History

leestott 8029ff828a 🌐 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	3 weeks ago

क्लाउडमधील डेटा सायन्स: "लो कोड/नो कोड" पद्धत


क्लाउडमधील डेटा सायन्स: लो कोड - Sketchnote by @nitya

सामग्रीची यादी:

क्लाउडमधील डेटा सायन्स: "लो कोड/नो कोड" पद्धत

1. परिचय

1.1 Azure Machine Learning म्हणजे काय?

Azure क्लाउड प्लॅटफॉर्ममध्ये 200 हून अधिक उत्पादने आणि क्लाउड सेवा आहेत, ज्यामुळे तुम्हाला नवीन उपाय तयार करण्यात मदत होते. डेटा सायंटिस्ट्स मोठ्या प्रमाणावर डेटा एक्सप्लोर करणे, पूर्व-प्रक्रिया करणे आणि अचूक मॉडेल तयार करण्यासाठी विविध प्रकारचे मॉडेल-प्रशिक्षण अल्गोरिदम वापरण्यावर भर देतात. हे कार्य वेळखाऊ असते आणि महागड्या हार्डवेअरचा अकार्यक्षम वापर होतो.

Azure ML ही Azure मध्ये मशीन लर्निंग सोल्यूशन्स तयार करण्यासाठी आणि ऑपरेट करण्यासाठी क्लाउड-आधारित प्लॅटफॉर्म आहे. यात डेटा तयार करणे, मॉडेल्स प्रशिक्षण देणे, प्रेडिक्टिव्ह सर्व्हिसेस प्रकाशित करणे आणि त्यांचा वापर मॉनिटर करणे यासाठी अनेक वैशिष्ट्ये आणि क्षमता आहेत. सर्वात महत्त्वाचे म्हणजे, हे वेळखाऊ कार्ये स्वयंचलित करून डेटा सायंटिस्ट्सची कार्यक्षमता वाढवते; आणि मोठ्या प्रमाणात डेटा हाताळण्यासाठी प्रभावीपणे स्केल होणाऱ्या क्लाउड-आधारित Compute Resources वापरण्याची परवानगी देते, ज्यामुळे फक्त वापराच्या वेळीच खर्च होतो.

Azure ML डेटा सायंटिस्ट्स आणि डेव्हलपर्ससाठी मशीन लर्निंग वर्कफ्लो तयार करण्यासाठी आवश्यक असलेली सर्व साधने प्रदान करते. यात समाविष्ट आहे:

Azure Machine Learning Studio: मॉडेल प्रशिक्षण, डिप्लॉयमेंट, ऑटोमेशन, ट्रॅकिंग आणि अॅसेट मॅनेजमेंटसाठी लो कोड/नो कोड पर्यायांसाठी वेब पोर्टल. स्टुडिओ Azure Machine Learning SDK सह एकत्रित अनुभव प्रदान करते.
Jupyter Notebooks: जलद प्रोटोटाइप तयार करणे आणि ML मॉडेल्स चाचणी करणे.
Azure Machine Learning Designer: लो कोड वातावरणात प्रयोग तयार करण्यासाठी मॉड्यूल्स ड्रॅग-एन-ड्रॉप करण्याची परवानगी देते आणि नंतर पाइपलाइन्स डिप्लॉय करते.
Automated machine learning UI (AutoML): मशीन लर्निंग मॉडेल डेव्हलपमेंटच्या पुनरावृत्ती कार्यांना स्वयंचलित करते, उच्च स्केल, कार्यक्षमता आणि उत्पादकतेसह ML मॉडेल्स तयार करण्याची परवानगी देते, मॉडेल गुणवत्ता टिकवून ठेवते.
Data Labelling: डेटा स्वयंचलितपणे लेबल करण्यासाठी सहाय्यक ML साधन.
Visual Studio Code साठी Machine learning extension: ML प्रकल्प तयार करण्यासाठी आणि व्यवस्थापित करण्यासाठी पूर्ण-वैशिष्ट्यीकृत विकास वातावरण प्रदान करते.
Machine learning CLI: कमांड लाइनवरून Azure ML Resources व्यवस्थापित करण्यासाठी आदेश प्रदान करते.
PyTorch, TensorFlow, Scikit-learn सारख्या ओपन-सोर्स फ्रेमवर्कसह एकत्रीकरण: प्रशिक्षण, डिप्लॉयमेंट आणि एंड-टू-एंड मशीन लर्निंग प्रक्रिया व्यवस्थापित करण्यासाठी.
MLflow: मशीन लर्निंग प्रयोगांच्या जीवनचक्राचे व्यवस्थापन करण्यासाठी ओपन-सोर्स लायब्ररी. MLFlow Tracking हे MLflow चे एक घटक आहे जे तुमच्या प्रशिक्षण रन मेट्रिक्स आणि मॉडेल आर्टिफॅक्ट्स लॉग आणि ट्रॅक करते, तुमच्या प्रयोगाच्या वातावरणाची पर्वा न करता.

1.2 हार्ट फेल्युअर प्रेडिक्शन प्रोजेक्ट:

प्रकल्प तयार करणे आणि तयार करणे ही तुमची कौशल्ये आणि ज्ञान तपासण्यासाठी सर्वोत्तम पद्धत आहे यात शंका नाही. या धड्यात, आम्ही Azure ML Studio मध्ये हार्ट फेल्युअर अटॅक्सचा अंदाज लावण्यासाठी डेटा सायन्स प्रोजेक्ट तयार करण्याच्या दोन वेगवेगळ्या पद्धती एक्सप्लोर करणार आहोत: लो कोड/नो कोड आणि Azure ML SDK च्या माध्यमातून, खालील स्कीमामध्ये दाखवल्याप्रमाणे:

प्रत्येक पद्धतीचे स्वतःचे फायदे आणि तोटे आहेत. लो कोड/नो कोड पद्धत GUI (ग्राफिकल यूजर इंटरफेस) सह संवाद साधण्याचा समावेश असल्याने सुरुवात करणे सोपे आहे, ज्यासाठी कोडचे पूर्वज्ञान आवश्यक नाही. ही पद्धत प्रकल्पाची व्यवहार्यता जलद चाचणी करण्यासाठी आणि POC (Proof Of Concept) तयार करण्यासाठी सक्षम करते. तथापि, प्रकल्प वाढत असताना आणि गोष्टी उत्पादनासाठी तयार करणे आवश्यक असताना, GUI च्या माध्यमातून Resources तयार करणे व्यवहार्य नाही. आपल्याला Resources तयार करण्यापासून मॉडेल डिप्लॉयमेंटपर्यंत सर्व काही प्रोग्रामॅटिकली स्वयंचलित करणे आवश्यक आहे. यासाठी Azure ML SDK कसे वापरायचे हे जाणून घेणे महत्त्वाचे ठरते.

	लो कोड/नो कोड	Azure ML SDK
कोडचे ज्ञान	आवश्यक नाही	आवश्यक
विकसित करण्यासाठी वेळ	जलद आणि सोपे	कोड कौशल्यावर अवलंबून
उत्पादनासाठी तयार	नाही	होय

1.3 हार्ट फेल्युअर डेटासेट:

कार्डिओव्हॅस्क्युलर आजार (CVDs) हे जागतिक स्तरावर मृत्यूचे प्रमुख कारण आहेत, जे जगभरातील एकूण मृत्यूंपैकी 31% आहेत. तंबाखूचा वापर, अस्वास्थ्यकर आहार आणि स्थूलता, शारीरिक निष्क्रियता आणि अल्कोहोलचा हानिकारक वापर यासारख्या पर्यावरणीय आणि वर्तनात्मक जोखीम घटकांचा अंदाज मॉडेल्ससाठी वैशिष्ट्ये म्हणून वापरला जाऊ शकतो. CVD विकसित होण्याची शक्यता अंदाज करण्यास सक्षम असणे उच्च जोखीम असलेल्या लोकांमध्ये हृदयविकाराचा झटका टाळण्यासाठी उपयुक्त ठरू शकते.

Kaggle ने Heart Failure डेटासेट सार्वजनिकपणे उपलब्ध करून दिला आहे, जो आम्ही या प्रकल्पासाठी वापरणार आहोत. तुम्ही आता डेटासेट डाउनलोड करू शकता. हा 13 स्तंभ (12 वैशिष्ट्ये आणि 1 लक्ष्य व्हेरिएबल) आणि 299 पंक्ती असलेला टॅब्युलर डेटासेट आहे.

	व्हेरिएबलचे नाव	प्रकार	वर्णन	उदाहरण
1	age	संख्यात्मक	रुग्णाचे वय	25
2	anaemia	बूलियन	लाल रक्त पेशी किंवा हिमोग्लोबिन कमी होणे	0 किंवा 1
3	creatinine_phosphokinase	संख्यात्मक	रक्तातील CPK एन्झाइमची पातळी	542
4	diabetes	बूलियन	रुग्णाला मधुमेह आहे का?	0 किंवा 1
5	ejection_fraction	संख्यात्मक	प्रत्येक संकुचनावर हृदयातून बाहेर पडणाऱ्या रक्ताचा टक्केवारी	45
6	high_blood_pressure	बूलियन	रुग्णाला उच्च रक्तदाब आहे का?	0 किंवा 1
7	platelets	संख्यात्मक	रक्तातील प्लेटलेट्स	149000
8	serum_creatinine	संख्यात्मक	रक्तातील सीरम क्रिएटिनिनची पातळी	0.5
9	serum_sodium	संख्यात्मक	रक्तातील सीरम सोडियमची पातळी	jun
10	sex	बूलियन	स्त्री किंवा पुरुष	0 किंवा 1
11	smoking	बूलियन	रुग्ण धूम्रपान करतो का?	0 किंवा 1
12	time	संख्यात्मक	फॉलो-अप कालावधी (दिवस)	4
----	---------------------------	-----------------	---------------------------------------------------	-------------------
21	DEATH_EVENT [Target]	बूलियन	फॉलो-अप कालावधीत रुग्णाचा मृत्यू होतो का?	0 किंवा 1

एकदा तुम्ही डेटासेट मिळवल्यावर, आपण Azure मध्ये प्रकल्प सुरू करू शकतो.

2. Azure ML Studio मध्ये लो कोड/नो कोड पद्धतीने मॉडेल प्रशिक्षण

2.1 Azure ML workspace तयार करा

Azure ML मध्ये मॉडेल प्रशिक्षण देण्यासाठी तुम्हाला प्रथम Azure ML workspace तयार करणे आवश्यक आहे. Workspace हे Azure Machine Learning साठी टॉप-लेव्हल Resource आहे, जे तुम्ही Azure Machine Learning वापरत असताना तयार केलेल्या सर्व वस्तूंसह कार्य करण्यासाठी एक केंद्रीकृत जागा प्रदान करते. Workspace सर्व प्रशिक्षण रनचा इतिहास ठेवते, ज्यामध्ये लॉग्स, मेट्रिक्स, आउटपुट आणि तुमच्या स्क्रिप्ट्सचा स्नॅपशॉट समाविष्ट आहे. तुम्ही कोणता प्रशिक्षण रन सर्वोत्तम मॉडेल तयार करतो हे ठरवण्यासाठी ही माहिती वापरता. अधिक जाणून घ्या

तुमच्या ऑपरेटिंग सिस्टमशी सुसंगत असलेला सर्वात अद्ययावत ब्राउझर वापरण्याची शिफारस केली जाते. खालील ब्राउझर समर्थित आहेत:

Microsoft Edge (नवीन Microsoft Edge, नवीनतम आवृत्ती. Microsoft Edge legacy नाही)
Safari (नवीनतम आवृत्ती, फक्त Mac साठी)
Chrome (नवीनतम आवृत्ती)
Firefox (नवीनतम आवृत्ती)

Azure Machine Learning वापरण्यासाठी, तुमच्या Azure सबस्क्रिप्शनमध्ये Workspace तयार करा. तुम्ही नंतर डेटा, Compute Resources, कोड, मॉडेल्स आणि तुमच्या मशीन लर्निंग वर्कलोडशी संबंधित इतर वस्तू व्यवस्थापित करण्यासाठी या Workspace चा वापर करू शकता.

टीप: तुमच्या Azure सबस्क्रिप्शनमध्ये Azure Machine Learning Workspace अस्तित्वात असताना डेटा स्टोरेजसाठी तुमच्या Azure सबस्क्रिप्शनवर थोडा खर्च होईल, त्यामुळे तुम्ही Azure Machine Learning Workspace वापरत नसताना ते हटवण्याची शिफारस केली जाते.

Microsoft क्रेडेन्शियल्ससह Azure पोर्टल मध्ये साइन इन करा.
＋Create a resource निवडा

Machine Learning शोधा आणि Machine Learning टाइल निवडा

Create बटणावर क्लिक करा

खालीलप्रमाणे सेटिंग्ज भरा:
- Subscription: तुमचे Azure सबस्क्रिप्शन
- Resource group: Resource group तयार करा किंवा निवडा
- Workspace name: तुमच्या Workspace साठी एक अद्वितीय नाव प्रविष्ट करा
- Region: तुमच्याजवळील भौगोलिक क्षेत्र निवडा
- Storage account: तुमच्या Workspace साठी तयार होणारे नवीन Storage account लक्षात ठेवा
- Key vault: तुमच्या Workspace साठी तयार होणारे नवीन Key vault लक्षात ठेवा
- Application insights: तुमच्या Workspace साठी तयार होणारे नवीन Application insights Resource लक्षात ठेवा
- Container registry: None (तुम्ही मॉडेल कंटेनरमध्ये प्रथमच डिप्लॉय केल्यावर एक आपोआप तयार होईल)
- Create + Review वर क्लिक करा आणि नंतर Create बटणावर क्लिक करा
तुमचे Workspace तयार होण्याची वाट पाहा (यास काही मिनिटे लागू शकतात). नंतर पोर्टलमध्ये जा. तुम्ही ते Machine Learning Azure सेवेद्वारे शोधू शकता.
तुमच्या Workspace च्या Overview पृष्ठावर, Azure Machine Learning Studio लाँच करा (किंवा नवीन ब्राउझर टॅब उघडा आणि https://ml.azure.com वर जा), आणि तुमच्या Microsoft खात्याचा वापर करून Azure Machine Learning Studio मध्ये साइन इन करा. जर विचारले गेले तर, तुमचे Azure Directory आणि Subscription निवडा आणि तुमचे Azure Machine Learning Workspace निवडा.

Azure Machine Learning Studio मध्ये, इंटरफेसमधील विविध पृष्ठे पाहण्यासाठी वरच्या डाव्या ☰ चिन्हावर टॉगल करा. तुम्ही तुमच्या Workspace मधील Resources व्यवस्थापित करण्यासाठी या पृष्ठांचा वापर करू शकता.

तुम्ही Azure पोर्टल वापरून तुमचे Workspace व्यवस्थापित करू शकता, परंतु डेटा सायंटिस्ट्स आणि Machine Learning ऑपरेशन्स इंजिनिअर्ससाठी, Azure Machine Learning Studio Workspace Resources व्यवस्थापित करण्यासाठी अधिक केंद्रित यूजर इंटरफेस प्रदान करते.

2.2 Compute Resources

Compute Resources म्हणजे क्लाउड-आधारित Resources आहेत ज्यावर तुम्ही मॉडेल प्रशिक्षण आणि डेटा एक्सप्लोरेशन प्रक्रिया चालवू शकता. तुम्ही चार प्रकारचे Compute Resources तयार करू शकता:

Compute Instances: डेटा सायंटिस्ट्स डेटा आणि मॉडेल्ससह काम करण्यासाठी वापरू शकणारे विकास वर्कस्टेशन्स. यामध्ये Virtual Machine (VM) तयार करणे आणि Notebook Instance लाँच करणे समाविष्ट आहे. तुम्ही नंतर Notebook वरून Compute Cluster कॉल करून मॉडेल प्रशिक्षण देऊ शकता.
Compute Clusters: प्रयोग कोडच्या ऑन-डिमांड प्रोसेसिंगसाठी स्केलेबल VM क्लस्टर्स. तुम्हाला मॉडेल प्रशिक्षण देताना याची आवश्यकता असेल. Compute Clusters विशेष GPU किंवा CPU Resources देखील वापरू शकतात.
Inference Clusters: तुमच्या प्रशिक्षित मॉडेल्स वापरणाऱ्या प्रेडिक्टिव्ह सर्व्हिसेससाठी डिप्लॉयमेंट टार्गेट्स.
जोडलेले Compute: विद्यमान Azure compute संसाधनांशी लिंक करणे, जसे की Virtual Machines किंवा Azure Databricks क्लस्टर्स.

2.2.1 तुमच्या compute संसाधनांसाठी योग्य पर्याय निवडणे

Compute संसाधन तयार करताना काही महत्त्वाचे घटक विचारात घ्यावे लागतात आणि हे निर्णय महत्त्वाचे ठरू शकतात.

तुम्हाला CPU हवे आहे की GPU?

CPU (Central Processing Unit) ही इलेक्ट्रॉनिक सर्किटरी आहे जी संगणक प्रोग्राममधील सूचना अंमलात आणते. GPU (Graphics Processing Unit) हे एक विशेष इलेक्ट्रॉनिक सर्किट आहे जे ग्राफिक्स-संबंधित कोड खूप वेगाने अंमलात आणू शकते.

CPU आणि GPU आर्किटेक्चरमधील मुख्य फरक असा आहे की CPU विविध प्रकारच्या कार्यांना वेगाने हाताळण्यासाठी डिझाइन केलेले आहे (CPU क्लॉक स्पीडने मोजले जाते), परंतु त्यामध्ये एकाच वेळी चालणाऱ्या कार्यांची मर्यादा असते. GPU हे समांतर संगणनासाठी डिझाइन केलेले आहे आणि त्यामुळे ते डीप लर्निंग कार्यांसाठी अधिक चांगले आहे.

CPU	GPU
कमी खर्चिक	अधिक खर्चिक
कमी समांतरता स्तर	जास्त समांतरता स्तर
डीप लर्निंग मॉडेल प्रशिक्षणात धीमे	डीप लर्निंगसाठी उत्तम

क्लस्टर आकार

मोठे क्लस्टर अधिक खर्चिक असतात परंतु चांगली प्रतिसादक्षमता देतात. त्यामुळे, जर तुमच्याकडे वेळ असेल पण पुरेसे पैसे नसतील, तर तुम्ही लहान क्लस्टरने सुरुवात करावी. उलट, जर तुमच्याकडे पैसे असतील पण वेळ कमी असेल, तर मोठ्या क्लस्टरने सुरुवात करावी.

VM आकार

तुमच्या वेळ आणि बजेटच्या मर्यादेनुसार, तुम्ही RAM, डिस्क, कोरची संख्या आणि क्लॉक स्पीड यांचा आकार बदलू शकता. हे सर्व पॅरामीटर्स वाढवणे अधिक खर्चिक असेल, परंतु त्याचा परिणाम चांगल्या कार्यक्षमतेत होईल.

Dedicated की Low-Priority Instances?

Low-priority instance म्हणजे ते interruptible आहे: Microsoft Azure त्या संसाधनांचा वापर दुसऱ्या कार्यासाठी करू शकते, ज्यामुळे तुमचे काम थांबू शकते. Dedicated instance, म्हणजे non-interruptible, याचा अर्थ तुमचे काम तुमच्या परवानगीशिवाय कधीही थांबवले जाणार नाही. हा वेळ विरुद्ध पैशाचा विचार आहे, कारण interruptible instances हे dedicated instances पेक्षा कमी खर्चिक असतात.

2.2.2 Compute क्लस्टर तयार करणे

आधी तयार केलेल्या Azure ML workspace मध्ये जा, Compute वर क्लिक करा आणि तुम्हाला वेगवेगळ्या Compute संसाधनांचे पर्याय दिसतील (उदा. compute instances, compute clusters, inference clusters आणि attached compute). या प्रकल्पासाठी, आम्हाला मॉडेल प्रशिक्षणासाठी compute cluster ची गरज आहे. Studio मध्ये, "Compute" मेनूवर क्लिक करा, नंतर "Compute cluster" टॅबवर जा आणि "+ New" बटणावर क्लिक करून Compute cluster तयार करा.

तुमचे पर्याय निवडा: Dedicated vs Low priority, CPU किंवा GPU, VM आकार आणि कोर संख्या (या प्रकल्पासाठी default सेटिंग ठेवू शकता).
Next बटणावर क्लिक करा.

क्लस्टरला एक Compute नाव द्या.
तुमचे पर्याय निवडा: किमान/कमाल नोड्सची संख्या, Idle seconds before scale down, SSH access. लक्षात ठेवा की जर किमान नोड्सची संख्या 0 असेल, तर क्लस्टर idle असताना पैसे वाचतील. कमाल नोड्सची संख्या जास्त असल्यास प्रशिक्षणाचा कालावधी कमी होईल. कमाल 3 नोड्सची शिफारस केली जाते.
"Create" बटणावर क्लिक करा. या प्रक्रियेस काही मिनिटे लागू शकतात.

छान! आता आपल्याकडे Compute cluster आहे, आता डेटा Azure ML Studio मध्ये लोड करूया.

2.3 डेटासेट लोड करणे

Azure ML workspace मध्ये जा, "Datasets" वर क्लिक करा आणि "+ Create dataset" बटणावर क्लिक करा. "From local files" पर्याय निवडा आणि आपण आधी डाउनलोड केलेला Kaggle डेटासेट निवडा.
तुमच्या डेटासेटला नाव, प्रकार आणि वर्णन द्या. Next वर क्लिक करा. फाइल्समधून डेटा अपलोड करा. Next वर क्लिक करा.
Schema मध्ये, खालील वैशिष्ट्यांसाठी डेटा प्रकार Boolean मध्ये बदला: anaemia, diabetes, high blood pressure, sex, smoking, आणि DEATH_EVENT. Next वर क्लिक करा आणि Create वर क्लिक करा.

छान! आता डेटासेट तयार आहे आणि Compute cluster तयार आहे, आपण मॉडेल प्रशिक्षण सुरू करू शकतो!

2.4 AutoML सह Low code/No Code प्रशिक्षण

पारंपरिक मशीन लर्निंग मॉडेल विकास संसाधन-गहन असतो, ज्यासाठी महत्त्वपूर्ण डोमेन ज्ञान आणि अनेक मॉडेल्स तयार करण्यासाठी वेळ लागतो. Automated machine learning (AutoML) ही प्रक्रिया मशीन लर्निंग मॉडेल विकासातील वेळखाऊ, पुनरावृत्ती होणाऱ्या कार्यांना स्वयंचलित करते. यामुळे डेटा सायंटिस्ट, विश्लेषक आणि विकसकांना उच्च प्रमाणात, कार्यक्षमतेने आणि उत्पादकतेने ML मॉडेल तयार करता येतात, मॉडेल गुणवत्तेची खात्री राखून. अधिक जाणून घ्या

Azure ML workspace मध्ये "Automated ML" वर क्लिक करा आणि तुम्ही अपलोड केलेला डेटासेट निवडा. Next वर क्लिक करा.
नवीन प्रयोगाचे नाव, target column (DEATH_EVENT) आणि तयार केलेला Compute cluster प्रविष्ट करा. Next वर क्लिक करा.
"Classification" निवडा आणि Finish वर क्लिक करा. या प्रक्रियेस Compute cluster च्या आकारावर अवलंबून 30 मिनिटे ते 1 तास लागू शकतो.
रन पूर्ण झाल्यावर, "Automated ML" टॅबवर जा, तुमच्या रनवर क्लिक करा आणि "Best model summary" कार्डमधील Algorithm वर क्लिक करा.

येथे तुम्हाला AutoML ने तयार केलेल्या सर्वोत्तम मॉडेलचे तपशीलवार वर्णन दिसेल. तुम्ही Models टॅबमध्ये इतर मॉडेल्सही एक्सप्लोर करू शकता. काही वेळ मॉडेल्स एक्सप्लोर करण्यासाठी घ्या. AutoML ने निवडलेल्या सर्वोत्तम मॉडेलचा वापर कसा करायचा ते पाहूया.

3. Low code/No Code मॉडेल डिप्लॉयमेंट आणि Endpoint वापर

3.1 मॉडेल डिप्लॉयमेंट

Automated machine learning इंटरफेस तुम्हाला काही स्टेप्समध्ये सर्वोत्तम मॉडेल वेब सर्व्हिस म्हणून डिप्लॉय करण्याची परवानगी देते. डिप्लॉयमेंट म्हणजे मॉडेलचे एकत्रीकरण जेणेकरून ते नवीन डेटावर आधारित अंदाज करू शकेल.

सर्वोत्तम मॉडेलच्या वर्णनात "Deploy" बटणावर क्लिक करा.

त्याला नाव, वर्णन, Compute प्रकार (Azure Container Instance), authentication सक्षम करा आणि Deploy वर क्लिक करा. या प्रक्रियेस सुमारे 20 मिनिटे लागू शकतात.

डिप्लॉय झाल्यावर, Endpoint टॅबवर जा आणि तुम्ही डिप्लॉय केलेल्या Endpoint वर क्लिक करा. येथे तुम्हाला Endpoint बद्दल सर्व तपशील मिळतील.

आश्चर्यकारक! आता आपल्याकडे मॉडेल डिप्लॉय झाले आहे, आपण Endpoint चा वापर सुरू करू शकतो.

3.2 Endpoint वापर

"Consume" टॅबवर क्लिक करा. येथे तुम्हाला REST endpoint आणि एक Python स्क्रिप्ट सापडेल.

स्क्रिप्ट चालवल्यावर, तुम्हाला खालील आउटपुट दिसेल: python b'"{\\"result\\": [true]}"' तुम्ही डेटा बदलून खालील इनपुट नमुना वापरू शकता:

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",
        },
    ],
}

स्क्रिप्ट खालील आउटपुट परत करेल: python b'"{\\"result\\": [true, false]}"'

अभिनंदन! तुम्ही Azure ML वर मॉडेल प्रशिक्षण, डिप्लॉय आणि Endpoint वापरले!

टीप: प्रकल्प पूर्ण झाल्यावर, सर्व संसाधने हटवायला विसरू नका.

🚀 आव्हान

AutoML ने तयार केलेल्या मॉडेल्सचे स्पष्टीकरण आणि तपशील बारकाईने पाहा. सर्वोत्तम मॉडेल इतरांपेक्षा का चांगले आहे हे समजून घ्या. कोणते अल्गोरिदम तुलना केली गेली? त्यांच्यात काय फरक आहे?

पाठ-पश्चात क्विझ

पुनरावलोकन आणि स्व-अभ्यास

या धड्यात, तुम्ही Low code/No Code पद्धतीने क्लाउडमध्ये हार्ट फेल्युअरचा अंदाज लावणारे मॉडेल प्रशिक्षण, डिप्लॉय आणि वापरणे शिकलात.

असाइनमेंट

Azure ML वरील Low code/No Code डेटा सायन्स प्रकल्प

अस्वीकरण:
हा दस्तऐवज AI भाषांतर सेवा Co-op Translator वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी कृपया लक्षात ठेवा की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून निर्माण होणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.

README.md

Unescape Escape

क्लाउडमधील डेटा सायन्स: "लो कोड/नो कोड" पद्धत

पूर्व-व्याख्यान प्रश्नमंजुषा