Data-Science-For-Beginners/translations/de/5-Data-Science-In-Cloud/18-Low-Code/README.md

<!--
CO_OP_TRANSLATOR_METADATA:
{
  "original_hash": "bd4da10766c64fce4294a98f6479dfb0",
  "translation_date": "2025-09-05T13:48:31+00:00",
  "source_file": "5-Data-Science-In-Cloud/18-Low-Code/README.md",
  "language_code": "de"
}
-->
# Data Science in der Cloud: Der "Low Code/No Code"-Ansatz

|![ Sketchnote von [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/18-DataScience-Cloud.png)|
|:---:|
| Data Science in der Cloud: Low Code - _Sketchnote von [@nitya](https://twitter.com/nitya)_ |

Inhaltsverzeichnis:

- [Data Science in der Cloud: Der "Low Code/No Code"-Ansatz](../../../../5-Data-Science-In-Cloud/18-Low-Code)
  - [Quiz vor der Vorlesung](../../../../5-Data-Science-In-Cloud/18-Low-Code)
  - [1. Einführung](../../../../5-Data-Science-In-Cloud/18-Low-Code)
    - [1.1 Was ist Azure Machine Learning?](../../../../5-Data-Science-In-Cloud/18-Low-Code)
    - [1.2 Das Herzinsuffizienz-Vorhersageprojekt:](../../../../5-Data-Science-In-Cloud/18-Low-Code)
    - [1.3 Der Herzinsuffizienz-Datensatz:](../../../../5-Data-Science-In-Cloud/18-Low-Code)
  - [2. Low Code/No Code-Modelltraining in Azure ML Studio](../../../../5-Data-Science-In-Cloud/18-Low-Code)
    - [2.1 Erstellen eines Azure ML-Arbeitsbereichs](../../../../5-Data-Science-In-Cloud/18-Low-Code)
    - [2.2 Rechenressourcen](../../../../5-Data-Science-In-Cloud/18-Low-Code)
      - [2.2.1 Die richtigen Optionen für Ihre Rechenressourcen auswählen](../../../../5-Data-Science-In-Cloud/18-Low-Code)
      - [2.2.2 Erstellen eines Rechenclusters](../../../../5-Data-Science-In-Cloud/18-Low-Code)
    - [2.3 Laden des Datensatzes](../../../../5-Data-Science-In-Cloud/18-Low-Code)
    - [2.4 Low Code/No Code-Training mit AutoML](../../../../5-Data-Science-In-Cloud/18-Low-Code)
  - [3. Low Code/No Code-Modellbereitstellung und Endpunktnutzung](../../../../5-Data-Science-In-Cloud/18-Low-Code)
    - [3.1 Modellbereitstellung](../../../../5-Data-Science-In-Cloud/18-Low-Code)
    - [3.2 Endpunktnutzung](../../../../5-Data-Science-In-Cloud/18-Low-Code)
  - [🚀 Herausforderung](../../../../5-Data-Science-In-Cloud/18-Low-Code)
  - [Quiz nach der Vorlesung](../../../../5-Data-Science-In-Cloud/18-Low-Code)
  - [Überblick & Selbststudium](../../../../5-Data-Science-In-Cloud/18-Low-Code)
  - [Aufgabe](../../../../5-Data-Science-In-Cloud/18-Low-Code)

## [Quiz vor der Vorlesung](https://ff-quizzes.netlify.app/en/ds/quiz/34)

## 1. Einführung
### 1.1 Was ist Azure Machine Learning?

Die Azure-Cloud-Plattform umfasst mehr als 200 Produkte und Cloud-Dienste, die Ihnen helfen, neue Lösungen zu entwickeln. Datenwissenschaftler investieren viel Zeit in die Erkundung und Vorverarbeitung von Daten sowie in das Testen verschiedener Modelltrainingsalgorithmen, um präzise Modelle zu erstellen. Diese Aufgaben sind zeitaufwändig und führen oft zu einer ineffizienten Nutzung teurer Rechenressourcen.

[Azure ML](https://docs.microsoft.com/azure/machine-learning/overview-what-is-azure-machine-learning?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) ist eine cloudbasierte Plattform für den Aufbau und Betrieb von Machine-Learning-Lösungen in Azure. Sie bietet eine Vielzahl von Funktionen, die Datenwissenschaftler bei der Datenvorbereitung, dem Modelltraining, der Veröffentlichung von Vorhersagediensten und der Überwachung ihrer Nutzung unterstützen. Besonders wichtig ist, dass sie die Effizienz steigert, indem viele zeitaufwändige Aufgaben beim Modelltraining automatisiert werden. Zudem ermöglicht sie die Nutzung skalierbarer Cloud-Ressourcen, um große Datenmengen zu verarbeiten und Kosten nur bei tatsächlicher Nutzung zu verursachen.

Azure ML bietet alle Werkzeuge, die Entwickler und Datenwissenschaftler für ihre Machine-Learning-Workflows benötigen, darunter:

- **Azure Machine Learning Studio**: Ein Webportal in Azure Machine Learning für Low-Code- und No-Code-Optionen für Modelltraining, Bereitstellung, Automatisierung, Nachverfolgung und Asset-Management. Das Studio integriert sich nahtlos mit dem Azure Machine Learning SDK.
- **Jupyter Notebooks**: Schnelles Prototyping und Testen von ML-Modellen.
- **Azure Machine Learning Designer**: Ermöglicht das Drag-and-Drop von Modulen, um Experimente zu erstellen und Pipelines in einer Low-Code-Umgebung bereitzustellen.
- **Automatisierte Machine Learning-Oberfläche (AutoML)**: Automatisiert iterative Aufgaben der Modellentwicklung und ermöglicht die Erstellung von ML-Modellen mit hoher Skalierbarkeit, Effizienz und Produktivität bei gleichbleibender Modellqualität.
- **Daten-Labeling**: Ein unterstütztes ML-Tool zur automatischen Datenkennzeichnung.
- **Machine Learning-Erweiterung für Visual Studio Code**: Bietet eine vollständige Entwicklungsumgebung für den Aufbau und die Verwaltung von ML-Projekten.
- **Machine Learning CLI**: Bietet Befehle zur Verwaltung von Azure ML-Ressourcen über die Befehlszeile.
- **Integration mit Open-Source-Frameworks** wie PyTorch, TensorFlow, Scikit-learn und vielen anderen für das Training, die Bereitstellung und das Management des gesamten Machine-Learning-Prozesses.
- **MLflow**: Eine Open-Source-Bibliothek zur Verwaltung des Lebenszyklus Ihrer Machine-Learning-Experimente. **MLFlow Tracking** ist eine Komponente von MLflow, die Ihre Trainingslaufmetriken und Modellartefakte unabhängig von der Umgebung Ihres Experiments protokolliert und nachverfolgt.

### 1.2 Das Herzinsuffizienz-Vorhersageprojekt:

Es besteht kein Zweifel, dass das Erstellen und Entwickeln von Projekten der beste Weg ist, um Ihre Fähigkeiten und Ihr Wissen zu testen. In dieser Lektion werden wir zwei verschiedene Ansätze zur Erstellung eines Data-Science-Projekts zur Vorhersage von Herzinsuffizienz in Azure ML Studio untersuchen: den Low Code/No Code-Ansatz und die Nutzung des Azure ML SDK, wie im folgenden Schema dargestellt:

![Projekt-Schema](../../../../5-Data-Science-In-Cloud/18-Low-Code/images/project-schema.PNG)

Jeder Ansatz hat seine eigenen Vor- und Nachteile. Der Low Code/No Code-Ansatz ist einfacher zu starten, da er die Interaktion mit einer grafischen Benutzeroberfläche (GUI) erfordert und keine Vorkenntnisse in der Programmierung notwendig sind. Diese Methode ermöglicht schnelles Testen der Projektumsetzbarkeit und die Erstellung eines Proof of Concept (POC). Wenn das Projekt jedoch wächst und produktionsreif werden soll, ist es nicht praktikabel, Ressourcen über die GUI zu erstellen. Hier wird es entscheidend, das Azure ML SDK zu beherrschen, um alles programmatisch zu automatisieren – von der Ressourcenerstellung bis zur Modellbereitstellung.

|                   | Low Code/No Code | Azure ML SDK              |
|-------------------|------------------|---------------------------|
| Code-Kenntnisse   | Nicht erforderlich | Erforderlich              |
| Entwicklungszeit  | Schnell und einfach | Abhängig von Code-Kenntnissen |
| Produktionsreife  | Nein               | Ja                       |

### 1.3 Der Herzinsuffizienz-Datensatz:

Kardiovaskuläre Erkrankungen (CVDs) sind weltweit die häufigste Todesursache und machen 31 % aller Todesfälle aus. Umwelt- und Verhaltensrisikofaktoren wie Tabakkonsum, ungesunde Ernährung und Fettleibigkeit, körperliche Inaktivität und schädlicher Alkoholkonsum könnten als Merkmale für Schätzmodelle verwendet werden. Die Fähigkeit, die Wahrscheinlichkeit der Entwicklung einer CVD abzuschätzen, könnte von großem Nutzen sein, um Angriffe bei Hochrisikopersonen zu verhindern.

Kaggle hat einen [Herzinsuffizienz-Datensatz](https://www.kaggle.com/andrewmvd/heart-failure-clinical-data) öffentlich zugänglich gemacht, den wir für dieses Projekt verwenden werden. Sie können den Datensatz jetzt herunterladen. Es handelt sich um einen tabellarischen Datensatz mit 13 Spalten (12 Merkmale und 1 Zielvariable) und 299 Zeilen.

|    | Variablenname             | Typ            | Beschreibung                                               | Beispiel           |
|----|---------------------------|----------------|-----------------------------------------------------------|-------------------|
| 1  | age                       | numerisch      | Alter des Patienten                                       | 25                |
| 2  | anaemia                   | boolean        | Abnahme der roten Blutkörperchen oder des Hämoglobins     | 0 oder 1          |
| 3  | creatinine_phosphokinase  | numerisch      | CPK-Enzymspiegel im Blut                                  | 542               |
| 4  | diabetes                  | boolean        | Ob der Patient Diabetes hat                               | 0 oder 1          |
| 5  | ejection_fraction         | numerisch      | Prozentsatz des Blutes, das bei jeder Kontraktion das Herz verlässt | 45                |
| 6  | high_blood_pressure       | boolean        | Ob der Patient Bluthochdruck hat                         | 0 oder 1          |
| 7  | platelets                 | numerisch      | Blutplättchen im Blut                                     | 149000            |
| 8  | serum_creatinine          | numerisch      | Serumkreatininspiegel im Blut                            | 0.5               |
| 9  | serum_sodium              | numerisch      | Serumnatriumspiegel im Blut                              | jun               |
| 10 | sex                       | boolean        | Frau oder Mann                                            | 0 oder 1          |
| 11 | smoking                   | boolean        | Ob der Patient raucht                                     | 0 oder 1          |
| 12 | time                      | numerisch      | Nachbeobachtungszeitraum (Tage)                          | 4                 |
|----|---------------------------|----------------|-----------------------------------------------------------|-------------------|
| 21 | DEATH_EVENT [Ziel]        | boolean        | Ob der Patient während des Nachbeobachtungszeitraums stirbt | 0 oder 1          |

Sobald Sie den Datensatz haben, können wir mit dem Projekt in Azure beginnen.

## 2. Low Code/No Code-Modelltraining in Azure ML Studio
### 2.1 Erstellen eines Azure ML-Arbeitsbereichs
Um ein Modell in Azure ML zu trainieren, müssen Sie zunächst einen Azure ML-Arbeitsbereich erstellen. Der Arbeitsbereich ist die oberste Ressource für Azure Machine Learning und bietet einen zentralen Ort, um mit allen Artefakten zu arbeiten, die Sie bei der Nutzung von Azure Machine Learning erstellen. Der Arbeitsbereich führt eine Historie aller Trainingsläufe, einschließlich Protokollen, Metriken, Ausgaben und einer Momentaufnahme Ihrer Skripte. Diese Informationen können Sie nutzen, um zu bestimmen, welcher Trainingslauf das beste Modell liefert. [Erfahren Sie mehr](https://docs.microsoft.com/azure/machine-learning/concept-workspace?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109)

Es wird empfohlen, den aktuellsten Browser zu verwenden, der mit Ihrem Betriebssystem kompatibel ist. Die folgenden Browser werden unterstützt:

- Microsoft Edge (Die neue Version von Microsoft Edge, nicht die Legacy-Version)
- Safari (neueste Version, nur Mac)
- Chrome (neueste Version)
- Firefox (neueste Version)

Um Azure Machine Learning zu nutzen, erstellen Sie einen Arbeitsbereich in Ihrem Azure-Abonnement. Sie können diesen Arbeitsbereich dann verwenden, um Daten, Rechenressourcen, Code, Modelle und andere Artefakte zu verwalten, die mit Ihren Machine-Learning-Workloads zusammenhängen.

> **_HINWEIS:_** Ihr Azure-Abonnement wird für die Datenspeicherung geringfügig belastet, solange der Azure Machine Learning-Arbeitsbereich in Ihrem Abonnement existiert. Daher empfehlen wir, den Arbeitsbereich zu löschen, wenn Sie ihn nicht mehr verwenden.

1. Melden Sie sich im [Azure-Portal](https://ms.portal.azure.com/) mit den Microsoft-Anmeldedaten an, die mit Ihrem Azure-Abonnement verknüpft sind.
2. Wählen Sie **＋Ressource erstellen** aus.
   
   ![workspace-1](../../../../5-Data-Science-In-Cloud/18-Low-Code/images/workspace-1.PNG)

   Suchen Sie nach Machine Learning und wählen Sie die Machine Learning-Kachel aus.

   ![workspace-2](../../../../5-Data-Science-In-Cloud/18-Low-Code/images/workspace-2.PNG)

   Klicken Sie auf die Schaltfläche "Erstellen".

   ![workspace-3](../../../../5-Data-Science-In-Cloud/18-Low-Code/images/workspace-3.PNG)

   Füllen Sie die Einstellungen wie folgt aus:
   - Abonnement: Ihr Azure-Abonnement
   - Ressourcengruppe: Erstellen oder wählen Sie eine Ressourcengruppe aus
   - Arbeitsbereichsname: Geben Sie einen eindeutigen Namen für Ihren Arbeitsbereich ein
   - Region: Wählen Sie die geografische Region, die Ihnen am nächsten liegt
   - Speicherkonto: Beachten Sie das standardmäßig neue Speicherkonto, das für Ihren Arbeitsbereich erstellt wird
   - Schlüsseltresor: Beachten Sie den standardmäßig neuen Schlüsseltresor, der für Ihren Arbeitsbereich erstellt wird
   - Application Insights: Beachten Sie die standardmäßig neue Application Insights-Ressource, die für Ihren Arbeitsbereich erstellt wird
   - Container-Registry: Keine (eine wird automatisch erstellt, wenn Sie zum ersten Mal ein Modell in einem Container bereitstellen)

    ![workspace-4](../../../../5-Data-Science-In-Cloud/18-Low-Code/images/workspace-4.PNG)

   - Klicken Sie auf "Erstellen + Überprüfen" und anschließend auf die Schaltfläche "Erstellen".
3. Warten Sie, bis Ihr Arbeitsbereich erstellt wurde (dies kann einige Minuten dauern). Gehen Sie dann im Portal zu Ihrem Arbeitsbereich. Sie finden ihn über den Azure Machine Learning-Dienst.
4. Auf der Übersichtsseite Ihres Arbeitsbereichs starten Sie Azure Machine Learning Studio (oder öffnen Sie einen neuen Browser-Tab und navigieren Sie zu https://ml.azure.com), und melden Sie sich mit Ihrem Microsoft-Konto bei Azure Machine Learning Studio an. Falls erforderlich, wählen Sie Ihr Azure-Verzeichnis und -Abonnement sowie Ihren Azure Machine Learning-Arbeitsbereich aus.
   
![workspace-5](../../../../5-Data-Science-In-Cloud/18-Low-Code/images/workspace-5.PNG)

5. In Azure Machine Learning Studio können Sie über das ☰-Symbol oben links die verschiedenen Seiten der Benutzeroberfläche aufrufen. Diese Seiten können Sie nutzen, um die Ressourcen in Ihrem Arbeitsbereich zu verwalten.

![workspace-6](../../../../5-Data-Science-In-Cloud/18-Low-Code/images/workspace-6.PNG)

Sie können Ihren Arbeitsbereich über das Azure-Portal verwalten, aber für Datenwissenschaftler und Machine-Learning-Operations-Ingenieure bietet Azure Machine Learning Studio eine fokussiertere Benutzeroberfläche zur Verwaltung von Arbeitsbereichsressourcen.

### 2.2 Rechenressourcen

Rechenressourcen sind cloudbasierte Ressourcen, auf denen Sie Modelltrainings- und Datenexplorationsprozesse ausführen können. Es gibt vier Arten von Rechenressourcen, die Sie erstellen können:

- **Compute Instances**: Entwicklungsarbeitsplätze, die Datenwissenschaftler nutzen können, um mit Daten und Modellen zu arbeiten. Dies umfasst die Erstellung einer virtuellen Maschine (VM) und das Starten einer Notebook-Instanz. Sie können dann ein Modell trainieren, indem Sie einen Rechencluster aus dem Notebook aufrufen.
- **Compute Clusters**: Skalierbare Cluster von VMs für die bedarfsgerechte Verarbeitung von Experimentcode. Sie benötigen diese, wenn Sie ein Modell trainieren. Compute-Cluster können auch spezialisierte GPU- oder CPU-Ressourcen nutzen.
- **Inference Clusters**: Bereitstellungsziele für Vorhersagedienste, die Ihre trainierten Modelle verwenden.
- **Angehängte Compute-Ressourcen**: Verknüpft mit bestehenden Azure-Compute-Ressourcen, wie z. B. virtuellen Maschinen oder Azure-Databricks-Clustern.

#### 2.2.1 Die richtigen Optionen für Ihre Compute-Ressourcen auswählen

Einige wichtige Faktoren sollten bei der Erstellung einer Compute-Ressource berücksichtigt werden, da diese Entscheidungen entscheidend sein können.

**Benötigen Sie eine CPU oder GPU?**

Eine CPU (Central Processing Unit) ist die elektronische Schaltung, die Anweisungen eines Computerprogramms ausführt. Eine GPU (Graphics Processing Unit) ist eine spezialisierte elektronische Schaltung, die grafikbezogenen Code mit sehr hoher Geschwindigkeit ausführen kann.

Der Hauptunterschied zwischen der Architektur von CPU und GPU besteht darin, dass eine CPU darauf ausgelegt ist, eine Vielzahl von Aufgaben schnell zu erledigen (gemessen an der CPU-Taktfrequenz), jedoch in der Anzahl der gleichzeitig laufenden Aufgaben begrenzt ist. GPUs hingegen sind für paralleles Rechnen ausgelegt und daher viel besser für Aufgaben des Deep Learnings geeignet.

| CPU                                     | GPU                         |
|-----------------------------------------|-----------------------------|
| Günstiger                               | Teurer                     |
| Geringeres Maß an Parallelität          | Höheres Maß an Parallelität |
| Langsamer beim Trainieren von Deep-Learning-Modellen | Optimal für Deep Learning   |

**Clustergröße**

Größere Cluster sind teurer, bieten jedoch eine bessere Reaktionsfähigkeit. Wenn Sie also Zeit, aber wenig Geld haben, sollten Sie mit einem kleinen Cluster beginnen. Umgekehrt sollten Sie bei mehr Budget, aber wenig Zeit mit einem größeren Cluster starten.

**VM-Größe**

Abhängig von Ihren zeitlichen und finanziellen Einschränkungen können Sie die Größe von RAM, Festplatte, Anzahl der Kerne und Taktfrequenz variieren. Das Erhöhen all dieser Parameter ist teurer, führt jedoch zu einer besseren Leistung.

**Dedizierte oder Low-Priority-Instanzen?**

Eine Low-Priority-Instanz bedeutet, dass sie unterbrechbar ist: Microsoft Azure kann diese Ressourcen für eine andere Aufgabe verwenden und somit einen Job unterbrechen. Eine dedizierte Instanz, also nicht unterbrechbar, bedeutet, dass der Job niemals ohne Ihre Zustimmung beendet wird. Dies ist eine weitere Überlegung im Hinblick auf Zeit vs. Geld, da unterbrechbare Instanzen günstiger sind als dedizierte.

#### 2.2.2 Erstellen eines Compute-Clusters

Im [Azure ML-Arbeitsbereich](https://ml.azure.com/), den wir zuvor erstellt haben, gehen Sie zu "Compute", und Sie können die verschiedenen Compute-Ressourcen sehen, die wir gerade besprochen haben (z. B. Compute-Instanzen, Compute-Cluster, Inferenz-Cluster und angehängte Compute-Ressourcen). Für dieses Projekt benötigen wir einen Compute-Cluster für das Modelltraining. Klicken Sie im Studio auf das Menü "Compute", dann auf den Tab "Compute-Cluster" und klicken Sie auf die Schaltfläche "+ Neu", um einen Compute-Cluster zu erstellen.

![22](../../../../5-Data-Science-In-Cloud/18-Low-Code/images/cluster-1.PNG)

1. Wählen Sie Ihre Optionen: Dediziert vs. Low Priority, CPU oder GPU, VM-Größe und Anzahl der Kerne (Sie können die Standardeinstellungen für dieses Projekt beibehalten).
2. Klicken Sie auf die Schaltfläche "Weiter".

![23](../../../../5-Data-Science-In-Cloud/18-Low-Code/images/cluster-2.PNG)

3. Geben Sie dem Cluster einen Namen.
4. Wählen Sie Ihre Optionen: Minimale/maximale Anzahl von Knoten, Leerlaufsekunden vor dem Herunterskalieren, SSH-Zugriff. Beachten Sie, dass Sie Geld sparen, wenn die minimale Anzahl von Knoten 0 beträgt und der Cluster im Leerlauf ist. Beachten Sie, dass eine höhere maximale Anzahl von Knoten zu kürzeren Trainingszeiten führt. Die empfohlene maximale Anzahl von Knoten beträgt 3.
5. Klicken Sie auf die Schaltfläche "Erstellen". Dieser Schritt kann einige Minuten dauern.

![29](../../../../5-Data-Science-In-Cloud/18-Low-Code/images/cluster-3.PNG)

Super! Jetzt, da wir einen Compute-Cluster haben, müssen wir die Daten in Azure ML Studio laden.

### 2.3 Laden des Datensatzes

1. Klicken Sie im [Azure ML-Arbeitsbereich](https://ml.azure.com/), den wir zuvor erstellt haben, im linken Menü auf "Datasets" und dann auf die Schaltfläche "+ Dataset erstellen", um einen Datensatz zu erstellen. Wählen Sie die Option "Von lokalen Dateien" und wählen Sie den zuvor heruntergeladenen Kaggle-Datensatz aus.

   ![24](../../../../5-Data-Science-In-Cloud/18-Low-Code/images/dataset-1.PNG)

2. Geben Sie Ihrem Datensatz einen Namen, einen Typ und eine Beschreibung. Klicken Sie auf "Weiter". Laden Sie die Daten aus den Dateien hoch. Klicken Sie auf "Weiter".

   ![25](../../../../5-Data-Science-In-Cloud/18-Low-Code/images/dataset-2.PNG)

3. Ändern Sie im Schema den Datentyp für die folgenden Merkmale in Boolean: anaemia, diabetes, high blood pressure, sex, smoking und DEATH_EVENT. Klicken Sie auf "Weiter" und dann auf "Erstellen".

   ![26](../../../../5-Data-Science-In-Cloud/18-Low-Code/images/dataset-3.PNG)

Großartig! Jetzt, da der Datensatz vorhanden ist und der Compute-Cluster erstellt wurde, können wir mit dem Training des Modells beginnen!

### 2.4 Low-Code/No-Code-Training mit AutoML

Die Entwicklung traditioneller Machine-Learning-Modelle ist ressourcenintensiv, erfordert umfangreiches Fachwissen und viel Zeit, um Dutzende von Modellen zu erstellen und zu vergleichen. Automatisiertes maschinelles Lernen (AutoML) ist der Prozess der Automatisierung der zeitaufwändigen, iterativen Aufgaben bei der Entwicklung von Machine-Learning-Modellen. Es ermöglicht Datenwissenschaftlern, Analysten und Entwicklern, ML-Modelle mit hoher Skalierbarkeit, Effizienz und Produktivität zu erstellen, während die Modellqualität erhalten bleibt. Es reduziert die Zeit, die benötigt wird, um produktionsreife ML-Modelle zu erstellen, und das mit großer Leichtigkeit und Effizienz. [Erfahren Sie mehr](https://docs.microsoft.com/azure/machine-learning/concept-automated-ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109)

1. Klicken Sie im [Azure ML-Arbeitsbereich](https://ml.azure.com/), den wir zuvor erstellt haben, im linken Menü auf "Automated ML" und wählen Sie den gerade hochgeladenen Datensatz aus. Klicken Sie auf "Weiter".

   ![27](../../../../5-Data-Science-In-Cloud/18-Low-Code/images/aml-1.PNG)

2. Geben Sie einen neuen Experimentnamen, die Zielspalte (DEATH_EVENT) und den erstellten Compute-Cluster ein. Klicken Sie auf "Weiter".

   ![28](../../../../5-Data-Science-In-Cloud/18-Low-Code/images/aml-2.PNG)

3. Wählen Sie "Klassifikation" und klicken Sie auf "Fertigstellen". Dieser Schritt kann je nach Größe Ihres Compute-Clusters zwischen 30 Minuten und 1 Stunde dauern.

   ![30](../../../../5-Data-Science-In-Cloud/18-Low-Code/images/aml-3.PNG)

4. Sobald der Lauf abgeschlossen ist, klicken Sie auf den Tab "Automated ML", dann auf Ihren Lauf und anschließend auf den Algorithmus in der Karte "Best model summary".

   ![31](../../../../5-Data-Science-In-Cloud/18-Low-Code/images/aml-4.PNG)

Hier können Sie eine detaillierte Beschreibung des besten Modells sehen, das AutoML generiert hat. Sie können auch andere Modelle im Tab "Models" erkunden. Nehmen Sie sich ein paar Minuten Zeit, um die Modelle in der Vorschau der Erklärungen zu untersuchen. Sobald Sie das Modell ausgewählt haben, das Sie verwenden möchten (hier wählen wir das von AutoML ausgewählte beste Modell), sehen wir, wie wir es bereitstellen können.

## 3. Low-Code/No-Code-Modellbereitstellung und Endpunktnutzung
### 3.1 Modellbereitstellung

Die automatisierte Machine-Learning-Oberfläche ermöglicht es Ihnen, das beste Modell in wenigen Schritten als Webdienst bereitzustellen. Die Bereitstellung ist die Integration des Modells, sodass es Vorhersagen basierend auf neuen Daten treffen und potenzielle Chancen identifizieren kann. Für dieses Projekt bedeutet die Bereitstellung als Webdienst, dass medizinische Anwendungen das Modell nutzen können, um Live-Vorhersagen über das Risiko ihrer Patienten für einen Herzinfarkt zu treffen.

Klicken Sie in der Beschreibung des besten Modells auf die Schaltfläche "Bereitstellen".

![deploy-1](../../../../5-Data-Science-In-Cloud/18-Low-Code/images/deploy-1.PNG)

15. Geben Sie einen Namen, eine Beschreibung, den Computetyp (Azure Container Instance) ein, aktivieren Sie die Authentifizierung und klicken Sie auf "Bereitstellen". Dieser Schritt kann etwa 20 Minuten dauern. Der Bereitstellungsprozess umfasst mehrere Schritte, darunter die Registrierung des Modells, die Generierung von Ressourcen und deren Konfiguration für den Webdienst. Eine Statusmeldung erscheint unter "Bereitstellungsstatus". Wählen Sie regelmäßig "Aktualisieren", um den Bereitstellungsstatus zu überprüfen. Es ist bereitgestellt und läuft, wenn der Status "Healthy" lautet.

![deploy-2](../../../../5-Data-Science-In-Cloud/18-Low-Code/images/deploy-2.PNG)

16. Sobald es bereitgestellt wurde, klicken Sie auf den Tab "Endpoint" und dann auf den gerade bereitgestellten Endpunkt. Hier finden Sie alle Details, die Sie über den Endpunkt wissen müssen.

![deploy-3](../../../../5-Data-Science-In-Cloud/18-Low-Code/images/deploy-3.PNG)

Fantastisch! Jetzt, da wir ein Modell bereitgestellt haben, können wir mit der Nutzung des Endpunkts beginnen.

### 3.2 Nutzung des Endpunkts

Klicken Sie auf den Tab "Consume". Hier finden Sie den REST-Endpunkt und ein Python-Skript in der Verbrauchsoption. Nehmen Sie sich Zeit, um den Python-Code zu lesen.

Dieses Skript kann direkt von Ihrem lokalen Rechner aus ausgeführt werden und wird Ihren Endpunkt nutzen.

![35](../../../../5-Data-Science-In-Cloud/18-Low-Code/images/consumption-1.PNG)

Schauen Sie sich diese zwei Codezeilen genauer an:

```python
url = 'http://98e3715f-xxxx-xxxx-xxxx-9ec22d57b796.centralus.azurecontainer.io/score'
api_key = '' # Replace this with the API key for the web service
```  
Die Variable `url` ist der REST-Endpunkt, der im Tab "Consume" zu finden ist, und die Variable `api_key` ist der primäre Schlüssel, der ebenfalls im Tab "Consume" zu finden ist (nur, wenn Sie die Authentifizierung aktiviert haben). So kann das Skript den Endpunkt nutzen.

18. Wenn Sie das Skript ausführen, sollten Sie die folgende Ausgabe sehen:  
    ```python
    b'"{\\"result\\": [true]}"'
    ```  
Das bedeutet, dass die Vorhersage eines Herzversagens für die angegebenen Daten wahr ist. Das ergibt Sinn, da bei genauerer Betrachtung der automatisch im Skript generierten Daten standardmäßig alles auf 0 und falsch gesetzt ist. Sie können die Daten mit der folgenden Eingabebeispieldatei ändern:

```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",
        },
    ],
}
```  
Das Skript sollte Folgendes zurückgeben:  
    ```python
    b'"{\\"result\\": [true, false]}"'
    ```  

Herzlichen Glückwunsch! Sie haben das bereitgestellte Modell genutzt und es in Azure ML trainiert!

> **_HINWEIS:_** Sobald Sie mit dem Projekt fertig sind, vergessen Sie nicht, alle Ressourcen zu löschen.

## 🚀 Herausforderung

Schauen Sie sich die Modellerklärungen und Details genauer an, die AutoML für die besten Modelle generiert hat. Versuchen Sie zu verstehen, warum das beste Modell besser ist als die anderen. Welche Algorithmen wurden verglichen? Was sind die Unterschiede zwischen ihnen? Warum ist das beste Modell in diesem Fall leistungsfähiger?

## [Quiz nach der Vorlesung](https://ff-quizzes.netlify.app/en/ds/quiz/35)

## Rückblick & Selbststudium

In dieser Lektion haben Sie gelernt, wie Sie ein Modell zur Vorhersage des Herzinfarktrisikos in einer Low-Code/No-Code-Umgebung in der Cloud trainieren, bereitstellen und nutzen können. Wenn Sie es noch nicht getan haben, tauchen Sie tiefer in die Modellerklärungen ein, die AutoML für die besten Modelle generiert hat, und versuchen Sie zu verstehen, warum das beste Modell besser ist als die anderen.

Sie können noch tiefer in Low-Code/No-Code-AutoML eintauchen, indem Sie diese [Dokumentation](https://docs.microsoft.com/azure/machine-learning/tutorial-first-experiment-automated-ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) lesen.

## Aufgabe

[Low-Code/No-Code Data Science Projekt auf Azure ML](assignment.md)

---

**Haftungsausschluss**:  
Dieses Dokument wurde mit dem KI-Übersetzungsdienst [Co-op Translator](https://github.com/Azure/co-op-translator) übersetzt. Obwohl wir uns um Genauigkeit bemühen, beachten Sie bitte, dass automatisierte Übersetzungen Fehler oder Ungenauigkeiten enthalten können. Das Originaldokument in seiner ursprünglichen Sprache sollte als maßgebliche Quelle betrachtet werden. Für kritische Informationen wird eine professionelle menschliche Übersetzung empfohlen. Wir übernehmen keine Haftung für Missverständnisse oder Fehlinterpretationen, die sich aus der Nutzung dieser Übersetzung ergeben.