# क्लाउडमा डेटा साइन्स: "लो कोड/नो कोड" तरिका | ](../../sketchnotes/18-DataScience-Cloud.png)| |:---:| | क्लाउडमा डेटा साइन्स: लो कोड - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | विषयसूची: - [क्लाउडमा डेटा साइन्स: "लो कोड/नो कोड" तरिका](../../../../5-Data-Science-In-Cloud/18-Low-Code) - [पाठ अघि क्विज](../../../../5-Data-Science-In-Cloud/18-Low-Code) - [१. परिचय](../../../../5-Data-Science-In-Cloud/18-Low-Code) - [१.१ Azure Machine Learning के हो?](../../../../5-Data-Science-In-Cloud/18-Low-Code) - [१.२ हार्ट फेल्योर प्रिडिक्शन प्रोजेक्ट:](../../../../5-Data-Science-In-Cloud/18-Low-Code) - [१.३ हार्ट फेल्योर डाटासेट:](../../../../5-Data-Science-In-Cloud/18-Low-Code) - [२. Azure ML Studio मा लो कोड/नो कोड मोडेल प्रशिक्षण](../../../../5-Data-Science-In-Cloud/18-Low-Code) - [२.१ Azure ML कार्यक्षेत्र सिर्जना गर्नुहोस्](../../../../5-Data-Science-In-Cloud/18-Low-Code) - [२.२ कम्प्युट स्रोतहरू](../../../../5-Data-Science-In-Cloud/18-Low-Code) - [२.२.१ तपाईँको कम्प्युट स्रोतहरूको लागि सही विकल्पहरू छनोट गर्नुहोस्](../../../../5-Data-Science-In-Cloud/18-Low-Code) - [२.२.२ कम्प्युट क्लस्टर सिर्जना गर्नुहोस्](../../../../5-Data-Science-In-Cloud/18-Low-Code) - [२.३ डाटासेट लोड गर्नुहोस्](../../../../5-Data-Science-In-Cloud/18-Low-Code) - [२.४ AutoML को साथ लो कोड/नो कोड प्रशिक्षण](../../../../5-Data-Science-In-Cloud/18-Low-Code) - [३. लो कोड/नो कोड मोडेल परिनियोजन र अन्त बिन्दु उपभोग](../../../../5-Data-Science-In-Cloud/18-Low-Code) - [३.१ मोडेल परिनियोजन](../../../../5-Data-Science-In-Cloud/18-Low-Code) - [३.२ अन्त बिन्दु उपभोग](../../../../5-Data-Science-In-Cloud/18-Low-Code) - [🚀 चुनौती](../../../../5-Data-Science-In-Cloud/18-Low-Code) - [पाठ पछि क्विज](../../../../5-Data-Science-In-Cloud/18-Low-Code) - [समीक्षा र आत्म अध्ययन](../../../../5-Data-Science-In-Cloud/18-Low-Code) - [असाइनमेन्ट](../../../../5-Data-Science-In-Cloud/18-Low-Code) ## [पाठ अघि क्विज](https://ff-quizzes.netlify.app/en/ds/quiz/34) ## १. परिचय ### १.१ Azure Machine Learning के हो? Azure क्लाउड प्लेटफर्म २०० भन्दा बढी उत्पादनहरू र क्लाउड सेवाहरूको संग्रह हो, जसले तपाईंलाई नयाँ समाधानहरू सिर्जना गर्न मद्दत गर्दछ। डेटा वैज्ञानिकहरूले डेटा अन्वेषण र पूर्व-प्रशोधन गर्न, र विभिन्न प्रकारका मोडेल-प्रशिक्षण एल्गोरिदमहरू प्रयास गर्न धेरै समय खर्च गर्छन्। यी कार्यहरू समय खपत गर्ने हुन्छन् र प्रायः महँगो कम्प्युट हार्डवेयरको प्रभावकारी प्रयोग गर्दैनन्। [Azure ML](https://docs.microsoft.com/azure/machine-learning/overview-what-is-azure-machine-learning?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) Azure मा मेसिन लर्निङ समाधानहरू निर्माण र सञ्चालन गर्नका लागि क्लाउड-आधारित प्लेटफर्म हो। यसमा डेटा तयार गर्न, मोडेल प्रशिक्षण गर्न, भविष्यवाणी सेवाहरू प्रकाशित गर्न, र तिनीहरूको प्रयोग अनुगमन गर्न मद्दत गर्ने धेरै प्रकारका सुविधाहरू र क्षमताहरू समावेश छन्। सबैभन्दा महत्त्वपूर्ण कुरा, यसले मोडेल प्रशिक्षणसँग सम्बन्धित समय खपत गर्ने कार्यहरू स्वचालित गरेर डेटा वैज्ञानिकहरूको दक्षता बढाउँछ; र यसले क्लाउड-आधारित कम्प्युट स्रोतहरूको प्रयोग गर्न सक्षम बनाउँछ, जसले ठूलो मात्रामा डेटा व्यवस्थापन गर्न प्रभावकारी रूपमा स्केल गर्दछ, र केवल प्रयोग हुँदा मात्र लागत लाग्छ। Azure ML ले मेसिन लर्निङ वर्कफ्लोका लागि विकासकर्ताहरू र डेटा वैज्ञानिकहरूलाई आवश्यक सबै उपकरणहरू प्रदान गर्दछ। यीमा समावेश छन्: - **Azure Machine Learning Studio**: यो Azure Machine Learning मा वेब पोर्टल हो, जसले मोडेल प्रशिक्षण, परिनियोजन, स्वचालन, ट्र्याकिङ र सम्पत्ति व्यवस्थापनका लागि लो-कोड र नो-कोड विकल्पहरू प्रदान गर्दछ। स्टुडियो Azure Machine Learning SDK सँग एकीकृत छ। - **Jupyter Notebooks**: छिटो ML मोडेलहरू प्रोटोटाइप र परीक्षण गर्न। - **Azure Machine Learning Designer**: प्रयोगकर्ताले मोड्युलहरू ड्र्याग-एन्ड-ड्रप गरेर प्रयोगहरू निर्माण गर्न र लो-कोड वातावरणमा पाइपलाइनहरू परिनियोजन गर्न अनुमति दिन्छ। - **स्वचालित मेसिन लर्निङ UI (AutoML)**: मोडेल विकासका पुनरावृत्त कार्यहरू स्वचालित गर्दछ, जसले उच्च स्केल, दक्षता, र उत्पादकता सहित ML मोडेलहरू निर्माण गर्न अनुमति दिन्छ। - **डेटा लेबलिङ**: डेटा स्वचालित रूपमा लेबल गर्न सहायक ML उपकरण। - **Visual Studio Code का लागि मेसिन लर्निङ एक्सटेन्सन**: ML प्रोजेक्टहरू निर्माण र व्यवस्थापनका लागि पूर्ण विशेषतायुक्त विकास वातावरण प्रदान गर्दछ। - **मेसिन लर्निङ CLI**: कमाण्ड लाइनबाट Azure ML स्रोतहरू व्यवस्थापन गर्न आदेशहरू प्रदान गर्दछ। - **खुला स्रोत फ्रेमवर्कहरूसँग एकीकरण** जस्तै PyTorch, TensorFlow, Scikit-learn र अन्य धेरै, प्रशिक्षण, परिनियोजन, र अन्त-देखि-अन्त मेसिन लर्निङ प्रक्रिया व्यवस्थापन गर्न। - **MLflow**: यो तपाईँको मेसिन लर्निङ प्रयोगहरूको जीवनचक्र व्यवस्थापन गर्नका लागि खुला स्रोत पुस्तकालय हो। **MLFlow Tracking** MLflow को एउटा कम्पोनेन्ट हो, जसले तपाईँको प्रशिक्षण रन मेट्रिक्स र मोडेल कलाकृतिहरू लग र ट्र्याक गर्दछ, तपाईँको प्रयोगको वातावरणको पर्वाह नगरी। ### १.२ हार्ट फेल्योर प्रिडिक्शन प्रोजेक्ट: आफ्नो सीप र ज्ञान परीक्षण गर्न परियोजनाहरू बनाउनु र निर्माण गर्नु सबैभन्दा राम्रो तरिका हो। यस पाठमा, हामी Azure ML Studio मा हार्ट फेल्योर आक्रमणको भविष्यवाणी गर्न डेटा साइन्स प्रोजेक्ट निर्माण गर्ने दुई फरक तरिकाहरू अन्वेषण गर्नेछौं: लो कोड/नो कोड र Azure ML SDK मार्फत, निम्न योजनामा देखाइएको छ:  प्रत्येक तरिकाका आफ्नै फाइदा र बेफाइदा छन्। लो कोड/नो कोड तरिका सुरु गर्न सजिलो छ, किनभने यसमा GUI (ग्राफिकल युजर इन्टरफेस) सँग अन्तरक्रिया गर्न आवश्यक छ, र कोडको कुनै पूर्वज्ञान आवश्यक पर्दैन। यो विधिले परियोजनाको व्यवहार्यता छिटो परीक्षण गर्न र POC (Proof Of Concept) सिर्जना गर्न सक्षम बनाउँछ। तर, परियोजना बढ्दै जाँदा र उत्पादनका लागि तयार गर्न आवश्यक पर्दा, GUI मार्फत स्रोतहरू सिर्जना गर्नु व्यावहारिक हुँदैन। यस अवस्थामा, Azure ML SDK प्रयोग गर्न जान्नु महत्त्वपूर्ण हुन्छ। | | लो कोड/नो कोड | Azure ML SDK | |-------------------|------------------|---------------------------| | कोडमा विशेषज्ञता | आवश्यक छैन | आवश्यक छ | | विकास गर्न समय | छिटो र सजिलो | कोड विशेषज्ञतामा निर्भर | | उत्पादनका लागि तयार | होइन | हो | ### १.३ हार्ट फेल्योर डाटासेट: कार्डियोभास्कुलर रोगहरू (CVDs) विश्वव्यापी रूपमा मृत्युको प्रमुख कारण हुन्, जसले विश्वव्यापी रूपमा ३१% मृत्युको लागि जिम्मेवार छन्। तम्बाकूको प्रयोग, अस्वस्थ आहार र मोटोपन, शारीरिक निष्क्रियता, र मदिराको हानिकारक प्रयोग जस्ता वातावरणीय र व्यवहारजन्य जोखिम कारकहरूलाई अनुमान मोडेलहरूको विशेषताहरूको रूपमा प्रयोग गर्न सकिन्छ। उच्च जोखिम भएका व्यक्तिहरूमा आक्रमण रोक्न CVD को विकासको सम्भावना अनुमान गर्न सक्षम हुनु उपयोगी हुन सक्छ। Kaggle ले [हार्ट फेल्योर डाटासेट](https://www.kaggle.com/andrewmvd/heart-failure-clinical-data) सार्वजनिक रूपमा उपलब्ध गराएको छ, जुन हामी यस परियोजनाका लागि प्रयोग गर्नेछौं। तपाईं यो डाटासेट डाउनलोड गर्न सक्नुहुन्छ। यो १३ स्तम्भ (१२ विशेषताहरू र १ लक्ष्य चर) र २९९ पङ्क्तिहरू भएको ट्याबुलर डाटासेट हो। | | भेरिएबल नाम | प्रकार | विवरण | उदाहरण | |----|---------------------------|-----------------|-----------------------------------------------------------|-------------------| | १ | उमेर | संख्यात्मक | बिरामीको उमेर | २५ | | २ | एनेमिया | बूलियन | रातो रक्त कोशिका वा हेमोग्लोबिनको कमी | ० वा १ | | ३ | क्रिएटिनिन फस्फोकाइनेज | संख्यात्मक | रगतमा CPK इन्जाइमको स्तर | ५४२ | | ४ | मधुमेह | बूलियन | बिरामीलाई मधुमेह छ कि छैन | ० वा १ | | ५ | इजेक्शन फ्र्याक्सन | संख्यात्मक | प्रत्येक संकुचनमा मुटुबाट बाहिर जाने रगतको प्रतिशत | ४५ | | ६ | उच्च रक्तचाप | बूलियन | बिरामीलाई उच्च रक्तचाप छ कि छैन | ० वा १ | | ७ | प्लेटलेट्स | संख्यात्मक | रगतमा प्लेटलेट्स | १४९००० | | ८ | सिरम क्रिएटिनिन | संख्यात्मक | रगतमा सिरम क्रिएटिनिनको स्तर | ०.५ | | ९ | सिरम सोडियम | संख्यात्मक | रगतमा सिरम सोडियमको स्तर | जुन | | १० | लिङ्ग | बूलियन | महिला वा पुरुष | ० वा १ | | ११ | धूम्रपान | बूलियन | बिरामी धूम्रपान गर्छ कि गर्दैन | ० वा १ | | १२ | समय | संख्यात्मक | फलो-अप अवधि (दिनहरू) | ४ | |----|---------------------------|-----------------|-----------------------------------------------------------|-------------------| | २१ | मृत्यु घटना [लक्ष्य] | बूलियन | फलो-अप अवधिमा बिरामीको मृत्यु हुन्छ कि हुँदैन | ० वा १ | डाटासेट प्राप्त गरेपछि, हामी Azure मा परियोजना सुरु गर्न सक्छौं। ## २. Azure ML Studio मा लो कोड/नो कोड मोडेल प्रशिक्षण ### २.१ Azure ML कार्यक्षेत्र सिर्जना गर्नुहोस् Azure ML मा मोडेल प्रशिक्षण गर्न, तपाईंले पहिले Azure ML कार्यक्षेत्र सिर्जना गर्न आवश्यक छ। कार्यक्षेत्र Azure Machine Learning को शीर्ष-स्तरीय स्रोत हो, जसले तपाईंले Azure Machine Learning प्रयोग गर्दा सिर्जना गर्ने सबै कलाकृतिहरूसँग काम गर्नका लागि केन्द्रित स्थान प्रदान गर्दछ। कार्यक्षेत्रले सबै प्रशिक्षण रनहरूको इतिहास राख्छ, जसमा लगहरू, मेट्रिक्स, आउटपुट, र तपाईंको स्क्रिप्टहरूको स्न्यापशट समावेश छ। तपाईंले कुन प्रशिक्षण रनले सबैभन्दा राम्रो मोडेल उत्पादन गर्छ भनेर निर्धारण गर्न यो जानकारी प्रयोग गर्नुहुन्छ। [थप जान्नुहोस्](https://docs.microsoft.com/azure/machine-learning/concept-workspace?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) तपाईंको अपरेटिङ सिस्टमसँग उपयुक्त सबैभन्दा अद्यावधिक ब्राउजर प्रयोग गर्न सिफारिस गरिन्छ। निम्न ब्राउजरहरू समर्थित छन्: - Microsoft Edge (नयाँ Microsoft Edge, सबैभन्दा नयाँ संस्करण। Microsoft Edge Legacy होइन) - Safari (सबैभन्दा नयाँ संस्करण, केवल Mac का लागि) - Chrome (सबैभन्दा नयाँ संस्करण) - Firefox (सबैभन्दा नयाँ संस्करण) Azure Machine Learning प्रयोग गर्न, तपाईंको Azure सदस्यतामा कार्यक्षेत्र सिर्जना गर्नुहोस्। त्यसपछि तपाईं यो कार्यक्षेत्र प्रयोग गरेर डेटा, कम्प्युट स्रोतहरू, कोड, मोडेलहरू, र तपाईंको मेसिन लर्निङ वर्कलोडहरूसँग सम्बन्धित अन्य कलाकृतिहरू व्यवस्थापन गर्न सक्नुहुन्छ। > **_NOTE:_** तपाईंको Azure सदस्यतामा Azure Machine Learning कार्यक्षेत्र रहँदासम्म डेटा भण्डारणको लागि सानो शुल्क लाग्नेछ, त्यसैले जब तपाईं यसलाई प्रयोग गर्नुहुन्न, Azure Machine Learning कार्यक्षेत्र मेटाउन सिफारिस गरिन्छ। १. [Azure पोर्टल](https://ms.portal.azure.com/) मा Microsoft प्रमाणपत्रहरू प्रयोग गरेर साइन इन गर्नुहोस्। २. **＋Create a resource** चयन गर्नुहोस्।  Machine Learning खोज्नुहोस् र Machine Learning टाइल चयन गर्नुहोस्।  Create बटनमा क्लिक गर्नुहोस्।  निम्न सेटिङहरू भर्नुहोस्: - सदस्यता: तपाईंको Azure सदस्यता - स्रोत समूह: स्रोत समूह सिर्जना गर्नुहोस् वा चयन गर्नुहोस् - कार्यक्षेत्र नाम: तपाईंको कार्यक्षेत्रको लागि अद्वितीय नाम प्रविष्ट गर्नुहोस् - क्षेत्र: तपाईंको नजिकको भौगोलिक क्षेत्र चयन गर्नुहोस् - भण्डारण खाता: तपाईंको कार्यक्षेत्रको लागि सिर्जना गरिने नयाँ भण्डारण खाताको नोट गर्नुहोस् - Key vault: तपाईंको कार्यक्षेत्रको लागि सिर्जना गरिने नयाँ key vault को नोट गर्नुहोस् - Application insights: तपाईंको कार्यक्षेत्रको लागि सिर्जना गरिने नयाँ application insights स्रोतको नोट गर्नुहोस् - Container registry: कुनै पनि छैन (पहिलो पटक तपाईंले मोडेललाई कन्टेनरमा परिनियोजन गर्दा स्वचालित रूपमा एउटा सिर्जना हुनेछ)  - Create + review मा क्लिक गर्नुहोस् र त्यसपछि Create बटनमा क्लिक गर्नुहोस्। ३. तपाईंको कार्यक्षेत्र सिर्जना हुन कुर्नुहोस् (यसमा केही मिनेट लाग्न सक्छ)। त्यसपछि पोर्टलमा यसमा जानुहोस्। तपाईं यसलाई Machine Learning Azure सेवामार्फत फेला पार्न सक्नुहुन्छ। ४. तपाईंको कार्यक्षेत्रको Overview पृष्ठमा, Azure Machine Learning Studio सुरु गर्नुहोस् (वा नयाँ ब्राउजर ट्याब खोल्नुहोस् र https://ml.azure.com मा जानुहोस्), र Microsoft खाता प्रयोग गरेर Azure Machine Learning Studio मा साइन इन गर्नुहोस्। यदि संकेत गरियो भने, तपाईंको Azure directory र सदस्यता, र तपाईंको Azure Machine Learning कार्यक्षेत्र चयन गर्नुहोस्।  ५. Azure Machine Learning Studio मा, शीर्ष बायाँमा ☰ आइकन टगल गर्नुहोस् र इन्टरफेसका विभिन्न पृष्ठहरू हेर्नुहोस्। तपाईं यी पृष्ठहरू प्रयोग गरेर तपाईंको कार्यक्षेत्रका स्रोतहरू व्यवस्थापन गर्न सक्नुहुन्छ।  डेटा वैज्ञानिकहरू र मेसिन लर्निङ अपरेसन इन्जिनियरहरूको लागि, Azure Machine Learning Studio ले कार्यक्षेत्र स्रोतहरू व्यवस्थापन गर्न बढी केन्द्रित प्रयोगकर्ता इन्टरफेस प्रदान गर्दछ। ### २.२ कम्प्युट स्रोतहरू कम्प्युट स्रोतहरू क्लाउड-आधारित स्रोतहरू हुन्, जसमा तपाईं मोडेल प्रशिक्षण र डेटा अन्वेषण प्रक्रियाहरू चलाउन सक्नुहुन्छ। तपाईंले निम्न चार प्रकारका कम्प्युट स्रोतहरू सिर्जना गर्न सक्नुहुन्छ: - **कम्प्युट इन्स्ट्यान्सहरू**: विकास कार्यस्थलहरू, जसलाई डेटा वैज्ञानिकहरूले डेटा र मोडेलहरूसँग काम गर्न प्रयोग गर्न सक्छन्। यसमा भर्चुअल मेसिन (VM) सिर्जना गर्नु र नोटबुक इन्स्ट्यान्स सुरु गर्नु समावेश छ। त्यसपछि तपाईं नोटबुकबाट कम्प्युट क्लस्टरलाई कल गरेर मोडेल प्रशिक्षण गर्न सक्नुहुन्छ। - **कम्प्युट क्लस्टरहरू**: प्रयोगको लागि तयार VMs को स्केलेबल क्लस्टरहरू, जसले प्रयोग कोडको प्रयोग गरेर प्रयोगहरू चलाउन अनुमति दिन्छ। तपाईंलाई मोडेल प्रशिक्षण गर्दा यसको आवश्यकता पर्छ। कम्प्युट क्लस्टरहरूले GPU वा CPU जस्ता विशेष स्रोतहरू पनि प्रयोग गर्न सक्छन्। - **इन्फरेन्स क्लस्टरहरू**: तपाईंको प्रशिक्षित मोडेलहरू प्रयोग गर्ने भविष्यवाणी सेवाहरूको लागि परिनियोजन लक्ष्य। - **जोडिएको कम्प्युट**: Azure का विद्यमान कम्प्युट स्रोतहरू जस्तै Virtual Machines वा Azure Databricks क्लस्टरहरूलाई लिंक गर्दछ। #### 2.2.1 आफ्नो कम्प्युट स्रोतहरूको लागि सही विकल्पहरू चयन गर्ने कम्प्युट स्रोत सिर्जना गर्दा केही महत्त्वपूर्ण पक्षहरू विचार गर्नुपर्छ, र ती विकल्पहरू महत्त्वपूर्ण निर्णयहरू हुन सक्छन्। **तपाईंलाई CPU चाहिन्छ कि GPU?** CPU (Central Processing Unit) कम्प्युटर प्रोग्रामका निर्देशनहरू कार्यान्वयन गर्ने इलेक्ट्रोनिक सर्किट हो। GPU (Graphics Processing Unit) एक विशेष इलेक्ट्रोनिक सर्किट हो जसले ग्राफिक्ससँग सम्बन्धित कोडलाई उच्च दरमा कार्यान्वयन गर्न सक्छ। CPU र GPU को आर्किटेक्चरको मुख्य भिन्नता यो हो कि CPU विभिन्न प्रकारका कार्यहरू छिटो (CPU घडीको गति अनुसार मापन गरिन्छ) गर्न डिजाइन गरिएको छ, तर एकै समयमा धेरै कार्यहरू चलाउन सीमित छ। GPU समानान्तर कम्प्युटिङका लागि डिजाइन गरिएको छ र त्यसैले गहिरो सिकाइ कार्यहरूमा धेरै राम्रो छ। | CPU | GPU | |-----------------------------------------|-----------------------------| | कम महँगो | बढी महँगो | | कम स्तरको समानान्तरता | उच्च स्तरको समानान्तरता | | गहिरो सिकाइ मोडेलहरू प्रशिक्षणमा ढिलो | गहिरो सिकाइका लागि उपयुक्त | **क्लस्टर आकार** ठूला क्लस्टरहरू महँगो हुन्छन् तर राम्रो प्रतिक्रियाशीलता प्रदान गर्छन्। त्यसैले, यदि तपाईंलाई समय छ तर पर्याप्त पैसा छैन भने, सानो क्लस्टरबाट सुरु गर्नुहोस्। उल्टो, यदि तपाईंलाई पैसा छ तर धेरै समय छैन भने, ठूलो क्लस्टरबाट सुरु गर्नुहोस्। **VM आकार** तपाईंको समय र बजेटको सीमाहरूमा निर्भर गर्दै, तपाईं आफ्नो RAM, डिस्क, कोरहरूको संख्या र घडीको गति फरक पार्न सक्नुहुन्छ। यी सबै प्यारामिटरहरू बढाउँदा लागत बढ्छ, तर प्रदर्शन राम्रो हुन्छ। **समर्पित वा कम प्राथमिकता भएका इन्स्ट्यान्सहरू?** कम प्राथमिकता भएको इन्स्ट्यान्स भनेको यो बाध्यात्मक छ: मूलतः, Microsoft Azure ले ती स्रोतहरू लिन सक्छ र अर्को कार्यमा असाइन गर्न सक्छ, यसरी कामलाई बाधा पुर्‍याउँछ। समर्पित इन्स्ट्यान्स, वा गैर-बाध्यात्मक, भनेको तपाईंको अनुमति बिना काम कहिल्यै समाप्त हुनेछैन। यो समय र पैसाको अर्को विचार हो, किनकि बाध्यात्मक इन्स्ट्यान्सहरू समर्पित इन्स्ट्यान्सहरू भन्दा कम महँगो हुन्छन्। #### 2.2.2 कम्प्युट क्लस्टर सिर्जना गर्ने हामीले पहिले सिर्जना गरेको [Azure ML workspace](https://ml.azure.com/) मा जानुहोस्, कम्प्युटमा जानुहोस् र तपाईंले विभिन्न कम्प्युट स्रोतहरू देख्न सक्नुहुन्छ (जस्तै कम्प्युट इन्स्ट्यान्सहरू, कम्प्युट क्लस्टरहरू, इन्फरेन्स क्लस्टरहरू र जोडिएको कम्प्युट)। यस परियोजनाको लागि, हामीलाई मोडेल प्रशिक्षणको लागि कम्प्युट क्लस्टर आवश्यक छ। Studio मा, "Compute" मेनुमा क्लिक गर्नुहोस्, त्यसपछि "Compute cluster" ट्याबमा क्लिक गर्नुहोस् र "+ New" बटनमा क्लिक गरेर कम्प्युट क्लस्टर सिर्जना गर्नुहोस्।  1. आफ्नो विकल्पहरू चयन गर्नुहोस्: समर्पित बनाम कम प्राथमिकता, CPU वा GPU, VM आकार र कोर संख्या (यस परियोजनाको लागि डिफल्ट सेटिङहरू राख्न सक्नुहुन्छ)। 2. Next बटनमा क्लिक गर्नुहोस्।  3. क्लस्टरलाई कम्प्युट नाम दिनुहोस्। 4. आफ्नो विकल्पहरू चयन गर्नुहोस्: न्यूनतम/अधिकतम नोडहरूको संख्या, स्केल डाउन अघि निष्क्रिय सेकेन्डहरू, SSH पहुँच। ध्यान दिनुहोस् कि यदि न्यूनतम नोडहरूको संख्या 0 छ भने, क्लस्टर निष्क्रिय हुँदा तपाईं पैसा बचाउन सक्नुहुन्छ। ध्यान दिनुहोस् कि अधिकतम नोडहरूको संख्या उच्च भएमा, प्रशिक्षण छोटो हुनेछ। अधिकतम नोडहरूको सिफारिस गरिएको संख्या 3 हो। 5. "Create" बटनमा क्लिक गर्नुहोस्। यो चरण पूरा हुन केही मिनेट लाग्न सक्छ।  शानदार! अब हामीसँग कम्प्युट क्लस्टर छ, हामीलाई Azure ML Studio मा डेटा लोड गर्न आवश्यक छ। ### 2.3 डेटासेट लोड गर्ने 1. हामीले पहिले सिर्जना गरेको [Azure ML workspace](https://ml.azure.com/) मा, बायाँ मेनुमा "Datasets" मा क्लिक गर्नुहोस् र "+ Create dataset" बटनमा क्लिक गरेर डेटासेट सिर्जना गर्नुहोस्। "From local files" विकल्प चयन गर्नुहोस् र हामीले पहिले डाउनलोड गरेको Kaggle डेटासेट चयन गर्नुहोस्।  2. आफ्नो डेटासेटलाई नाम, प्रकार र विवरण दिनुहोस्। Next मा क्लिक गर्नुहोस्। फाइलहरूबाट डेटा अपलोड गर्नुहोस्। Next मा क्लिक गर्नुहोस्।  3. Schema मा, निम्न विशेषताहरूको लागि डेटा प्रकारलाई Boolean मा परिवर्तन गर्नुहोस्: anaemia, diabetes, high blood pressure, sex, smoking, र DEATH_EVENT। Next मा क्लिक गर्नुहोस् र Create मा क्लिक गर्नुहोस्।  शानदार! अब डेटासेट तयार छ र कम्प्युट क्लस्टर सिर्जना गरिएको छ, हामी मोडेलको प्रशिक्षण सुरु गर्न सक्छौं! ### 2.4 कम कोड/नो कोड प्रशिक्षण AutoML प्रयोग गरेर परम्परागत मेसिन लर्निङ मोडेल विकास स्रोत-साधनको लागि गहन हुन्छ, महत्त्वपूर्ण डोमेन ज्ञान र दर्जनौं मोडेलहरू उत्पादन र तुलना गर्न समय आवश्यक हुन्छ। स्वचालित मेसिन लर्निङ (AutoML) भनेको मेसिन लर्निङ मोडेल विकासका समय-खपत गर्ने, पुनरावृत्त कार्यहरूलाई स्वचालित बनाउने प्रक्रिया हो। यसले डेटा वैज्ञानिकहरू, विश्लेषकहरू, र विकासकर्ताहरूलाई उच्च स्केल, दक्षता, र उत्पादकता सहित ML मोडेलहरू निर्माण गर्न अनुमति दिन्छ, सबै मोडेलको गुणस्तर कायम राख्दै। यसले उत्पादन-तयार ML मोडेलहरू प्राप्त गर्न लाग्ने समयलाई कम गर्छ, ठूलो सजिलो र दक्षताका साथ। [थप जान्नुहोस्](https://docs.microsoft.com/azure/machine-learning/concept-automated-ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) 1. हामीले पहिले सिर्जना गरेको [Azure ML workspace](https://ml.azure.com/) मा, बायाँ मेनुमा "Automated ML" मा क्लिक गर्नुहोस् र तपाईंले अपलोड गरेको डेटासेट चयन गर्नुहोस्। Next मा क्लिक गर्नुहोस्।  2. नयाँ प्रयोगको नाम, लक्ष्य स्तम्भ (DEATH_EVENT) र हामीले सिर्जना गरेको कम्प्युट क्लस्टर प्रविष्ट गर्नुहोस्। Next मा क्लिक गर्नुहोस्।  3. "Classification" चयन गर्नुहोस् र Finish मा क्लिक गर्नुहोस्। यो चरण कम्प्युट क्लस्टरको आकारमा निर्भर गर्दै 30 मिनेटदेखि 1 घण्टासम्म लाग्न सक्छ।  4. रन पूरा भएपछि, "Automated ML" ट्याबमा क्लिक गर्नुहोस्, आफ्नो रनमा क्लिक गर्नुहोस्, र "Best model summary" कार्डमा Algorithm मा क्लिक गर्नुहोस्।  यहाँ तपाईं AutoML द्वारा उत्पन्न गरिएको उत्कृष्ट मोडेलको विस्तृत विवरण देख्न सक्नुहुन्छ। तपाईं अन्य मोडेलहरूलाई Models ट्याबमा अन्वेषण गर्न सक्नुहुन्छ। Explanations (preview बटन) मा मोडेलहरू अन्वेषण गर्न केही समय लिनुहोस्। एकपटक तपाईंले प्रयोग गर्न चाहेको मोडेल चयन गरेपछि (यहाँ हामी AutoML द्वारा चयन गरिएको उत्कृष्ट मोडेल चयन गर्नेछौं), हामी यसलाई कसरी तैनाथ गर्न सकिन्छ हेर्नेछौं। ## 3. कम कोड/नो कोड मोडेल तैनाथी र अन्त बिन्दु उपभोग ### 3.1 मोडेल तैनाथी स्वचालित मेसिन लर्निङ इन्टरफेसले उत्कृष्ट मोडेललाई वेब सेवाको रूपमा केही चरणहरूमा तैनाथ गर्न अनुमति दिन्छ। तैनाथी भनेको मोडेलको एकीकरण हो ताकि यसले नयाँ डेटा आधारमा भविष्यवाणी गर्न र अवसरका सम्भावित क्षेत्रहरू पहिचान गर्न सक्दछ। यस परियोजनाको लागि, वेब सेवामा तैनाथीको मतलब चिकित्सा अनुप्रयोगहरूले मोडेललाई उपभोग गर्न सक्नेछन् ताकि उनीहरूको बिरामीको हृदयघातको जोखिमको प्रत्यक्ष भविष्यवाणी गर्न सकियोस्। उत्कृष्ट मोडेलको विवरणमा, "Deploy" बटनमा क्लिक गर्नुहोस्।  15. यसलाई नाम, विवरण, कम्प्युट प्रकार (Azure Container Instance), प्रमाणीकरण सक्षम गर्नुहोस् र Deploy मा क्लिक गर्नुहोस्। यो चरण पूरा हुन लगभग 20 मिनेट लाग्न सक्छ। तैनाथी प्रक्रियामा मोडेल दर्ता गर्ने, स्रोतहरू उत्पन्न गर्ने, र वेब सेवाको लागि तिनीहरूलाई कन्फिगर गर्ने चरणहरू समावेश छन्। Deploy स्थिति अन्तर्गत एक स्थिति सन्देश देखा पर्दछ। तैनाथी स्थिति जाँच गर्न Refresh चयन गर्नुहोस्। स्थिति "Healthy" हुँदा यो तैनाथ गरिएको र चलिरहेको हुन्छ।  16. एकपटक तैनाथ भएपछि, Endpoint ट्याबमा क्लिक गर्नुहोस् र तपाईंले तैनाथ गरेको अन्त बिन्दुमा क्लिक गर्नुहोस्। यहाँ तपाईं अन्त बिन्दुका बारेमा जान्न आवश्यक सबै विवरणहरू पाउन सक्नुहुन्छ।  शानदार! अब हामीसँग मोडेल तैनाथ गरिएको छ, हामी अन्त बिन्दुको उपभोग सुरु गर्न सक्छौं। ### 3.2 अन्त बिन्दु उपभोग "Consume" ट्याबमा क्लिक गर्नुहोस्। यहाँ तपाईं उपभोग विकल्पमा REST अन्त बिन्दु र एक Python स्क्रिप्ट पाउन सक्नुहुन्छ। Python कोडलाई पढ्न केही समय लिनुहोस्। यो स्क्रिप्ट तपाईंको स्थानीय मेसिनबाट सिधै चलाउन सकिन्छ र तपाईंको अन्त बिन्दु उपभोग गर्नेछ।  यी दुई लाइनहरू हेर्न केही समय लिनुहोस्: ```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` भेरिएबल उपभोग ट्याबमा फेला परेको REST अन्त बिन्दु हो र `api_key` भेरिएबल प्राथमिक कुञ्जी हो जुन उपभोग ट्याबमा पनि फेला परेको छ (केवल तपाईंले प्रमाणीकरण सक्षम गरेको अवस्थामा)। यसरी स्क्रिप्टले अन्त बिन्दु उपभोग गर्न सक्छ। 18. स्क्रिप्ट चलाउँदा, तपाईंले निम्न आउटपुट देख्नुहुनेछ: ```python b'"{\\"result\\": [true]}"' ``` यसको मतलब दिएको डेटा अनुसार हृदय विफलताको भविष्यवाणी सत्य हो। यो अर्थपूर्ण छ किनभने यदि तपाईं स्क्रिप्टमा स्वतः उत्पन्न गरिएको डेटा नजिकबाट हेर्नुहुन्छ भने, सबै कुरा डिफल्ट रूपमा 0 र false मा छ। तपाईं निम्न इनपुट नमूनाको साथ डेटा परिवर्तन गर्न सक्नुहुन्छ: ```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", }, ], } ``` स्क्रिप्टले निम्न परिणाम फर्काउनु पर्छ: ```python b'"{\\"result\\": [true, false]}"' ``` बधाई छ! तपाईंले तैनाथ गरिएको मोडेल उपभोग गर्नुभयो र यसलाई Azure ML मा प्रशिक्षण गर्नुभयो! > **_NOTE:_** परियोजना समाप्त भएपछि, सबै स्रोतहरू मेट्न नबिर्सनुहोस्। ## 🚀 चुनौती AutoML द्वारा उत्पन्न शीर्ष मोडेलहरूको मोडेल व्याख्या र विवरणलाई नजिकबाट हेर्नुहोस्। उत्कृष्ट मोडेल अन्य मोडेलहरू भन्दा किन राम्रो छ भन्ने बुझ्ने प्रयास गर्नुहोस्। कुन एल्गोरिदमहरू तुलना गरिएका थिए? तिनीहरू बीच के भिन्नता छन्? यस अवस्थामा उत्कृष्ट मोडेल किन राम्रो प्रदर्शन गर्दैछ? ## [पोस्ट-व्याख्यान क्विज](https://ff-quizzes.netlify.app/en/ds/quiz/35) ## समीक्षा र आत्म अध्ययन यस पाठमा, तपाईंले हृदय विफलताको जोखिमको भविष्यवाणी गर्न मोडेललाई प्रशिक्षण, तैनाथ र उपभोग गर्ने तरिका सिक्नुभयो, कम कोड/नो कोड शैलीमा क्लाउडमा। यदि तपाईंले अझै गर्नुभएको छैन भने, AutoML द्वारा उत्पन्न मोडेल व्याख्यामा गहिरो डुब्नुहोस् र उत्कृष्ट मोडेल अन्य मोडेलहरू भन्दा किन राम्रो छ भन्ने बुझ्ने प्रयास गर्नुहोस्। Low code/No code AutoML मा थप जान्नको लागि, यो [डकुमेन्टेशन](https://docs.microsoft.com/azure/machine-learning/tutorial-first-experiment-automated-ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) पढ्न सक्नुहुन्छ। ## असाइनमेन्ट [Low code/No code Data Science project on Azure ML](assignment.md) --- **अस्वीकरण**: यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।