History

leestott ddda89c203 🌐 Update translations via Co-op Translator		2 weeks ago
..
README.md	🌐 Update translations via Co-op Translator	2 weeks ago
assignment.md	🌐 Update translations via Co-op Translator	4 weeks ago

علم داده در فضای ابری: روش "کدنویسی کم/بدون کدنویسی"


علم داده در فضای ابری: کدنویسی کم - طرح‌نگاری توسط @nitya

فهرست مطالب:

علم داده در فضای ابری: روش "کدنویسی کم/بدون کدنویسی"

1. مقدمه

1.1 Azure Machine Learning چیست؟

پلتفرم ابری Azure شامل بیش از 200 محصول و خدمات ابری است که برای کمک به شما در ایجاد راه‌حل‌های جدید طراحی شده‌اند. دانشمندان داده زمان زیادی را صرف بررسی و پیش‌پردازش داده‌ها و آزمایش انواع مختلف الگوریتم‌های آموزش مدل می‌کنند تا مدل‌های دقیقی تولید کنند. این وظایف زمان‌بر هستند و اغلب استفاده ناکارآمدی از سخت‌افزار محاسباتی گران‌قیمت دارند.

Azure ML یک پلتفرم مبتنی بر فضای ابری برای ساخت و اجرای راه‌حل‌های یادگیری ماشین در Azure است. این پلتفرم شامل طیف گسترده‌ای از ویژگی‌ها و قابلیت‌ها است که به دانشمندان داده کمک می‌کند داده‌ها را آماده کنند، مدل‌ها را آموزش دهند، خدمات پیش‌بینی را منتشر کنند و استفاده از آن‌ها را نظارت کنند. مهم‌تر از همه، این پلتفرم با خودکارسازی بسیاری از وظایف زمان‌بر مرتبط با آموزش مدل‌ها، کارایی آن‌ها را افزایش می‌دهد؛ و امکان استفاده از منابع محاسباتی مبتنی بر فضای ابری را فراهم می‌کند که به طور مؤثر مقیاس‌پذیر هستند، حجم زیادی از داده‌ها را مدیریت می‌کنند و فقط زمانی هزینه ایجاد می‌کنند که واقعاً استفاده شوند.

Azure ML تمام ابزارهای مورد نیاز توسعه‌دهندگان و دانشمندان داده را برای جریان‌های کاری یادگیری ماشین فراهم می‌کند. این ابزارها شامل موارد زیر هستند:

Azure Machine Learning Studio: یک پورتال وب در Azure Machine Learning برای گزینه‌های کدنویسی کم و بدون کدنویسی برای آموزش مدل، استقرار، خودکارسازی، ردیابی و مدیریت دارایی‌ها. این استودیو با Azure Machine Learning SDK ادغام شده است تا تجربه‌ای یکپارچه ارائه دهد.
Jupyter Notebooks: نمونه‌سازی سریع و آزمایش مدل‌های یادگیری ماشین.
Azure Machine Learning Designer: امکان کشیدن و رها کردن ماژول‌ها برای ساخت آزمایش‌ها و سپس استقرار خطوط لوله در محیط کدنویسی کم.
رابط کاربری یادگیری ماشین خودکار (AutoML): وظایف تکراری توسعه مدل‌های یادگیری ماشین را خودکار می‌کند و امکان ساخت مدل‌های یادگیری ماشین با مقیاس بالا، کارایی و بهره‌وری را فراهم می‌کند، در حالی که کیفیت مدل حفظ می‌شود.
برچسب‌گذاری داده‌ها: یک ابزار یادگیری ماشین کمکی برای برچسب‌گذاری خودکار داده‌ها.
افزونه یادگیری ماشین برای Visual Studio Code: محیط توسعه کامل برای ساخت و مدیریت پروژه‌های یادگیری ماشین.
رابط خط فرمان یادگیری ماشین: دستورات برای مدیریت منابع Azure ML از طریق خط فرمان.
ادغام با چارچوب‌های متن‌باز مانند PyTorch، TensorFlow، Scikit-learn و بسیاری دیگر برای آموزش، استقرار و مدیریت فرآیند یادگیری ماشین از ابتدا تا انتها.
MLflow: یک کتابخانه متن‌باز برای مدیریت چرخه عمر آزمایش‌های یادگیری ماشین. MLFlow Tracking بخشی از MLflow است که معیارهای اجرای آموزش و مصنوعات مدل شما را ثبت و ردیابی می‌کند، صرف‌نظر از محیط آزمایش شما.

1.2 پروژه پیش‌بینی نارسایی قلبی:

بدون شک، ساخت و ایجاد پروژه‌ها بهترین راه برای آزمایش مهارت‌ها و دانش شماست. در این درس، دو روش مختلف برای ساخت یک پروژه علم داده برای پیش‌بینی حملات نارسایی قلبی در Azure ML Studio را بررسی خواهیم کرد: از طریق کدنویسی کم/بدون کدنویسی و از طریق Azure ML SDK، همان‌طور که در نمودار زیر نشان داده شده است:

هر روش مزایا و معایب خاص خود را دارد. روش کدنویسی کم/بدون کدنویسی شروع آسان‌تری دارد زیرا شامل تعامل با یک رابط کاربری گرافیکی (GUI) است و نیازی به دانش قبلی کدنویسی ندارد. این روش امکان آزمایش سریع قابلیت پروژه و ایجاد نمونه اولیه (POC) را فراهم می‌کند. با این حال، با رشد پروژه و نیاز به آماده‌سازی برای تولید، ایجاد منابع از طریق GUI عملی نیست. باید همه چیز را به صورت برنامه‌ریزی‌شده خودکار کنیم، از ایجاد منابع گرفته تا استقرار مدل. اینجاست که دانستن نحوه استفاده از Azure ML SDK اهمیت پیدا می‌کند.

	کدنویسی کم/بدون کدنویسی	Azure ML SDK
تخصص در کدنویسی	لازم نیست	لازم است
زمان توسعه	سریع و آسان	بستگی به تخصص کدنویسی دارد
آماده برای تولید	خیر	بله

1.3 مجموعه داده نارسایی قلبی:

بیماری‌های قلبی-عروقی (CVDs) علت شماره 1 مرگ و میر در جهان هستند و 31% از کل مرگ و میرهای جهانی را تشکیل می‌دهند. عوامل خطر محیطی و رفتاری مانند استفاده از تنباکو، رژیم غذایی ناسالم و چاقی، فعالیت بدنی کم و مصرف مضر الکل می‌توانند به عنوان ویژگی‌هایی برای مدل‌های تخمینی استفاده شوند. توانایی تخمین احتمال توسعه یک بیماری قلبی-عروقی می‌تواند برای جلوگیری از حملات در افراد پرخطر بسیار مفید باشد.

Kaggle یک مجموعه داده نارسایی قلبی را به صورت عمومی در دسترس قرار داده است که ما قصد داریم از آن برای این پروژه استفاده کنیم. شما می‌توانید این مجموعه داده را اکنون دانلود کنید. این مجموعه داده جدولی شامل 13 ستون (12 ویژگی و 1 متغیر هدف) و 299 ردیف است.

	نام متغیر	نوع	توضیحات	مثال
1	age	عددی	سن بیمار	25
2	anaemia	بولی	کاهش گلبول‌های قرمز یا هموگلوبین	0 یا 1
3	creatinine_phosphokinase	عددی	سطح آنزیم CPK در خون	542
4	diabetes	بولی	آیا بیمار دیابت دارد	0 یا 1
5	ejection_fraction	عددی	درصد خون خارج شده از قلب در هر انقباض	45
6	high_blood_pressure	بولی	آیا بیمار فشار خون بالا دارد	0 یا 1
7	platelets	عددی	پلاکت‌ها در خون	149000
8	serum_creatinine	عددی	سطح کراتینین سرم در خون	0.5
9	serum_sodium	عددی	سطح سدیم سرم در خون	jun
10	sex	بولی	زن یا مرد	0 یا 1
11	smoking	بولی	آیا بیمار سیگار می‌کشد	0 یا 1
12	time	عددی	دوره پیگیری (روزها)	4
----	---------------------------	-----------------	-------------------------------------------------------	-------------------
21	DEATH_EVENT [هدف]	بولی	آیا بیمار در دوره پیگیری فوت کرده است	0 یا 1

پس از دریافت مجموعه داده، می‌توانیم پروژه را در Azure شروع کنیم.

2. آموزش مدل با کدنویسی کم/بدون کدنویسی در Azure ML Studio

2.1 ایجاد یک فضای کاری Azure ML

برای آموزش یک مدل در Azure ML ابتدا باید یک فضای کاری Azure ML ایجاد کنید. فضای کاری منبع سطح بالای Azure Machine Learning است که مکانی مرکزی برای کار با تمام مصنوعات ایجاد شده هنگام استفاده از Azure Machine Learning فراهم می‌کند. فضای کاری تاریخچه تمام اجرای‌های آموزشی، شامل گزارش‌ها، معیارها، خروجی‌ها و یک عکس فوری از اسکریپت‌های شما را نگه می‌دارد. شما از این اطلاعات برای تعیین اینکه کدام اجرای آموزشی بهترین مدل را تولید می‌کند استفاده می‌کنید. بیشتر بدانید

توصیه می‌شود از به‌روزترین مرورگر سازگار با سیستم‌عامل خود استفاده کنید. مرورگرهای زیر پشتیبانی می‌شوند:

Microsoft Edge (نسخه جدید Microsoft Edge، آخرین نسخه. نه نسخه قدیمی Microsoft Edge)
Safari (آخرین نسخه، فقط Mac)
Chrome (آخرین نسخه)
Firefox (آخرین نسخه)

برای استفاده از Azure Machine Learning، یک فضای کاری در اشتراک Azure خود ایجاد کنید. سپس می‌توانید از این فضای کاری برای مدیریت داده‌ها، منابع محاسباتی، کد، مدل‌ها و سایر مصنوعات مرتبط با بارهای کاری یادگیری ماشین خود استفاده کنید.

توجه: اشتراک Azure شما برای ذخیره داده‌ها هزینه کمی دریافت می‌کند تا زمانی که فضای کاری Azure Machine Learning در اشتراک شما وجود داشته باشد، بنابراین توصیه می‌کنیم فضای کاری Azure Machine Learning را زمانی که دیگر از آن استفاده نمی‌کنید حذف کنید.

وارد پرتال Azure شوید و از اعتبارنامه‌های Microsoft مرتبط با اشتراک Azure خود استفاده کنید.
گزینه ＋ایجاد یک منبع را انتخاب کنید.

جستجو کنید برای Machine Learning و کاشی Machine Learning را انتخاب کنید.

دکمه ایجاد را کلیک کنید.

تنظیمات را به صورت زیر پر کنید:
- اشتراک: اشتراک Azure شما
- گروه منابع: ایجاد یا انتخاب یک گروه منابع
- نام فضای کاری: یک نام منحصر به فرد برای فضای کاری خود وارد کنید
- منطقه: منطقه جغرافیایی نزدیک به شما را انتخاب کنید
- حساب ذخیره‌سازی: توجه به حساب ذخیره‌سازی جدید پیش‌فرض که برای فضای کاری شما ایجاد خواهد شد
- کلید خزانه: توجه به خزانه کلید جدید پیش‌فرض که برای فضای کاری شما ایجاد خواهد شد
- بینش‌های برنامه: توجه به منبع جدید پیش‌فرض بینش‌های برنامه که برای فضای کاری شما ایجاد خواهد شد
- رجیستری کانتینر: هیچ (یکی به طور خودکار اولین بار که یک مدل را به کانتینر مستقر می‌کنید ایجاد خواهد شد)
- دکمه ایجاد + بررسی را کلیک کنید و سپس دکمه ایجاد را کلیک کنید.
منتظر بمانید تا فضای کاری شما ایجاد شود (این ممکن است چند دقیقه طول بکشد). سپس به آن در پرتال بروید. می‌توانید آن را از طریق سرویس Azure Machine Learning پیدا کنید.
در صفحه نمای کلی فضای کاری خود، Azure Machine Learning Studio را راه‌اندازی کنید (یا یک برگه مرورگر جدید باز کنید و به https://ml.azure.com بروید)، و با استفاده از حساب Microsoft خود وارد Azure Machine Learning Studio شوید. اگر درخواست شد، دایرکتوری و اشتراک Azure خود و فضای کاری Azure Machine Learning خود را انتخاب کنید.

در Azure Machine Learning Studio، نماد ☰ در بالا سمت چپ را تغییر دهید تا صفحات مختلف در رابط کاربری را مشاهده کنید. می‌توانید از این صفحات برای مدیریت منابع در فضای کاری خود استفاده کنید.

شما می‌توانید فضای کاری خود را با استفاده از پرتال Azure مدیریت کنید، اما برای دانشمندان داده و مهندسان عملیات یادگیری ماشین، Azure Machine Learning Studio یک رابط کاربری متمرکزتر برای مدیریت منابع فضای کاری فراهم می‌کند.

2.2 منابع محاسباتی

منابع محاسباتی منابع مبتنی بر فضای ابری هستند که می‌توانید فرآیندهای آموزش مدل و بررسی داده‌ها را روی آن‌ها اجرا کنید. چهار نوع منبع محاسباتی وجود دارد که می‌توانید ایجاد کنید:

نمونه‌های محاسباتی: ایستگاه‌های کاری توسعه که دانشمندان داده می‌توانند برای کار با داده‌ها و مدل‌ها استفاده کنند. این شامل ایجاد یک ماشین مجازی (VM) و راه‌اندازی یک نمونه دفترچه یادداشت است. سپس می‌توانید یک مدل را با فراخوانی یک خوشه محاسباتی از دفترچه یادداشت آموزش دهید.
خوشه‌های محاسباتی: خوشه‌های مقیاس‌پذیر ماشین‌های مجازی برای پردازش کد آزمایش به صورت درخواستی. شما به آن نیاز خواهید داشت زمانی که یک مدل را آموزش می‌دهید. خوشه‌های محاسباتی همچنین می‌توانند از منابع تخصصی GPU یا CPU استفاده کنند.
خوشه‌های استنتاج: اهداف استقرار برای خدمات پیش‌بینی که از مدل‌های آموزش‌دیده شما استفاده می‌کنند.
اتصال به منابع محاسباتی: اتصال به منابع محاسباتی موجود در Azure، مانند ماشین‌های مجازی یا کلاسترهای Azure Databricks.

2.2.1 انتخاب گزینه‌های مناسب برای منابع محاسباتی

برخی عوامل کلیدی وجود دارند که هنگام ایجاد یک منبع محاسباتی باید در نظر گرفته شوند و این انتخاب‌ها می‌توانند تصمیمات حیاتی باشند.

آیا به CPU نیاز دارید یا GPU؟

CPU (واحد پردازش مرکزی) مداری الکترونیکی است که دستورالعمل‌های یک برنامه کامپیوتری را اجرا می‌کند. GPU (واحد پردازش گرافیکی) یک مدار الکترونیکی تخصصی است که می‌تواند کدهای مرتبط با گرافیک را با سرعت بسیار بالا اجرا کند.

تفاوت اصلی بین معماری CPU و GPU این است که CPU برای انجام سریع طیف گسترده‌ای از وظایف طراحی شده است (که با سرعت کلاک CPU اندازه‌گیری می‌شود)، اما در هم‌زمانی وظایف محدود است. GPU‌ها برای محاسبات موازی طراحی شده‌اند و بنابراین برای وظایف یادگیری عمیق بسیار بهتر هستند.

CPU	GPU
ارزان‌تر	گران‌تر
سطح هم‌زمانی پایین‌تر	سطح هم‌زمانی بالاتر
کندتر در آموزش مدل‌های یادگیری عمیق	بهینه برای یادگیری عمیق

اندازه کلاستر

کلاسترهای بزرگ‌تر گران‌تر هستند اما پاسخگویی بهتری ارائه می‌دهند. بنابراین، اگر زمان دارید اما بودجه کافی ندارید، باید با یک کلاستر کوچک شروع کنید. برعکس، اگر بودجه دارید اما زمان کمی دارید، باید با یک کلاستر بزرگ‌تر شروع کنید.

اندازه ماشین مجازی (VM)

بسته به محدودیت‌های زمانی و بودجه‌ای شما، می‌توانید اندازه RAM، دیسک، تعداد هسته‌ها و سرعت کلاک را تغییر دهید. افزایش این پارامترها هزینه بیشتری خواهد داشت، اما عملکرد بهتری ارائه می‌دهد.

نمونه‌های اختصاصی یا با اولویت پایین؟

یک نمونه با اولویت پایین به این معناست که قابل قطع شدن است: اساساً، Microsoft Azure می‌تواند این منابع را گرفته و به کار دیگری اختصاص دهد، بنابراین یک کار را متوقف کند. یک نمونه اختصاصی یا غیرقابل قطع به این معناست که کار بدون اجازه شما هرگز متوقف نخواهد شد.
این نیز یک ملاحظه بین زمان و هزینه است، زیرا نمونه‌های قابل قطع ارزان‌تر از نمونه‌های اختصاصی هستند.

2.2.2 ایجاد یک کلاستر محاسباتی

در محیط کاری Azure ML که قبلاً ایجاد کردیم، به بخش Compute بروید و می‌توانید منابع محاسباتی مختلفی که قبلاً بحث کردیم (مانند Compute Instances، Compute Clusters، Inference Clusters و Attached Compute) را مشاهده کنید. برای این پروژه، ما به یک کلاستر محاسباتی برای آموزش مدل نیاز داریم. در Studio، روی منوی "Compute" کلیک کنید، سپس تب "Compute cluster" را انتخاب کرده و روی دکمه "+ New" کلیک کنید تا یک کلاستر محاسباتی ایجاد کنید.

گزینه‌های خود را انتخاب کنید: اختصاصی یا با اولویت پایین، CPU یا GPU، اندازه VM و تعداد هسته‌ها (می‌توانید تنظیمات پیش‌فرض را برای این پروژه نگه دارید).
روی دکمه Next کلیک کنید.

یک نام برای کلاستر انتخاب کنید.
گزینه‌های خود را انتخاب کنید: حداقل/حداکثر تعداد نودها، ثانیه‌های بیکار قبل از کاهش مقیاس، دسترسی SSH. توجه داشته باشید که اگر حداقل تعداد نودها 0 باشد، در زمان بیکار بودن کلاستر هزینه‌ای صرفه‌جویی می‌شود. توجه داشته باشید که هرچه تعداد نودهای حداکثری بیشتر باشد، آموزش کوتاه‌تر خواهد بود. تعداد حداکثر نودهای پیشنهادی 3 است.
روی دکمه "Create" کلیک کنید. این مرحله ممکن است چند دقیقه طول بکشد.

عالی! حالا که یک کلاستر محاسباتی داریم، باید داده‌ها را به Azure ML Studio بارگذاری کنیم.

2.3 بارگذاری مجموعه داده

در محیط کاری Azure ML که قبلاً ایجاد کردیم، روی "Datasets" در منوی سمت چپ کلیک کنید و روی دکمه "+ Create dataset" کلیک کنید تا یک مجموعه داده ایجاد کنید. گزینه "From local files" را انتخاب کرده و مجموعه داده Kaggle که قبلاً دانلود کردیم را انتخاب کنید.
به مجموعه داده خود یک نام، نوع و توضیح بدهید. روی Next کلیک کنید. داده‌ها را از فایل‌ها آپلود کنید. روی Next کلیک کنید.
در بخش Schema، نوع داده را برای ویژگی‌های زیر به Boolean تغییر دهید: anaemia، diabetes، high blood pressure، sex، smoking، و DEATH_EVENT. روی Next کلیک کنید و سپس روی Create کلیک کنید.

عالی! حالا که مجموعه داده در جای خود قرار دارد و کلاستر محاسباتی ایجاد شده است، می‌توانیم آموزش مدل را شروع کنیم!

2.4 آموزش کم‌کد/بدون کد با AutoML

توسعه مدل‌های سنتی یادگیری ماشین منابع زیادی مصرف می‌کند، نیاز به دانش تخصصی دارد و زمان زیادی برای تولید و مقایسه ده‌ها مدل می‌برد.
یادگیری ماشین خودکار (AutoML) فرآیند خودکارسازی وظایف تکراری و زمان‌بر توسعه مدل‌های یادگیری ماشین است. این فرآیند به دانشمندان داده، تحلیل‌گران و توسعه‌دهندگان اجازه می‌دهد مدل‌های یادگیری ماشین را با مقیاس، کارایی و بهره‌وری بالا ایجاد کنند، در حالی که کیفیت مدل حفظ می‌شود. این فرآیند زمان لازم برای آماده‌سازی مدل‌های یادگیری ماشین برای تولید را کاهش می‌دهد و این کار را با سهولت و کارایی بالا انجام می‌دهد. بیشتر بخوانید

در محیط کاری Azure ML که قبلاً ایجاد کردیم، روی "Automated ML" در منوی سمت چپ کلیک کنید و مجموعه داده‌ای که به‌تازگی آپلود کردید را انتخاب کنید. روی Next کلیک کنید.
یک نام جدید برای آزمایش وارد کنید، ستون هدف (DEATH_EVENT) و کلاستر محاسباتی که ایجاد کردیم را انتخاب کنید. روی Next کلیک کنید.
"Classification" را انتخاب کنید و روی Finish کلیک کنید. این مرحله ممکن است بین 30 دقیقه تا 1 ساعت طول بکشد، بسته به اندازه کلاستر محاسباتی شما.
پس از اتمام اجرا، روی تب "Automated ML" کلیک کنید، اجرای خود را انتخاب کنید و روی الگوریتم در کارت "Best model summary" کلیک کنید.

در اینجا می‌توانید توضیحات دقیقی از بهترین مدلی که AutoML تولید کرده است مشاهده کنید. همچنین می‌توانید سایر مدل‌های تولید شده را در تب Models بررسی کنید. چند دقیقه وقت بگذارید تا مدل‌ها را در بخش Explanations (پیش‌نمایش) بررسی کنید. پس از انتخاب مدلی که می‌خواهید استفاده کنید (در اینجا ما بهترین مدل انتخاب‌شده توسط AutoML را انتخاب می‌کنیم)، خواهیم دید که چگونه می‌توان آن را مستقر کرد.

3. استقرار مدل کم‌کد/بدون کد و مصرف نقطه پایانی

3.1 استقرار مدل

رابط کاربری یادگیری ماشین خودکار به شما اجازه می‌دهد بهترین مدل را به‌عنوان یک سرویس وب در چند مرحله مستقر کنید. استقرار به معنای یکپارچه‌سازی مدل است تا بتواند بر اساس داده‌های جدید پیش‌بینی کند و مناطق بالقوه فرصت را شناسایی کند. برای این پروژه، استقرار به‌عنوان یک سرویس وب به این معناست که برنامه‌های پزشکی می‌توانند مدل را مصرف کنند تا پیش‌بینی‌های زنده‌ای از خطر حمله قلبی بیماران خود داشته باشند.

در توضیحات بهترین مدل، روی دکمه "Deploy" کلیک کنید.

به آن یک نام، توضیح، نوع محاسباتی (Azure Container Instance) بدهید، احراز هویت را فعال کنید و روی Deploy کلیک کنید. این مرحله ممکن است حدود 20 دقیقه طول بکشد. فرآیند استقرار شامل چندین مرحله از جمله ثبت مدل، ایجاد منابع و پیکربندی آن‌ها برای سرویس وب است. یک پیام وضعیت در زیر Deploy status ظاهر می‌شود. برای بررسی وضعیت استقرار، به‌طور دوره‌ای روی Refresh کلیک کنید. زمانی که وضعیت "Healthy" باشد، استقرار کامل شده و در حال اجرا است.

پس از استقرار، روی تب Endpoint کلیک کنید و نقطه پایانی که به‌تازگی مستقر کردید را انتخاب کنید. در اینجا می‌توانید تمام جزئیاتی که باید درباره نقطه پایانی بدانید را پیدا کنید.

شگفت‌انگیز! حالا که یک مدل مستقر شده داریم، می‌توانیم مصرف نقطه پایانی را شروع کنیم.

3.2 مصرف نقطه پایانی

روی تب "Consume" کلیک کنید. در اینجا می‌توانید نقطه پایانی REST و یک اسکریپت پایتون را در گزینه مصرف پیدا کنید. زمانی را برای خواندن کد پایتون اختصاص دهید.

این اسکریپت می‌تواند مستقیماً از ماشین محلی شما اجرا شود و نقطه پایانی شما را مصرف کند.

لحظه‌ای وقت بگذارید تا این دو خط کد را بررسی کنید:

url = 'http://98e3715f-xxxx-xxxx-xxxx-9ec22d57b796.centralus.azurecontainer.io/score'
api_key = '' # Replace this with the API key for the web service

متغیر url نقطه پایانی REST است که در تب مصرف یافت می‌شود و متغیر api_key کلید اصلی است که در تب مصرف نیز یافت می‌شود (فقط در صورتی که احراز هویت را فعال کرده باشید). این همان روشی است که اسکریپت می‌تواند نقطه پایانی را مصرف کند.

با اجرای اسکریپت، باید خروجی زیر را مشاهده کنید:
```
b'"{\\"result\\": [true]}"'
```

این به این معناست که پیش‌بینی نارسایی قلبی برای داده‌های داده‌شده درست است. این منطقی است زیرا اگر به داده‌هایی که به‌طور خودکار در اسکریپت تولید شده‌اند نگاه کنید، همه چیز به‌طور پیش‌فرض 0 و false است. می‌توانید داده‌ها را با نمونه ورودی زیر تغییر دهید:

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",
        },
    ],
}

اسکریپت باید این مقدار را برگرداند:
python b'"{\\"result\\": [true, false]}"'

تبریک می‌گویم! شما مدل مستقر شده را مصرف کردید و آن را در Azure ML آموزش دادید!

توجه: پس از اتمام پروژه، فراموش نکنید که تمام منابع را حذف کنید.

🚀 چالش

به توضیحات مدل و جزئیاتی که AutoML برای مدل‌های برتر تولید کرده است، با دقت نگاه کنید. سعی کنید بفهمید چرا بهترین مدل بهتر از مدل‌های دیگر است. چه الگوریتم‌هایی مقایسه شدند؟ تفاوت‌های آن‌ها چیست؟ چرا بهترین مدل در این مورد عملکرد بهتری دارد؟

آزمون پس از درس

مرور و مطالعه شخصی

در این درس، یاد گرفتید که چگونه یک مدل را برای پیش‌بینی خطر نارسایی قلبی به‌صورت کم‌کد/بدون کد در فضای ابری آموزش دهید، مستقر کنید و مصرف کنید. اگر هنوز این کار را نکرده‌اید، به توضیحات مدل‌هایی که AutoML برای مدل‌های برتر تولید کرده است عمیق‌تر نگاه کنید و سعی کنید بفهمید چرا بهترین مدل بهتر از دیگران است.

می‌توانید با خواندن این مستندات بیشتر درباره AutoML کم‌کد/بدون کد یاد بگیرید.

تکلیف

پروژه داده‌کاوی کم‌کد/بدون کد در Azure ML

سلب مسئولیت:
این سند با استفاده از سرویس ترجمه هوش مصنوعی Co-op Translator ترجمه شده است. در حالی که ما تلاش می‌کنیم دقت را حفظ کنیم، لطفاً توجه داشته باشید که ترجمه‌های خودکار ممکن است حاوی خطاها یا نادرستی‌هایی باشند. سند اصلی به زبان اصلی آن باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حساس، ترجمه حرفه‌ای انسانی توصیه می‌شود. ما هیچ مسئولیتی در قبال سوءتفاهم‌ها یا تفسیرهای نادرست ناشی از استفاده از این ترجمه نداریم.

README.md

Unescape Escape

علم داده در فضای ابری: روش "کدنویسی کم/بدون کدنویسی"

آزمون پیش از درس