# Data Science pilvessä: "Low code/No code" -lähestymistapa | ](../../sketchnotes/18-DataScience-Cloud.png)| |:---:| | Data Science pilvessä: Low Code - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | Sisällysluettelo: - [Data Science pilvessä: "Low code/No code" -lähestymistapa](../../../../5-Data-Science-In-Cloud/18-Low-Code) - [Ennakkokysely](../../../../5-Data-Science-In-Cloud/18-Low-Code) - [1. Johdanto](../../../../5-Data-Science-In-Cloud/18-Low-Code) - [1.1 Mikä on Azure Machine Learning?](../../../../5-Data-Science-In-Cloud/18-Low-Code) - [1.2 Sydämen vajaatoiminnan ennustamisprojekti:](../../../../5-Data-Science-In-Cloud/18-Low-Code) - [1.3 Sydämen vajaatoiminnan datasetti:](../../../../5-Data-Science-In-Cloud/18-Low-Code) - [2. Mallin Low code/No code -koulutus Azure ML Studiossa](../../../../5-Data-Science-In-Cloud/18-Low-Code) - [2.1 Azure ML -työtilan luominen](../../../../5-Data-Science-In-Cloud/18-Low-Code) - [2.2 Laskentaresurssit](../../../../5-Data-Science-In-Cloud/18-Low-Code) - [2.2.1 Oikeiden laskentaresurssien valinta](../../../../5-Data-Science-In-Cloud/18-Low-Code) - [2.2.2 Laskentaklusterin luominen](../../../../5-Data-Science-In-Cloud/18-Low-Code) - [2.3 Datasetin lataaminen](../../../../5-Data-Science-In-Cloud/18-Low-Code) - [2.4 Low code/No code -koulutus AutoML:llä](../../../../5-Data-Science-In-Cloud/18-Low-Code) - [3. Mallin Low code/No code -julkaisu ja päätepisteen käyttö](../../../../5-Data-Science-In-Cloud/18-Low-Code) - [3.1 Mallin julkaisu](../../../../5-Data-Science-In-Cloud/18-Low-Code) - [3.2 Päätepisteen käyttö](../../../../5-Data-Science-In-Cloud/18-Low-Code) - [🚀 Haaste](../../../../5-Data-Science-In-Cloud/18-Low-Code) - [Jälkikysely](../../../../5-Data-Science-In-Cloud/18-Low-Code) - [Kertaus ja itseopiskelu](../../../../5-Data-Science-In-Cloud/18-Low-Code) - [Tehtävä](../../../../5-Data-Science-In-Cloud/18-Low-Code) ## [Ennakkokysely](https://ff-quizzes.netlify.app/en/ds/quiz/34) ## 1. Johdanto ### 1.1 Mikä on Azure Machine Learning? Azure-pilvialusta sisältää yli 200 tuotetta ja pilvipalvelua, jotka on suunniteltu auttamaan uusien ratkaisujen luomisessa. Data-analyytikot käyttävät paljon aikaa datan tutkimiseen ja esikäsittelyyn sekä erilaisten mallin koulutusalgoritmien kokeilemiseen tarkkojen mallien tuottamiseksi. Nämä tehtävät vievät aikaa ja voivat usein käyttää kallista laskentatehoa tehottomasti. [Azure ML](https://docs.microsoft.com/azure/machine-learning/overview-what-is-azure-machine-learning?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) on pilvipohjainen alusta koneoppimisratkaisujen rakentamiseen ja operointiin Azure-ympäristössä. Se sisältää laajan valikoiman ominaisuuksia ja työkaluja, jotka auttavat data-analyytikkoja valmistamaan dataa, kouluttamaan malleja, julkaisemaan ennustepalveluita ja seuraamaan niiden käyttöä. Tärkeimpänä se parantaa tehokkuutta automatisoimalla monia aikaa vieviä tehtäviä, jotka liittyvät mallien koulutukseen, ja mahdollistaa pilvipohjaisten laskentaresurssien käytön, jotka skaalautuvat tehokkaasti suurten datamäärien käsittelyyn ja aiheuttavat kustannuksia vain käytön aikana. Azure ML tarjoaa kaikki työkalut, joita kehittäjät ja data-analyytikot tarvitsevat koneoppimisen työnkulkuihin. Näihin kuuluvat: - **Azure Machine Learning Studio**: verkkopohjainen portaali Azure Machine Learningissä, joka tarjoaa Low code- ja No code -vaihtoehtoja mallien koulutukseen, julkaisuun, automatisointiin, seurantaan ja resurssien hallintaan. Studio integroituu Azure Machine Learning SDK:han saumattoman käyttökokemuksen takaamiseksi. - **Jupyter Notebooks**: nopea prototyyppien ja ML-mallien testaus. - **Azure Machine Learning Designer**: mahdollistaa moduulien vetämisen ja pudottamisen kokeiden rakentamiseksi ja putkistojen julkaisemiseksi Low code -ympäristössä. - **Automated machine learning UI (AutoML)**: automatisoi koneoppimismallien kehityksen iteratiiviset tehtävät, mahdollistaen mallien rakentamisen suurella skaalalla, tehokkuudella ja tuottavuudella, samalla säilyttäen mallin laadun. - **Data Labelling**: avustettu ML-työkalu datan automaattiseen merkintään. - **Machine learning extension for Visual Studio Code**: tarjoaa täysimittaisen kehitysympäristön ML-projektien rakentamiseen ja hallintaan. - **Machine learning CLI**: tarjoaa komentoja Azure ML -resurssien hallintaan komentoriviltä. - **Integraatio avoimen lähdekoodin kehysten kanssa**, kuten PyTorch, TensorFlow, Scikit-learn ja monet muut, koneoppimisen prosessin koulutukseen, julkaisuun ja hallintaan. - **MLflow**: avoimen lähdekoodin kirjasto koneoppimiskokeiden elinkaaren hallintaan. **MLFlow Tracking** on MLflow-komponentti, joka kirjaa ja seuraa koulutuskertojen mittareita ja mallin artefakteja riippumatta kokeen ympäristöstä. ### 1.2 Sydämen vajaatoiminnan ennustamisprojekti: Projektien tekeminen ja rakentaminen on epäilemättä paras tapa testata taitoja ja tietämystä. Tässä oppitunnissa tutkimme kahta erilaista tapaa rakentaa data-analytiikkaprojekti sydämen vajaatoiminnan ennustamiseksi Azure ML Studiossa: Low code/No code -lähestymistavalla ja Azure ML SDK:lla, kuten seuraavassa kaaviossa esitetään:  Kummallakin lähestymistavalla on omat hyvät ja huonot puolensa. Low code/No code -lähestymistapa on helpompi aloittaa, koska se sisältää vuorovaikutuksen graafisen käyttöliittymän (GUI) kanssa, eikä vaadi aiempaa koodausosaamista. Tämä menetelmä mahdollistaa projektin toteutettavuuden nopean testauksen ja POC:n (Proof Of Concept) luomisen. Kuitenkin, kun projekti kasvaa ja asiat täytyy valmistella tuotantokäyttöön, resurssien luominen GUI:n kautta ei ole enää käytännöllistä. Tällöin Azure ML SDK:n käyttö ohjelmalliseen automatisointiin tulee välttämättömäksi. | | Low code/No code | Azure ML SDK | |-------------------|------------------|---------------------------| | Koodiosaaminen | Ei vaadita | Vaaditaan | | Kehitysaika | Nopea ja helppo | Riippuu koodausosaamisesta | | Tuotantovalmius | Ei | Kyllä | ### 1.3 Sydämen vajaatoiminnan datasetti: Sydän- ja verisuonitaudit (CVD:t) ovat maailmanlaajuisesti yleisin kuolinsyy, ja ne aiheuttavat 31 % kaikista kuolemista. Ympäristö- ja käyttäytymistekijät, kuten tupakointi, epäterveellinen ruokavalio ja lihavuus, fyysinen passiivisuus ja alkoholin haitallinen käyttö, voivat toimia piirteinä ennustemalleissa. Kyky arvioida CVD:n kehittymisen todennäköisyyttä voisi olla erittäin hyödyllistä korkean riskin henkilöiden hyökkäysten ehkäisemiseksi. Kaggle on tehnyt [Heart Failure -datasetin](https://www.kaggle.com/andrewmvd/heart-failure-clinical-data) julkisesti saataville, ja käytämme sitä tässä projektissa. Voit ladata datasetin nyt. Tämä on taulukkomuotoinen datasetti, jossa on 13 saraketta (12 ominaisuutta ja 1 kohdemuuttuja) ja 299 riviä. | | Muuttujan nimi | Tyyppi | Kuvaus | Esimerkki | |----|---------------------------|------------------|----------------------------------------------------------|-------------------| | 1 | age | numeerinen | Potilaan ikä | 25 | | 2 | anaemia | totuusarvo | Punasolujen tai hemoglobiinin väheneminen | 0 tai 1 | | 3 | creatinine_phosphokinase | numeerinen | CPK-entsyymin taso veressä | 542 | | 4 | diabetes | totuusarvo | Onko potilaalla diabetes | 0 tai 1 | | 5 | ejection_fraction | numeerinen | Sydämestä lähtevän veren prosenttiosuus jokaisella supistuksella | 45 | | 6 | high_blood_pressure | totuusarvo | Onko potilaalla verenpainetauti | 0 tai 1 | | 7 | platelets | numeerinen | Verihiutaleiden määrä veressä | 149000 | | 8 | serum_creatinine | numeerinen | Seerumin kreatiniinin taso veressä | 0.5 | | 9 | serum_sodium | numeerinen | Seerumin natriumin taso veressä | jun | | 10 | sex | totuusarvo | Nainen tai mies | 0 tai 1 | | 11 | smoking | totuusarvo | Tupakoiko potilas | 0 tai 1 | | 12 | time | numeerinen | Seurantajakso (päivää) | 4 | |----|---------------------------|------------------|----------------------------------------------------------|-------------------| | 21 | DEATH_EVENT [Kohde] | totuusarvo | Kuoleeko potilas seurantajakson aikana | 0 tai 1 | Kun datasetti on ladattu, voimme aloittaa projektin Azure-ympäristössä. ## 2. Mallin Low code/No code -koulutus Azure ML Studiossa ### 2.1 Azure ML -työtilan luominen Jotta voit kouluttaa mallin Azure ML:ssä, sinun täytyy ensin luoda Azure ML -työtila. Työtila on Azure Machine Learningin ylin resurssi, joka tarjoaa keskitetyn paikan kaikille artefakteille, jotka luot Azure Machine Learningiä käyttäessäsi. Työtila pitää kirjaa kaikista koulutuskierroksista, mukaan lukien lokit, mittarit, tulokset ja skriptien tilannekuvat. Näitä tietoja käytetään sen määrittämiseen, mikä koulutuskierros tuottaa parhaan mallin. [Lisätietoja](https://docs.microsoft.com/azure/machine-learning/concept-workspace?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) On suositeltavaa käyttää käyttöjärjestelmääsi parhaiten yhteensopivaa ja ajantasaisinta selainta. Seuraavat selaimet ovat tuettuja: - Microsoft Edge (uusi Microsoft Edge, uusin versio. Ei Microsoft Edge legacy) - Safari (uusin versio, vain Mac) - Chrome (uusin versio) - Firefox (uusin versio) Azure Machine Learningin käyttöä varten luo työtila Azure-tilauksessasi. Voit sitten käyttää tätä työtilaa datan, laskentaresurssien, koodin, mallien ja muiden koneoppimiseen liittyvien artefaktien hallintaan. > **_HUOM:_** Azure-tilauksesi veloitetaan pienestä datan tallennusmaksusta niin kauan kuin Azure Machine Learning -työtila on olemassa tilauksessasi, joten suosittelemme työtilan poistamista, kun et enää käytä sitä. 1. Kirjaudu sisään [Azure-portaaliin](https://ms.portal.azure.com/) Microsoft-tunnuksilla, jotka liittyvät Azure-tilaukseesi. 2. Valitse **＋Luo resurssi**  Etsi Machine Learning ja valitse Machine Learning -laatta  Klikkaa luo-painiketta  Täytä asetukset seuraavasti: - Tilaus: Azure-tilauksesi - Resurssiryhmä: Luo tai valitse resurssiryhmä - Työtilan nimi: Anna työtilallesi yksilöllinen nimi - Alue: Valitse maantieteellinen alue, joka on lähimpänä sinua - Tallennustili: Huomioi oletuksena luotava uusi tallennustili työtilallesi - Avainten hallinta: Huomioi oletuksena luotava uusi avainten hallinta työtilallesi - Sovelluksen näkemykset: Huomioi oletuksena luotava uusi sovelluksen näkemykset -resurssi työtilallesi - Konttirekisteri: Ei mitään (yksi luodaan automaattisesti ensimmäisellä kerralla, kun julkaiset mallin konttiin)  - Klikkaa luo + tarkista ja sitten luo-painiketta 3. Odota, että työtilasi luodaan (tämä voi kestää muutaman minuutin). Siirry sitten siihen portaalissa. Löydät sen Machine Learning Azure -palvelun kautta. 4. Työtilasi yleiskatsaus-sivulla käynnistä Azure Machine Learning Studio (tai avaa uusi selaimen välilehti ja siirry osoitteeseen https://ml.azure.com), ja kirjaudu sisään Azure Machine Learning Studioon Microsoft-tililläsi. Jos sinua pyydetään, valitse Azure-hakemisto ja -tilaus sekä Azure Machine Learning -työtilasi.  5. Azure Machine Learning Studiossa vaihda ☰-ikoni vasemmassa yläkulmassa nähdäksesi käyttöliittymän eri sivut. Voit käyttää näitä sivuja työtilasi resurssien hallintaan.  Voit hallita työtilaa Azure-portaalin kautta, mutta data-analyytikoille ja koneoppimisen operaatioinsinööreille Azure Machine Learning Studio tarjoaa keskittyneemmän käyttöliittymän työtilan resurssien hallintaan. ### 2.2 Laskentaresurssit Laskentaresurssit ovat pilvipohjaisia resursseja, joilla voit suorittaa mallin koulutus- ja datan tutkimusprosesseja. Voit luoda neljä erilaista laskentaresurssia: - **Laskentainstanssit**: Kehitystyöasemia, joita data-analyytikot voivat käyttää datan ja mallien kanssa työskentelyyn. Tämä sisältää virtuaalikoneen (VM) luomisen ja notebook-instanssin käynnistämisen. Voit sitten kouluttaa mallin kutsumalla laskentaklusterin notebookista. - **Laskentaklusterit**: Skaalautuvat virtuaalikoneklusterit kokeiden koodin tarpeen mukaan tapahtuvaan käsittelyyn. Tarvitset niitä mallin koulutuksessa. Laskentaklusterit voivat myös käyttää erikoistuneita GPU- tai CPU-resursseja. - **Inferenssiklusterit**: Julkaisukohteet ennustepalveluille, jotka käyttävät koulutettuja mallejasi. - **Liitetty laskenta**: Linkittää olemassa oleviin Azure-laskentaresursseihin, kuten virtuaalikoneisiin tai Azure Databricks -klustereihin. #### 2.2.1 Oikeiden vaihtoehtojen valitseminen laskentaresursseillesi On tärkeää ottaa huomioon muutamia keskeisiä tekijöitä, kun luot laskentaresurssin, sillä nämä valinnat voivat olla kriittisiä päätöksiä. **Tarvitsetko CPU:n vai GPU:n?** CPU (keskusyksikkö) on elektroninen piiri, joka suorittaa tietokoneohjelman sisältämiä käskyjä. GPU (grafiikkaprosessori) on erikoistunut elektroninen piiri, joka voi suorittaa grafiikkaan liittyvää koodia erittäin suurella nopeudella. Pääasiallinen ero CPU:n ja GPU:n arkkitehtuurin välillä on, että CPU on suunniteltu käsittelemään laajaa tehtävävalikoimaa nopeasti (mitattuna CPU:n kellotaajuudella), mutta sen samanaikaisesti suoritettavien tehtävien määrä on rajallinen. GPU:t on suunniteltu rinnakkaislaskentaan, ja siksi ne soveltuvat paljon paremmin syväoppimistehtäviin. | CPU | GPU | |-----------------------------------------|-----------------------------| | Vähemmän kallis | Kalliimpi | | Alhaisempi samanaikaisuustaso | Korkeampi samanaikaisuustaso | | Hitaampi syväoppimismallien koulutuksessa | Optimaalinen syväoppimiseen | **Klusterin koko** Suuremmat klusterit ovat kalliimpia, mutta ne tarjoavat paremman reagointikyvyn. Jos sinulla on aikaa mutta ei tarpeeksi rahaa, kannattaa aloittaa pienellä klusterilla. Jos taas sinulla on rahaa mutta vähän aikaa, kannattaa aloittaa suuremmalla klusterilla. **VM:n koko** Ajan ja budjetin rajoitusten mukaan voit vaihdella RAM-muistin, levyn, ytimien määrän ja kellotaajuuden kokoa. Näiden parametrien kasvattaminen on kalliimpaa, mutta parantaa suorituskykyä. **Dedikoidut vai matalan prioriteetin instanssit?** Matalan prioriteetin instanssi tarkoittaa, että se on keskeytettävissä: Microsoft Azure voi ottaa nämä resurssit ja osoittaa ne toiseen tehtävään, keskeyttäen työn. Dedikoitu instanssi, eli ei-keskeytettävä, tarkoittaa, että työ keskeytetään vain sinun luvallasi. Tämä on jälleen yksi aika vs raha -kysymys, sillä keskeytettävät instanssit ovat edullisempia kuin dedikoidut. #### 2.2.2 Laskentaklusterin luominen [Azure ML -työtilassa](https://ml.azure.com/), jonka loimme aiemmin, siirry laskentaan, ja näet juuri keskustellut laskentaresurssit (esim. laskentainstanssit, laskentaklusterit, inferenssiklusterit ja liitetty laskenta). Tässä projektissa tarvitsemme laskentaklusterin mallin koulutusta varten. Studiossa, klikkaa "Compute"-valikkoa, sitten "Compute cluster" -välilehteä ja klikkaa "+ New" -painiketta luodaksesi laskentaklusterin.  1. Valitse vaihtoehdot: Dedikoitu vs matalan prioriteetin, CPU tai GPU, VM:n koko ja ytimien määrä (voit pitää oletusasetukset tässä projektissa). 2. Klikkaa Seuraava-painiketta.  3. Anna klusterille laskennan nimi. 4. Valitse vaihtoehdot: Minimi/maksimi solmujen määrä, tyhjäkäyntisekunnit ennen alasajoa, SSH-yhteys. Huomaa, että jos solmujen minimimäärä on 0, säästät rahaa, kun klusteri on tyhjäkäynnillä. Huomaa, että mitä suurempi solmujen maksimimäärä, sitä lyhyempi koulutusaika. Suositeltu maksimimäärä solmuja on 3. 5. Klikkaa "Create"-painiketta. Tämä vaihe voi kestää muutaman minuutin.  Mahtavaa! Nyt kun meillä on laskentaklusteri, meidän täytyy ladata data Azure ML Studioon. ### 2.3 Datan lataaminen 1. [Azure ML -työtilassa](https://ml.azure.com/), jonka loimme aiemmin, klikkaa "Datasets" vasemmassa valikossa ja klikkaa "+ Create dataset" -painiketta luodaksesi datasetin. Valitse "From local files" -vaihtoehto ja valitse aiemmin ladattu Kaggle-datasetti.  2. Anna datasetille nimi, tyyppi ja kuvaus. Klikkaa Seuraava. Lataa data tiedostoista. Klikkaa Seuraava.  3. Skeemassa, muuta datatyyppi Booleaniksi seuraaville ominaisuuksille: anaemia, diabetes, korkea verenpaine, sukupuoli, tupakointi ja DEATH_EVENT. Klikkaa Seuraava ja sitten Create.  Hienoa! Nyt kun datasetti on paikallaan ja laskentaklusteri luotu, voimme aloittaa mallin koulutuksen! ### 2.4 Vähäkoodinen/kooditon koulutus AutoML:llä Perinteinen koneoppimismallien kehitys on resurssi-intensiivistä, vaatii merkittävää alakohtaista tietämystä ja aikaa kymmenien mallien tuottamiseen ja vertailuun. Automatisoitu koneoppiminen (AutoML) automatisoi koneoppimismallien kehityksen aikaa vievät, iteratiiviset tehtävät. Se mahdollistaa datatieteilijöiden, analyytikoiden ja kehittäjien rakentaa ML-malleja suurella skaalalla, tehokkuudella ja tuottavuudella, samalla säilyttäen mallien laadun. Se vähentää aikaa tuotantovalmiiden ML-mallien saamiseen, helposti ja tehokkaasti. [Lisätietoja](https://docs.microsoft.com/azure/machine-learning/concept-automated-ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) 1. [Azure ML -työtilassa](https://ml.azure.com/), jonka loimme aiemmin, klikkaa "Automated ML" vasemmassa valikossa ja valitse juuri ladattu datasetti. Klikkaa Seuraava.  2. Anna uusi kokeilun nimi, kohdesarake (DEATH_EVENT) ja luotu laskentaklusteri. Klikkaa Seuraava.  3. Valitse "Classification" ja klikkaa Valmis. Tämä vaihe voi kestää 30 minuutista tuntiin, riippuen laskentaklusterin koosta.  4. Kun ajo on valmis, klikkaa "Automated ML" -välilehteä, klikkaa ajoasi ja klikkaa algoritmia "Best model summary" -kortissa.  Täällä voit nähdä yksityiskohtaisen kuvauksen parhaasta mallista, jonka AutoML tuotti. Voit myös tutkia muita malleja Models-välilehdessä. Käytä muutama minuutti mallien tutkimiseen Explanations (preview) -painikkeessa. Kun olet valinnut mallin, jota haluat käyttää (tässä valitsemme AutoML:n valitseman parhaan mallin), näemme, kuinka voimme ottaa sen käyttöön. ## 3. Vähäkoodinen/kooditon mallin käyttöönotto ja päätepisteen kulutus ### 3.1 Mallin käyttöönotto Automatisoitu koneoppimisen käyttöliittymä mahdollistaa parhaan mallin käyttöönoton verkkopalveluna muutamassa vaiheessa. Käyttöönotto tarkoittaa mallin integrointia siten, että se voi tehdä ennusteita uuden datan perusteella ja tunnistaa mahdollisia kehitysalueita. Tässä projektissa verkkopalveluun käyttöönotto tarkoittaa, että lääketieteelliset sovellukset voivat käyttää mallia tehdäkseen reaaliaikaisia ennusteita potilaidensa sydänkohtauksen riskistä. Parhaan mallin kuvauksessa, klikkaa "Deploy"-painiketta.  15. Anna nimi, kuvaus, laskentatyyppi (Azure Container Instance), ota käyttöön autentikointi ja klikkaa Deploy. Tämä vaihe voi kestää noin 20 minuuttia. Käyttöönotto sisältää useita vaiheita, kuten mallin rekisteröinnin, resurssien luomisen ja niiden konfiguroinnin verkkopalvelua varten. Tilaviesti näkyy Deploy-tilan alla. Valitse Refresh säännöllisesti tarkistaaksesi käyttöönoton tilan. Se on otettu käyttöön ja käynnissä, kun tila on "Healthy".  16. Kun se on otettu käyttöön, klikkaa Endpoint-välilehteä ja klikkaa juuri käyttöönotettua päätepistettä. Täältä löydät kaikki tiedot, jotka sinun tarvitsee tietää päätepisteestä.  Mahtavaa! Nyt kun meillä on malli otettu käyttöön, voimme aloittaa päätepisteen kulutuksen. ### 3.2 Päätepisteen kulutus Klikkaa "Consume"-välilehteä. Täältä löydät REST-päätepisteen ja Python-skriptin kulutusvaihtoehdossa. Käytä hetki Python-koodin lukemiseen. Tämä skripti voidaan suorittaa suoraan paikalliselta koneeltasi ja se kuluttaa päätepisteesi.  Käytä hetki näiden kahden koodirivin tarkasteluun: ```python url = 'http://98e3715f-xxxx-xxxx-xxxx-9ec22d57b796.centralus.azurecontainer.io/score' api_key = '' # Replace this with the API key for the web service ``` `url`-muuttuja on REST-päätepiste, joka löytyy kulutusvälilehdestä, ja `api_key`-muuttuja on ensisijainen avain, joka löytyy myös kulutusvälilehdestä (vain jos olet ottanut autentikoinnin käyttöön). Näin skripti voi kuluttaa päätepisteen. 18. Skriptiä suoritettaessa sinun pitäisi nähdä seuraava tulos: ```python b'"{\\"result\\": [true]}"' ``` Tämä tarkoittaa, että sydämen vajaatoiminnan ennuste annettujen tietojen perusteella on tosi. Tämä on järkevää, koska jos tarkastelet tarkemmin skriptissä automaattisesti luotua dataa, kaikki on oletuksena 0 ja epätosi. Voit muuttaa dataa seuraavalla syöttöesimerkillä: ```python data = { "data": [ { 'age': "0", 'anaemia': "false", 'creatinine_phosphokinase': "0", 'diabetes': "false", 'ejection_fraction': "0", 'high_blood_pressure': "false", 'platelets': "0", 'serum_creatinine': "0", 'serum_sodium': "0", 'sex': "false", 'smoking': "false", 'time': "0", }, { 'age': "60", 'anaemia': "false", 'creatinine_phosphokinase': "500", 'diabetes': "false", 'ejection_fraction': "38", 'high_blood_pressure': "false", 'platelets': "260000", 'serum_creatinine': "1.40", 'serum_sodium': "137", 'sex': "false", 'smoking': "false", 'time': "130", }, ], } ``` Skripti pitäisi palauttaa: ```python b'"{\\"result\\": [true, false]}"' ``` Onnittelut! Kulutit juuri käyttöönotetun mallin ja koulutit sen Azure ML:ssä! > **_HUOM:_** Kun olet valmis projektin kanssa, muista poistaa kaikki resurssit. ## 🚀 Haaste Tutki tarkasti AutoML:n tuottamia malliselityksiä ja yksityiskohtia parhaista malleista. Yritä ymmärtää, miksi paras malli on parempi kuin muut. Mitä algoritmeja verrattiin? Mitkä ovat niiden erot? Miksi paras malli toimii paremmin tässä tapauksessa? ## [Luennon jälkeinen kysely](https://ff-quizzes.netlify.app/en/ds/quiz/35) ## Katsaus & Itseopiskelu Tässä oppitunnissa opit kouluttamaan, ottamaan käyttöön ja kuluttamaan mallin sydämen vajaatoiminnan riskin ennustamiseksi vähäkoodisella/koodittomalla tavalla pilvessä. Jos et ole vielä tehnyt sitä, tutki syvällisemmin AutoML:n tuottamia malliselityksiä ja yritä ymmärtää, miksi paras malli on parempi kuin muut. Voit syventyä vähäkoodiseen/koodittomaan AutoML:ään lukemalla tämän [dokumentaation](https://docs.microsoft.com/azure/machine-learning/tutorial-first-experiment-automated-ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). ## Tehtävä [Vähäkoodinen/kooditon datatiedeprojekti Azure ML:ssä](assignment.md) --- **Vastuuvapauslauseke**: Tämä asiakirja on käännetty käyttämällä tekoälypohjaista käännöspalvelua [Co-op Translator](https://github.com/Azure/co-op-translator). Vaikka pyrimme tarkkuuteen, huomioithan, että automaattiset käännökset voivat sisältää virheitä tai epätarkkuuksia. Alkuperäistä asiakirjaa sen alkuperäisellä kielellä tulee pitää ensisijaisena lähteenä. Kriittisen tiedon osalta suositellaan ammattimaista ihmiskääntämistä. Emme ole vastuussa tämän käännöksen käytöstä johtuvista väärinkäsityksistä tai virhetulkinnoista.