26 KiB
Sayansi ya Takwimu katika Wingu: Njia ya "Low code/No code"
 |
|---|
| Sayansi ya Takwimu Katika Wingu: Low Code - Sketchnote na @nitya |
Yaliyomo:
- Sayansi ya Takwimu katika Wingu: Njia ya "Low code/No code"
Maswali ya awali ya somo
1. Utangulizi
1.1 Azure Machine Learning ni nini?
Jukwaa la wingu la Azure lina zaidi ya bidhaa 200 na huduma za wingu zilizoundwa kusaidia kuleta suluhisho mpya. Wanasayansi wa takwimu hutumia juhudi nyingi kuchunguza na kuandaa takwimu, na kujaribu aina mbalimbali za algoriti za mafunzo ya modeli ili kuzalisha modeli sahihi. Kazi hizi zinachukua muda mwingi na mara nyingi hutumia vifaa vya kompyuta vya gharama kubwa kwa njia isiyo na ufanisi.
Azure ML ni jukwaa la wingu kwa ajili ya kujenga na kuendesha suluhisho za kujifunza kwa mashine katika Azure. Inajumuisha vipengele na uwezo mbalimbali vinavyosaidia wanasayansi wa takwimu kuandaa takwimu, kufundisha modeli, kuchapisha huduma za utabiri, na kufuatilia matumizi yao. Muhimu zaidi, inawasaidia kuongeza ufanisi wao kwa kugeuza kiotomatiki kazi nyingi zinazochukua muda zinazohusiana na mafunzo ya modeli; na inawawezesha kutumia rasilimali za kompyuta za wingu zinazoweza kupanuka kwa ufanisi, kushughulikia kiasi kikubwa cha takwimu huku wakipata gharama tu wakati zinatumiwa.
Azure ML hutoa zana zote zinazohitajika na watengenezaji na wanasayansi wa takwimu kwa ajili ya mchakato wao wa kujifunza kwa mashine. Hizi ni pamoja na:
- Azure Machine Learning Studio: ni portal ya wavuti katika Azure Machine Learning kwa chaguo za low-code na no-code kwa mafunzo ya modeli, utekelezaji, kiotomatiki, ufuatiliaji, na usimamizi wa mali. Studio inaunganishwa na Azure Machine Learning SDK kwa uzoefu wa bila mshono.
- Jupyter Notebooks: kuunda haraka na kujaribu modeli za ML.
- Azure Machine Learning Designer: inaruhusu kuburuta na kuachia moduli ili kujenga majaribio na kisha kutekeleza mabomba katika mazingira ya low-code.
- Automated machine learning UI (AutoML): inageuza kiotomatiki kazi za kurudia za maendeleo ya modeli za kujifunza kwa mashine, ikiruhusu kujenga modeli za ML kwa kiwango kikubwa, ufanisi, na uzalishaji, huku ikidumisha ubora wa modeli.
- Data Labelling: zana ya ML inayosaidia kuandika lebo za takwimu kiotomatiki.
- Kiendelezi cha kujifunza kwa mashine kwa Visual Studio Code: hutoa mazingira kamili ya maendeleo kwa ajili ya kujenga na kusimamia miradi ya ML.
- CLI ya kujifunza kwa mashine: hutoa amri za kusimamia rasilimali za Azure ML kutoka kwa mstari wa amri.
- Ujumuishaji na mifumo ya chanzo huria kama PyTorch, TensorFlow, Scikit-learn na mingine mingi kwa mafunzo, utekelezaji, na usimamizi wa mchakato wa kujifunza kwa mashine kutoka mwanzo hadi mwisho.
- MLflow: Ni maktaba ya chanzo huria kwa kusimamia mzunguko wa maisha wa majaribio yako ya kujifunza kwa mashine. MLFlow Tracking ni sehemu ya MLflow inayorekodi na kufuatilia vipimo vya mafunzo yako na vifaa vya modeli, bila kujali mazingira ya jaribio lako.
1.2 Mradi wa Utabiri wa Kushindwa kwa Moyo:
Hakuna shaka kwamba kutengeneza na kujenga miradi ni njia bora ya kujaribu ujuzi na maarifa yako. Katika somo hili, tutachunguza njia mbili tofauti za kujenga mradi wa sayansi ya takwimu kwa utabiri wa mashambulizi ya kushindwa kwa moyo katika Azure ML Studio, kupitia Low code/No code na kupitia Azure ML SDK kama inavyoonyeshwa kwenye mpangilio ufuatao:
Kila njia ina faida na hasara zake. Njia ya Low code/No code ni rahisi kuanza nayo kwani inahusisha kuingiliana na GUI (Graphical User Interface), bila ujuzi wa awali wa programu kuhitajika. Njia hii inawezesha majaribio ya haraka ya uwezekano wa mradi na kuunda POC (Proof Of Concept). Hata hivyo, mradi unavyokua na mambo yanahitaji kuwa tayari kwa uzalishaji, si rahisi kuunda rasilimali kupitia GUI. Tunahitaji kugeuza kiotomatiki kila kitu kwa njia ya programu, kuanzia uundaji wa rasilimali hadi utekelezaji wa modeli. Hapa ndipo kujua jinsi ya kutumia Azure ML SDK kunakuwa muhimu.
| Low code/No code | Azure ML SDK | |
|---|---|---|
| Ujuzi wa programu | Hauhitajiki | Unahitajika |
| Muda wa kuendeleza | Haraka na rahisi | Inategemea ujuzi wa programu |
| Tayari kwa uzalishaji | Hapana | Ndio |
1.3 Seti ya Takwimu ya Kushindwa kwa Moyo:
Magonjwa ya moyo na mishipa (CVDs) ni sababu namba moja ya vifo duniani, yakichangia 31% ya vifo vyote duniani. Sababu za hatari za mazingira na tabia kama matumizi ya tumbaku, lishe isiyo bora na unene, kutofanya mazoezi, na matumizi mabaya ya pombe zinaweza kutumika kama vipengele vya modeli za makadirio. Uwezo wa kukadiria uwezekano wa maendeleo ya CVD unaweza kuwa na manufaa makubwa katika kuzuia mashambulizi kwa watu walio katika hatari kubwa.
Kaggle imeweka Seti ya Takwimu ya Kushindwa kwa Moyo kwa matumizi ya umma, ambayo tutatumia kwa mradi huu. Unaweza kupakua seti ya takwimu sasa. Hii ni seti ya takwimu ya tabular yenye safu 13 (vipengele 12 na kipengele 1 cha lengo) na mistari 299.
| Jina la kipengele | Aina | Maelezo | Mfano | |
|---|---|---|---|---|
| 1 | umri | nambari | umri wa mgonjwa | 25 |
| 2 | anemia | boolean | Kupungua kwa seli nyekundu za damu au hemoglobini | 0 au 1 |
| 3 | creatinine_phosphokinase | nambari | Kiwango cha enzyme ya CPK katika damu | 542 |
| 4 | kisukari | boolean | Ikiwa mgonjwa ana kisukari | 0 au 1 |
| 5 | ejection_fraction | nambari | Asilimia ya damu inayotoka moyoni kwa kila mkazo | 45 |
| 6 | shinikizo la damu | boolean | Ikiwa mgonjwa ana shinikizo la damu | 0 au 1 |
| 7 | platelets | nambari | Platelets katika damu | 149000 |
| 8 | serum_creatinine | nambari | Kiwango cha serum creatinine katika damu | 0.5 |
| 9 | serum_sodium | nambari | Kiwango cha serum sodium katika damu | jun |
| 10 | jinsia | boolean | mwanamke au mwanaume | 0 au 1 |
| 11 | uvutaji sigara | boolean | Ikiwa mgonjwa anavuta sigara | 0 au 1 |
| 12 | muda | nambari | kipindi cha ufuatiliaji (siku) | 4 |
| ---- | --------------------------- | ------------------ | --------------------------------------------------------- | ------------------- |
| 21 | DEATH_EVENT [Lengo] | boolean | Ikiwa mgonjwa hufa wakati wa kipindi cha ufuatiliaji | 0 au 1 |
Baada ya kuwa na seti ya takwimu, tunaweza kuanza mradi katika Azure.
2. Mafunzo ya modeli kwa njia ya Low code/No code katika Azure ML Studio
2.1 Unda eneo la kazi la Azure ML
Ili kufundisha modeli katika Azure ML, unahitaji kwanza kuunda eneo la kazi la Azure ML. Eneo la kazi ni rasilimali ya kiwango cha juu kwa Azure Machine Learning, ikitoa mahali pa kati pa kufanya kazi na vifaa vyote unavyounda unapotumia Azure Machine Learning. Eneo la kazi huhifadhi historia ya majaribio yote ya mafunzo, ikiwa ni pamoja na magogo, vipimo, matokeo, na picha ya maandiko yako. Unatumia taarifa hii kuamua ni jaribio gani la mafunzo linalozalisha modeli bora. Jifunze zaidi
Inapendekezwa kutumia kivinjari cha kisasa zaidi kinacholingana na mfumo wako wa uendeshaji. Vivinjari vifuatavyo vinasaidiwa:
- Microsoft Edge (Microsoft Edge mpya, toleo la kisasa. Sio Microsoft Edge legacy)
- Safari (toleo la kisasa, Mac pekee)
- Chrome (toleo la kisasa)
- Firefox (toleo la kisasa)
Ili kutumia Azure Machine Learning, unda eneo la kazi katika usajili wako wa Azure. Unaweza kisha kutumia eneo hili la kazi kusimamia takwimu, rasilimali za kompyuta, programu, modeli, na vifaa vingine vinavyohusiana na mzigo wako wa kazi wa kujifunza kwa mashine.
NOTE: Usajili wako wa Azure utatozwa kiasi kidogo kwa uhifadhi wa takwimu mradi eneo la kazi la Azure Machine Learning lipo katika usajili wako, kwa hivyo tunapendekeza kufuta eneo la kazi la Azure Machine Learning wakati hautalitumia tena.
-
Ingia katika portal ya Azure ukitumia maelezo ya Microsoft yanayohusiana na usajili wako wa Azure.
-
Chagua ＋Unda rasilimali
Tafuta Machine Learning na uchague tile ya Machine Learning
Bonyeza kitufe cha kuunda
Jaza mipangilio kama ifuatavyo:
- Usajili: Usajili wako wa Azure
- Kikundi cha rasilimali: Unda au chagua kikundi cha rasilimali
- Jina la eneo la kazi: Weka jina la kipekee kwa eneo lako la kazi
- Eneo: Chagua eneo la kijiografia lililo karibu nawe
- Akaunti ya uhifadhi: Kumbuka akaunti mpya ya uhifadhi itakayoundwa kwa eneo lako la kazi
- Key vault: Kumbuka key vault mpya itakayoundwa kwa eneo lako la kazi
- Application insights: Kumbuka rasilimali mpya ya application insights itakayoundwa kwa eneo lako la kazi
- Container registry: Hakuna (moja itaundwa kiotomatiki mara ya kwanza unapotekeleza modeli kwenye kontena)
- Bonyeza kitufe cha kuunda + hakiki na kisha kitufe cha kuunda
-
Subiri eneo lako la kazi liundwe (hii inaweza kuchukua dakika chache). Kisha nenda kwenye portal. Unaweza kulipata kupitia huduma ya Azure Machine Learning.
-
Kwenye ukurasa wa Muhtasari wa eneo lako la kazi, zindua Azure Machine Learning studio (au fungua tabo mpya ya kivinjari na nenda kwenye https://ml.azure.com), na ingia katika Azure Machine Learning studio ukitumia akaunti yako ya Microsoft. Ikiwa utaulizwa, chagua saraka yako ya Azure na usajili, na eneo lako la kazi la Azure Machine Learning.
- Katika Azure Machine Learning studio, geuza ikoni ya ☰ juu kushoto ili kuona kurasa mbalimbali katika kiolesura. Unaweza kutumia kurasa hizi kusimamia rasilimali katika eneo lako la kazi.
Unaweza kusimamia eneo lako la kazi ukitumia portal ya Azure, lakini kwa wanasayansi wa takwimu na wahandisi wa operesheni za Machine Learning, Azure Machine Learning Studio hutoa kiolesura cha mtumiaji kilicholenga zaidi kusimamia rasilimali za eneo la kazi.
2.2 Rasilimali za Kompyuta
Rasilimali za Kompyuta ni rasilimali za wingu ambazo unaweza kutumia kuendesha mchakato wa mafunzo ya modeli na uchunguzi wa takwimu. Kuna aina nne za rasilimali za kompyuta unazoweza kuunda:
- Compute Instances: Vituo vya kazi vya maendeleo ambavyo wanasayansi wa takwimu wanaweza kutumia kufanya kazi na takwimu na modeli. Hii inahusisha uundaji wa Mashine ya Virtual (VM) na kuzindua mfano wa daftari. Unaweza kisha kufundisha modeli kwa kuita klasta ya kompyuta kutoka kwenye daftari.
- Compute Clusters: Klasta zinazoweza kupanuka za VM kwa usindikaji wa majaribio ya programu kwa mahitaji. Utahitaji klasta ya kompyuta wakati wa kufundisha modeli. Klasta za kompyuta zinaweza pia kutumia rasilimali maalum za GPU au CPU.
- Inference Clusters: Malengo ya utekelezaji kwa huduma za utabiri zinazotumia modeli zako zilizofundishwa.
- Compute Iliyoshikamana: Inaunganisha na rasilimali za kompyuta zilizopo za Azure, kama vile Virtual Machines au makundi ya Azure Databricks.
2.2.1 Kuchagua chaguo sahihi kwa rasilimali zako za kompyuta
Baadhi ya mambo muhimu ya kuzingatia wakati wa kuunda rasilimali ya kompyuta yanaweza kuwa maamuzi muhimu ya kufanya.
Je, unahitaji CPU au GPU?
CPU (Central Processing Unit) ni mzunguko wa kielektroniki unaotekeleza maagizo yanayojumuisha programu ya kompyuta. GPU (Graphics Processing Unit) ni mzunguko maalum wa kielektroniki unaoweza kutekeleza msimbo unaohusiana na michoro kwa kasi ya juu sana.
Tofauti kuu kati ya usanifu wa CPU na GPU ni kwamba CPU imeundwa kushughulikia kazi mbalimbali haraka (kama inavyopimwa na kasi ya saa ya CPU), lakini ina mipaka katika usawa wa kazi zinazoweza kuendeshwa. GPU imeundwa kwa ajili ya hesabu sambamba na kwa hivyo ni bora zaidi kwa kazi za kujifunza kwa kina.
| CPU | GPU |
|---|---|
| Gharama nafuu | Gharama kubwa |
| Kiwango cha chini cha usawa | Kiwango cha juu cha usawa |
| Polepole katika kufundisha mifano ya kujifunza kwa kina | Bora kwa kujifunza kwa kina |
Ukubwa wa Klasta
Makundi makubwa ni ghali zaidi lakini yatatoa majibu bora. Kwa hivyo, ikiwa una muda lakini huna pesa za kutosha, unapaswa kuanza na kundi dogo. Kinyume chake, ikiwa una pesa lakini huna muda mwingi, unapaswa kuanza na kundi kubwa.
Ukubwa wa VM
Kulingana na vikwazo vyako vya muda na bajeti, unaweza kubadilisha ukubwa wa RAM, diski, idadi ya cores na kasi ya saa. Kuongeza vigezo vyote hivyo kutakuwa na gharama kubwa, lakini kutatoa utendaji bora.
Instances Zilizojitolea au Zenye Kipaumbele cha Chini?
Instance yenye kipaumbele cha chini inamaanisha kuwa inaweza kusitishwa: kimsingi, Microsoft Azure inaweza kuchukua rasilimali hizo na kuzitumia kwa kazi nyingine, hivyo kusitisha kazi. Instance iliyojitolea, au isiyositishwa, inamaanisha kuwa kazi haitasitishwa bila ruhusa yako. Hili ni jambo lingine la kuzingatia kati ya muda na pesa, kwani instances zinazositishwa ni nafuu zaidi kuliko zile zilizojitolea.
2.2.2 Kuunda klasta ya kompyuta
Katika Azure ML workspace tuliyounda awali, nenda kwenye kompyuta na utaweza kuona rasilimali tofauti za kompyuta tulizojadili (yaani compute instances, compute clusters, inference clusters na compute iliyoshikamana). Kwa mradi huu, tunahitaji klasta ya kompyuta kwa ajili ya kufundisha modeli. Katika Studio, bonyeza menyu ya "Compute", kisha kichupo cha "Compute cluster" na bonyeza kitufe cha "+ New" ili kuunda klasta ya kompyuta.
- Chagua chaguo zako: Dedicated vs Low priority, CPU au GPU, ukubwa wa VM na idadi ya cores (unaweza kuweka mipangilio ya chaguo-msingi kwa mradi huu).
- Bonyeza kitufe cha Next.
- Pea klasta jina la kompyuta.
- Chagua chaguo zako: Idadi ya nodes ya chini/juu, sekunde za kutokuwa na shughuli kabla ya kupunguza ukubwa, ufikiaji wa SSH. Kumbuka kuwa ikiwa idadi ya chini ya nodes ni 0, utaokoa pesa wakati klasta haifanyi kazi. Kumbuka kuwa idadi ya juu ya nodes, muda wa mafunzo utakuwa mfupi. Idadi ya juu ya nodes inayopendekezwa ni 3.
- Bonyeza kitufe cha "Create". Hatua hii inaweza kuchukua dakika chache.
Nzuri sana! Sasa kwa kuwa tuna klasta ya kompyuta, tunahitaji kupakia data kwenye Azure ML Studio.
2.3 Kupakia Dataset
-
Katika Azure ML workspace tuliyounda awali, bonyeza "Datasets" kwenye menyu ya kushoto na bonyeza kitufe cha "+ Create dataset" ili kuunda dataset. Chagua chaguo la "From local files" na uchague dataset ya Kaggle tuliyopakua awali.
-
Pea dataset jina, aina na maelezo. Bonyeza Next. Pakia data kutoka kwa faili. Bonyeza Next.
-
Katika Schema, badilisha aina ya data kuwa Boolean kwa vipengele vifuatavyo: anaemia, diabetes, high blood pressure, sex, smoking, na DEATH_EVENT. Bonyeza Next na Bonyeza Create.
Nzuri sana! Sasa kwa kuwa dataset ipo na klasta ya kompyuta imeundwa, tunaweza kuanza mafunzo ya modeli!
2.4 Mafunzo ya Low code/No Code na AutoML
Maendeleo ya jadi ya modeli za kujifunza kwa mashine yanahitaji rasilimali nyingi, maarifa makubwa ya uwanja na muda wa kuzalisha na kulinganisha modeli kadhaa. Kujifunza kwa mashine kiotomatiki (AutoML), ni mchakato wa kuendesha kiotomatiki kazi za kurudia-rudia za maendeleo ya modeli za kujifunza kwa mashine. Inawawezesha wanasayansi wa data, wachambuzi, na watengenezaji kujenga modeli za ML kwa kiwango kikubwa, ufanisi, na tija, huku ikidumisha ubora wa modeli. Inapunguza muda unaohitajika kupata modeli za ML tayari kwa uzalishaji, kwa urahisi na ufanisi mkubwa. Jifunze zaidi
-
Katika Azure ML workspace tuliyounda awali bonyeza "Automated ML" kwenye menyu ya kushoto na uchague dataset uliyoipakia. Bonyeza Next.
-
Ingiza jina jipya la jaribio, safu lengwa (DEATH_EVENT) na klasta ya kompyuta tuliyounda. Bonyeza Next.
-
Chagua "Classification" na Bonyeza Finish. Hatua hii inaweza kuchukua kati ya dakika 30 hadi saa 1, kulingana na ukubwa wa klasta ya kompyuta.
-
Mara tu mchakato ukikamilika, bonyeza kichupo cha "Automated ML", bonyeza jaribio lako, na bonyeza Algorithm kwenye kadi ya "Best model summary".
Hapa unaweza kuona maelezo ya kina ya modeli bora ambayo AutoML imezalisha. Unaweza pia kuchunguza modeli nyingine zilizozalishwa kwenye kichupo cha Models. Chukua dakika chache kuchunguza modeli kwenye kitufe cha Explanations (preview). Mara tu unapochagua modeli unayotaka kutumia (hapa tutachagua modeli bora iliyochaguliwa na AutoML), tutaona jinsi tunavyoweza kupeleka modeli hiyo.
3. Upelekaji wa modeli kwa Low code/No Code na matumizi ya endpoint
3.1 Upelekaji wa modeli
Kiolesura cha kujifunza kwa mashine kiotomatiki kinakuwezesha kupeleka modeli bora kama huduma ya wavuti kwa hatua chache. Upelekaji ni ujumuishaji wa modeli ili iweze kutoa utabiri kulingana na data mpya na kutambua maeneo yanayowezekana ya fursa. Kwa mradi huu, upelekaji kwa huduma ya wavuti inamaanisha kuwa programu za matibabu zitaweza kutumia modeli kutoa utabiri wa moja kwa moja wa hatari ya mgonjwa kupata shambulio la moyo.
Katika maelezo ya modeli bora, bonyeza kitufe cha "Deploy".
- Pea jina, maelezo, aina ya kompyuta (Azure Container Instance), wezesha uthibitishaji na bonyeza Deploy. Hatua hii inaweza kuchukua takriban dakika 20 kukamilika. Mchakato wa upelekaji unajumuisha hatua kadhaa ikiwa ni pamoja na kusajili modeli, kuzalisha rasilimali, na kuzisanidi kwa huduma ya wavuti. Ujumbe wa hali unajitokeza chini ya Deploy status. Chagua Refresh mara kwa mara ili kuangalia hali ya upelekaji. Imepelekwa na inafanya kazi hali ikiwa ni "Healthy".
- Mara tu imepelekwa, bonyeza kichupo cha Endpoint na bonyeza endpoint uliyopeleka. Hapa unaweza kupata maelezo yote unayohitaji kujua kuhusu endpoint.
Ajabu! Sasa kwa kuwa tuna modeli iliyopelekwa, tunaweza kuanza matumizi ya endpoint.
3.2 Matumizi ya endpoint
Bonyeza kichupo cha "Consume". Hapa unaweza kupata endpoint ya REST na script ya Python katika chaguo la matumizi. Chukua muda kusoma msimbo wa Python.
Script hii inaweza kuendeshwa moja kwa moja kutoka kwa mashine yako ya ndani na itatumia endpoint yako.
Chukua muda kuangalia mistari hii miwili ya msimbo:
url = 'http://98e3715f-xxxx-xxxx-xxxx-9ec22d57b796.centralus.azurecontainer.io/score'
api_key = '' # Replace this with the API key for the web service
Kigezo url ni endpoint ya REST inayopatikana kwenye kichupo cha consume na kigezo api_key ni ufunguo wa msingi pia unaopatikana kwenye kichupo cha consume (ikiwa tu umewezesha uthibitishaji). Hivi ndivyo script inaweza kutumia endpoint.
- Ukiendesha script, unapaswa kuona matokeo yafuatayo:
b'"{\\"result\\": [true]}"'
Hii inamaanisha kuwa utabiri wa kushindwa kwa moyo kwa data iliyotolewa ni kweli. Hii ina mantiki kwa sababu ukitazama kwa karibu data iliyozalishwa kiotomatiki kwenye script, kila kitu kiko 0 na si kweli kwa chaguo-msingi. Unaweza kubadilisha data kwa sampuli ifuatayo ya pembejeo:
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",
},
],
}
Script inapaswa kurudisha:
python b'"{\\"result\\": [true, false]}"'
Hongera! Umetumia modeli iliyopelekwa na kuifundisha kwenye Azure ML!
NOTE: Mara tu unapomaliza mradi, usisahau kufuta rasilimali zote.
🚀 Changamoto
Angalia kwa karibu maelezo ya modeli na maelezo ambayo AutoML imezalisha kwa modeli bora. Jaribu kuelewa kwa nini modeli bora ni bora kuliko nyingine. Ni algorithms gani zililinganishwa? Ni tofauti gani kati yao? Kwa nini ile bora inafanya vizuri zaidi katika kesi hii?
Post-lecture quiz
Mapitio na Kujisomea
Katika somo hili, umejifunza jinsi ya kufundisha, kupeleka na kutumia modeli kutabiri hatari ya kushindwa kwa moyo kwa njia ya Low code/No code katika wingu. Ikiwa bado hujafanya hivyo, chunguza kwa kina maelezo ya modeli ambayo AutoML imezalisha kwa modeli bora na jaribu kuelewa kwa nini ile bora ni bora kuliko nyingine.
Unaweza kwenda mbali zaidi katika AutoML ya Low code/No code kwa kusoma hati hii.
Kazi ya Nyumbani
Mradi wa Data Science wa Low code/No code kwenye Azure ML
Kanusho:
Hati hii imetafsiriwa kwa kutumia huduma ya kutafsiri ya AI Co-op Translator. Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.