στο Azure ML με το Azure ML SDK! +Συγχαρητήρια! Μόλις αξιοποιήσατε το μοντέλο που έχει αναπτυχθεί και εκπαιδευτεί στο Azure ML με το Azure ML SDK! > **_ΣΗΜΕΙΩΣΗ:_** Μόλις ολοκληρώσετε το έργο, μην ξεχάσετε να διαγράψετε όλους τους πόρους. ## 🚀 Πρόκληση - Υπάρχουν πολλά άλλα που μπορείτε να κάνετε μέσω του SDK, δυστυχώς δεν μπορούμε να τα δούμε όλα σε αυτό το μάθημα. Αλλά τα καλά νέα είναι ότι η εκμάθηση του πώς να περιηγείστε στην τεκμηρίωση του SDK μπορεί να σας πάει πολύ μακριά μόνοι σας. Ρίξτε μια ματιά στην τεκμηρίωση του Azure ML SDK και βρείτε την κλάση `Pipeline` που σας επιτρέπει να δημιουργείτε pipelines. Ένα Pipeline είναι μια συλλογή βημάτων που μπορούν να εκτελεστούν ως ροή εργασίας. + Υπάρχουν πολλά άλλα που μπορείτε να κάνετε μέσω του SDK, δυστυχώς δεν μπορούμε να τα δούμε όλα σε αυτό το μάθημα. Αλλά καλή είδηση, η εκμάθηση του πώς να περιηγηθείτε στην τεκμηρίωση του SDK μπορεί να σας βοηθήσει πολύ μόνοι σας. Ρίξτε μια ματιά στην τεκμηρίωση του Azure ML SDK και βρείτε την κλάση `Pipeline` που σας επιτρέπει να δημιουργείτε pipelines. Ένα Pipeline είναι μια συλλογή βημάτων που μπορούν να εκτελεστούν ως ροή εργασίας. -**ΥΠΟΔΕΙΞΗ:** Μεταβείτε στην [τεκμηρίωση του SDK](https://docs.microsoft.com/python/api/overview/azure/ml/?view=azure-ml-py?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) και πληκτρολογήστε λέξεις-κλειδιά στη γραμμή αναζήτησης όπως "Pipeline". Πρέπει να έχετε την κλάση `azureml.pipeline.core.Pipeline` στα αποτελέσματα αναζήτησης. +**ΥΠΟΔΕΙΞΗ:** Μεταβείτε στην [τεκμηρίωση του SDK](https://docs.microsoft.com/python/api/overview/azure/ml/?view=azure-ml-py?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) και πληκτρολογήστε λέξεις-κλειδιά στη γραμμή αναζήτησης όπως "Pipeline". Θα πρέπει να βρείτε την κλάση `azureml.pipeline.core.Pipeline` στα αποτελέσματα αναζήτησης. ## [Κουίζ μετά το μάθημα](https://ff-quizzes.netlify.app/en/ds/quiz/37) -## Ανασκόπηση & Αυτομελέτη +## Ανασκόπηση & Αυτοεκπαίδευση -Σε αυτό το μάθημα μάθατε πώς να εκπαιδεύετε, να αναπτύσσετε και να χρησιμοποιείτε ένα μοντέλο για την πρόβλεψη του κινδύνου καρδιακής ανεπάρκειας με το Azure ML SDK στο cloud. Δείτε αυτήν την [τεκμηρίωση](https://docs.microsoft.com/python/api/overview/azure/ml/?view=azure-ml-py?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) για περισσότερες πληροφορίες σχετικά με το Azure ML SDK. Προσπαθήστε να δημιουργήσετε το δικό σας μοντέλο με το Azure ML SDK. +Σε αυτό το μάθημα, μάθατε πώς να εκπαιδεύετε, να αναπτύσσετε και να χρησιμοποιείτε ένα μοντέλο για να προβλέψετε τον κίνδυνο καρδιακής ανεπάρκειας με το Azure ML SDK στο cloud. Δείτε αυτήν την [τεκμηρίωση](https://docs.microsoft.com/python/api/overview/azure/ml/?view=azure-ml-py?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) για περαιτέρω πληροφορίες σχετικά με το Azure ML SDK. Προσπαθήστε να δημιουργήσετε το δικό σας μοντέλο με το Azure ML SDK. ## Ανάθεση -[Έργο Επιστήμης Δεδομένων με χρήση Azure ML SDK](assignment.md) +[Έργο Data Science χρησιμοποιώντας το Azure ML SDK](assignment.md) ---