localizeflow[bot]
ab59922f29
|
1 month ago | |
|---|---|---|
| .. | ||
| solution | 2 months ago | |
| README.md | 1 month ago | |
| assignment.md | 2 months ago | |
| notebook.ipynb | 2 months ago | |
README.md
ಕ್ಲೌಡ್ನಲ್ಲಿ ಡೇಟಾ ಸೈನ್ಸ್: "ಅಜೂರ್ ಎಂಎಲ್ ಎಸ್ಡಿಕೆ" ವಿಧಾನ
 |
|---|
| ಕ್ಲೌಡ್ನಲ್ಲಿ ಡೇಟಾ ಸೈನ್ಸ್: ಅಜೂರ್ ಎಂಎಲ್ ಎಸ್ಡಿಕೆ - @nitya ಅವರಿಂದ ಸ್ಕೆಚ್ನೋಟ್ |
ವಿಷಯಗಳ ಪಟ್ಟಿಃ
- ಕ್ಲೌಡ್ನಲ್ಲಿ ಡೇಟಾ ಸೈನ್ಸ್: "ಅಜೂರ್ ಎಂಎಲ್ ಎಸ್ಡಿಕೆ" ವಿಧಾನ
ಪೂರ್ವ-ಲೇಕ್ಚರ್ ಕ್ವಿಜ್
1. ಪರಿಚಯ
1.1 ಅಜೂರ್ ಎಂಎಲ್ ಎಸ್ಡಿಕೆ ಎಂದರೆ ಏನು?
ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳು ಮತ್ತು AI ಅಭಿವೃದ್ಧಿಪಡಿಸುವವರು ಅಜೂರ್ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಎಸ್ಡಿಕೆ ಬಳಸಿ ಅಜೂರ್ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಸೇವೆಯೊಂದಿಗೆ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ವರ್ಕ್ಫ್ಲೋಗಳನ್ನು ನಿರ್ಮಿಸಿ ಮತ್ತು ಚಾಲನೆ ಮಾಡುತ್ತಾರೆ. ನೀವು ಯಾವುದೇ ಪೈಥಾನ್ ಪರಿಸರದಲ್ಲಿ, ಜುಪೈಟರ್ ನೋಟ್ಬುಕ್ಗಳು, ವಿಸುಯಲ್ ಸ್ಟುಡಿಯೋ ಕೋಡ್ ಅಥವಾ ನಿಮ್ಮ ಇಷ್ಟದ ಪೈಥಾನ್ ಐಡಿಇ ಸೇರಿದಂತೆ, ಸೇವೆಯೊಂದಿಗೆ ಸಂವಹನ ಮಾಡಬಹುದು.
ಎಸ್ಡಿಕೆ ಪ್ರಮುಖ ಕ್ಷೇತ್ರಗಳು:
- ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಪ್ರಯೋಗಗಳಲ್ಲಿ ಬಳಸುವ ನಿಮ್ಮ ಡೇಟಾಸೆಟ್ಗಳ ಜೀವನಚಕ್ರವನ್ನು ಅನ್ವೇಷಿಸಿ, ಸಿದ್ಧಪಡಿಸಿ ಮತ್ತು ನಿರ್ವಹಿಸಿ.
- ನಿಮ್ಮ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಪ್ರಯೋಗಗಳನ್ನು ಮೇಲ್ವಿಚಾರಣೆ, ಲಾಗಿಂಗ್ ಮತ್ತು ಸಂಘಟಿಸಲು ಕ್ಲೌಡ್ ಸಂಪನ್ಮೂಲಗಳನ್ನು ನಿರ್ವಹಿಸಿ.
- ಸ್ಥಳೀಯವಾಗಿ ಅಥವಾ GPU-ವೇಗವರ್ಧಿತ ಮಾದರಿ ತರಬೇತಿಯನ್ನು ಒಳಗೊಂಡಂತೆ ಕ್ಲೌಡ್ ಸಂಪನ್ಮೂಲಗಳನ್ನು ಬಳಸಿ ಮಾದರಿಗಳನ್ನು ತರಬೇತಿ ಮಾಡಿ.
- ಸ್ವಯಂಚಾಲಿತ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಬಳಸಿ, ಇದು ಸಂರಚನಾ ಪರಿಮಾಣಗಳು ಮತ್ತು ತರಬೇತಿ ಡೇಟಾವನ್ನು ಸ್ವೀಕರಿಸುತ್ತದೆ. ಇದು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಅಲ್ಗಾರಿಥಮ್ಗಳು ಮತ್ತು ಹೈಪರ್ಪ್ಯಾರಾಮೀಟರ್ ಸೆಟ್ಟಿಂಗ್ಗಳ ಮೂಲಕ ಸುತ್ತುತ್ತದೆ ಮತ್ತು ಭವಿಷ್ಯವಾಣಿಗೆ ಉತ್ತಮ ಮಾದರಿಯನ್ನು ಕಂಡುಹಿಡಿಯುತ್ತದೆ.
- ನಿಮ್ಮ ತರಬೇತಿಗೊಂಡ ಮಾದರಿಗಳನ್ನು RESTful ಸೇವೆಗಳಾಗಿ ಪರಿವರ್ತಿಸಿ, ಯಾವುದೇ ಅಪ್ಲಿಕೇಶನ್ನಲ್ಲಿ ಸೇವೆಗಳನ್ನು ಉಪಯೋಗಿಸಲು ವೆಬ್ ಸೇವೆಗಳನ್ನು ನಿಯೋಜಿಸಿ.
ಅಜೂರ್ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಎಸ್ಡಿಕೆ ಬಗ್ಗೆ ಇನ್ನಷ್ಟು ತಿಳಿಯಿರಿ
ಹಿಂದಿನ ಪಾಠದಲ್ಲಿ, ನಾವು ಕಡಿಮೆ ಕೋಡ್/ಕೋಡ್ ಇಲ್ಲದ ರೀತಿಯಲ್ಲಿ ಮಾದರಿಯನ್ನು ತರಬೇತಿ, ನಿಯೋಜನೆ ಮತ್ತು ಬಳಕೆ ಮಾಡುವುದು ಹೇಗೆ ಎಂದು ನೋಡಿದ್ದೇವೆ. ನಾವು ಹೃದಯ ವೈಫಲ್ಯ ಡೇಟಾಸೆಟ್ ಬಳಸಿ ಹೃದಯ ವೈಫಲ್ಯ ಭವಿಷ್ಯವಾಣಿ ಮಾದರಿಯನ್ನು ರಚಿಸಿದ್ದೇವೆ. ಈ ಪಾಠದಲ್ಲಿ, ನಾವು ಅದೇ ಕಾರ್ಯವನ್ನು ಅಜೂರ್ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಎಸ್ಡಿಕೆ ಬಳಸಿ ಮಾಡಲಿದ್ದೇವೆ.
1.2 ಹೃದಯ ವೈಫಲ್ಯ ಭವಿಷ್ಯವಾಣಿ ಯೋಜನೆ ಮತ್ತು ಡೇಟಾಸೆಟ್ ಪರಿಚಯ
ಹೃದಯ ವೈಫಲ್ಯ ಭವಿಷ್ಯವಾಣಿ ಯೋಜನೆ ಮತ್ತು ಡೇಟಾಸೆಟ್ ಪರಿಚಯವನ್ನು ಇಲ್ಲಿ ಪರಿಶೀಲಿಸಿ.
2. ಅಜೂರ್ ಎಂಎಲ್ ಎಸ್ಡಿಕೆ ಬಳಸಿ ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡುವುದು
2.1 ಅಜೂರ್ ಎಂಎಲ್ ವರ್ಕ್ಸ್ಪೇಸ್ ರಚನೆ
ಸರಳತೆಗೆ, ನಾವು ಜುಪೈಟರ್ ನೋಟ್ಬುಕ್ನಲ್ಲಿ ಕೆಲಸ ಮಾಡಲಿದ್ದೇವೆ. ಇದರಿಂದ ನೀವು ಈಗಾಗಲೇ ವರ್ಕ್ಸ್ಪೇಸ್ ಮತ್ತು ಕಂಪ್ಯೂಟ್ ಇನ್ಸ್ಟಾನ್ಸ್ ಹೊಂದಿರಬೇಕು. ನೀವು ಈಗಾಗಲೇ ವರ್ಕ್ಸ್ಪೇಸ್ ಹೊಂದಿದ್ದರೆ, ನೇರವಾಗಿ 2.3 ನೋಟ್ಬುಕ್ ರಚನೆ ವಿಭಾಗಕ್ಕೆ ಹೋಗಬಹುದು.
ಇಲ್ಲದಿದ್ದರೆ, ದಯವಿಟ್ಟು ಹಿಂದಿನ ಪಾಠದಲ್ಲಿ 2.1 ಅಜೂರ್ ಎಂಎಲ್ ವರ್ಕ್ಸ್ಪೇಸ್ ರಚನೆ ವಿಭಾಗದಲ್ಲಿನ ಸೂಚನೆಗಳನ್ನು ಅನುಸರಿಸಿ ವರ್ಕ್ಸ್ಪೇಸ್ ರಚಿಸಿ.
2.2 ಕಂಪ್ಯೂಟ್ ಇನ್ಸ್ಟಾನ್ಸ್ ರಚನೆ
ನಾವು ಮೊದಲು ರಚಿಸಿದ ಅಜೂರ್ ಎಂಎಲ್ ವರ್ಕ್ಸ್ಪೇಸ್ ನಲ್ಲಿ, ಕಂಪ್ಯೂಟ್ ಮೆನುಗೆ ಹೋಗಿ ಲಭ್ಯವಿರುವ ವಿವಿಧ ಕಂಪ್ಯೂಟ್ ಸಂಪನ್ಮೂಲಗಳನ್ನು ನೋಡಬಹುದು
ಜುಪೈಟರ್ ನೋಟ್ಬುಕ್ ಪ್ರೊವಿಷನ್ ಮಾಡಲು ಕಂಪ್ಯೂಟ್ ಇನ್ಸ್ಟಾನ್ಸ್ ರಚಿಸೋಣ.
-
- New ಬಟನ್ ಕ್ಲಿಕ್ ಮಾಡಿ.
- ನಿಮ್ಮ ಕಂಪ್ಯೂಟ್ ಇನ್ಸ್ಟಾನ್ಸ್ಗೆ ಹೆಸರು ನೀಡಿ.
- ನಿಮ್ಮ ಆಯ್ಕೆಗಳು: CPU ಅಥವಾ GPU, VM ಗಾತ್ರ ಮತ್ತು ಕೋರ್ ಸಂಖ್ಯೆ ಆಯ್ಕೆಮಾಡಿ.
- Create ಬಟನ್ ಕ್ಲಿಕ್ ಮಾಡಿ.
ಅಭಿನಂದನೆಗಳು, ನೀವು ಕಂಪ್ಯೂಟ್ ಇನ್ಸ್ಟಾನ್ಸ್ ರಚಿಸಿದ್ದೀರಿ! ನಾವು ಈ ಕಂಪ್ಯೂಟ್ ಇನ್ಸ್ಟಾನ್ಸ್ ಅನ್ನು ನೋಟ್ಬುಕ್ ರಚನೆ ವಿಭಾಗದಲ್ಲಿ ನೋಟ್ಬುಕ್ ರಚಿಸಲು ಬಳಸಲಿದ್ದೇವೆ.
2.3 ಡೇಟಾಸೆಟ್ ಲೋಡ್ ಮಾಡುವುದು
ನೀವು ಡೇಟಾಸೆಟ್ ಅನ್ನು ಇನ್ನೂ ಅಪ್ಲೋಡ್ ಮಾಡದಿದ್ದರೆ, ದಯವಿಟ್ಟು ಹಿಂದಿನ ಪಾಠದಲ್ಲಿ 2.3 ಡೇಟಾಸೆಟ್ ಲೋಡ್ ಮಾಡುವುದು ವಿಭಾಗವನ್ನು ನೋಡಿ.
2.4 ನೋಟ್ಬುಕ್ಗಳು ರಚಿಸುವುದು
ಗಮನಿಸಿ: ಮುಂದಿನ ಹಂತಕ್ಕೆ ನೀವು ಹೊಸ ನೋಟ್ಬುಕ್ ಅನ್ನು ಶೂನ್ಯದಿಂದ ರಚಿಸಬಹುದು ಅಥವಾ ನೀವು ರಚಿಸಿದ ನೋಟ್ಬುಕ್ ಅನ್ನು ನಿಮ್ಮ ಅಜೂರ್ ಎಂಎಲ್ ಸ್ಟುಡಿಯೋಗೆ ಅಪ್ಲೋಡ್ ಮಾಡಬಹುದು. ಅದಕ್ಕಾಗಿ "Notebook" ಮೆನು ಕ್ಲಿಕ್ ಮಾಡಿ ನೋಟ್ಬುಕ್ ಅಪ್ಲೋಡ್ ಮಾಡಿ.
ನೋಟ್ಬುಕ್ಗಳು ಡೇಟಾ ಸೈನ್ಸ್ ಪ್ರಕ್ರಿಯೆಯ ಅತ್ಯಂತ ಪ್ರಮುಖ ಭಾಗ. ಅವುಗಳನ್ನು ಅನ್ವೇಷಣಾತ್ಮಕ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ (EDA) ನಡೆಸಲು, ಕಂಪ್ಯೂಟ್ ಕ್ಲಸ್ಟರ್ಗೆ ಕರೆ ಮಾಡಿ ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡಲು, ಇನ್ಫರೆನ್ಸ್ ಕ್ಲಸ್ಟರ್ಗೆ ಕರೆ ಮಾಡಿ ಎಂಡ್ಪಾಯಿಂಟ್ ನಿಯೋಜಿಸಲು ಬಳಸಬಹುದು.
ನೋಟ್ಬುಕ್ ರಚಿಸಲು, ಜುಪೈಟರ್ ನೋಟ್ಬುಕ್ ಇನ್ಸ್ಟಾನ್ಸ್ ಅನ್ನು ಸರ್ವ್ ಮಾಡುವ ಕಂಪ್ಯೂಟ್ ನೋಡ್ ಬೇಕು. ಅಜೂರ್ ಎಂಎಲ್ ವರ್ಕ್ಸ್ಪೇಸ್ ಗೆ ಹಿಂತಿರುಗಿ ಮತ್ತು Compute instances ಕ್ಲಿಕ್ ಮಾಡಿ. ಕಂಪ್ಯೂಟ್ ಇನ್ಸ್ಟಾನ್ಸ್ ಪಟ್ಟಿಯಲ್ಲಿ ನೀವು ನಾವು ಮೊದಲು ರಚಿಸಿದ ಕಂಪ್ಯೂಟ್ ಇನ್ಸ್ಟಾನ್ಸ್ ನೋಡಬಹುದು.
- Applications ವಿಭಾಗದಲ್ಲಿ, Jupyter ಆಯ್ಕೆಯನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ.
- "Yes, I understand" ಬಾಕ್ಸ್ ಟಿಕ್ ಮಾಡಿ ಮತ್ತು Continue ಬಟನ್ ಕ್ಲಿಕ್ ಮಾಡಿ.
- ಇದು ನಿಮ್ಮ ಜುಪೈಟರ್ ನೋಟ್ಬುಕ್ ಇನ್ಸ್ಟಾನ್ಸ್ನೊಂದಿಗೆ ಹೊಸ ಬ್ರೌಸರ್ ಟ್ಯಾಬ್ ತೆರೆಯುತ್ತದೆ. ನೋಟ್ಬುಕ್ ರಚಿಸಲು "New" ಬಟನ್ ಕ್ಲಿಕ್ ಮಾಡಿ.
ನಾವು ಈಗ ನೋಟ್ಬುಕ್ ಹೊಂದಿದ್ದೇವೆ, ಅಜೂರ್ ಎಂಎಲ್ ಎಸ್ಡಿಕೆ ಬಳಸಿ ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡಬಹುದು.
2.5 ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡುವುದು
ಮೊದಲು, ನೀವು ಯಾವಾಗಲಾದರೂ ಸಂಶಯ ಹೊಂದಿದರೆ, ಅಜೂರ್ ಎಂಎಲ್ ಎಸ್ಡಿಕೆ ಡಾಕ್ಯುಮೆಂಟೇಶನ್ ನೋಡಿ. ಈ ಪಾಠದಲ್ಲಿ ನಾವು ನೋಡಲಿರುವ ಮೋಡ್ಯೂಲ್ಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಅಗತ್ಯವಿರುವ ಎಲ್ಲಾ ಮಾಹಿತಿಯನ್ನು ಇದು ಹೊಂದಿದೆ.
2.5.1 ವರ್ಕ್ಸ್ಪೇಸ್, ಪ್ರಯೋಗ, ಕಂಪ್ಯೂಟ್ ಕ್ಲಸ್ಟರ್ ಮತ್ತು ಡೇಟಾಸೆಟ್ ಸೆಟ್ಅಪ್
ನೀವು ಕೆಳಗಿನ ಕೋಡ್ ಬಳಸಿ ಸಂರಚನಾ ಫೈಲ್ನಿಂದ workspace ಅನ್ನು ಲೋಡ್ ಮಾಡಬೇಕು:
from azureml.core import Workspace
ws = Workspace.from_config()
ಇದು ವರ್ಕ್ಸ್ಪೇಸ್ ಅನ್ನು ಪ್ರತಿನಿಧಿಸುವ Workspace ಪ್ರಕಾರದ ವಸ್ತುವನ್ನು ಹಿಂತಿರುಗಿಸುತ್ತದೆ. ನಂತರ ನೀವು ಕೆಳಗಿನ ಕೋಡ್ ಬಳಸಿ experiment ರಚಿಸಬೇಕು:
from azureml.core import Experiment
experiment_name = 'aml-experiment'
experiment = Experiment(ws, experiment_name)
ವರ್ಕ್ಸ್ಪೇಸ್ನಿಂದ ಪ್ರಯೋಗವನ್ನು ಪಡೆಯಲು ಅಥವಾ ರಚಿಸಲು, ನೀವು ಪ್ರಯೋಗದ ಹೆಸರನ್ನು ಬಳಸಿ ಅದನ್ನು ಕೇಳುತ್ತೀರಿ. ಪ್ರಯೋಗದ ಹೆಸರು 3-36 ಅಕ್ಷರಗಳಿರಬೇಕು, ಅಕ್ಷರ ಅಥವಾ ಸಂಖ್ಯೆಯಿಂದ ಪ್ರಾರಂಭವಾಗಬೇಕು ಮತ್ತು ಅಕ್ಷರಗಳು, ಸಂಖ್ಯೆಗಳು, ಅಂಡರ್ಸ್ಕೋರ್ ಮತ್ತು ಡ್ಯಾಶ್ಗಳನ್ನು ಮಾತ್ರ ಹೊಂದಿರಬಹುದು. ಪ್ರಯೋಗವು ವರ್ಕ್ಸ್ಪೇಸ್ನಲ್ಲಿ ಕಂಡುಬರದಿದ್ದರೆ, ಹೊಸ ಪ್ರಯೋಗ ರಚಿಸಲಾಗುತ್ತದೆ.
ಈಗ ನೀವು ತರಬೇತಿಗಾಗಿ ಕಂಪ್ಯೂಟ್ ಕ್ಲಸ್ಟರ್ ರಚಿಸಬೇಕು, ಕೆಳಗಿನ ಕೋಡ್ ಬಳಸಿ. ಈ ಹಂತಕ್ಕೆ ಕೆಲವು ನಿಮಿಷಗಳು ಬೇಕಾಗಬಹುದು.
from azureml.core.compute import AmlCompute
aml_name = "heart-f-cluster"
try:
aml_compute = AmlCompute(ws, aml_name)
print('Found existing AML compute context.')
except:
print('Creating new AML compute context.')
aml_config = AmlCompute.provisioning_configuration(vm_size = "Standard_D2_v2", min_nodes=1, max_nodes=3)
aml_compute = AmlCompute.create(ws, name = aml_name, provisioning_configuration = aml_config)
aml_compute.wait_for_completion(show_output = True)
cts = ws.compute_targets
compute_target = cts[aml_name]
ನೀವು ಡೇಟಾಸೆಟ್ ಅನ್ನು ವರ್ಕ್ಸ್ಪೇಸ್ನಿಂದ ಡೇಟಾಸೆಟ್ ಹೆಸರನ್ನು ಬಳಸಿ ಕೆಳಗಿನ ರೀತಿಯಲ್ಲಿ ಪಡೆಯಬಹುದು:
dataset = ws.datasets['heart-failure-records']
df = dataset.to_pandas_dataframe()
df.describe()
2.5.2 ಆಟೋಎಂಎಲ್ ಸಂರಚನೆ ಮತ್ತು ತರಬೇತಿ
ಆಟೋಎಂಎಲ್ ಸಂರಚನೆಯನ್ನು ಸೆಟ್ ಮಾಡಲು, AutoMLConfig ವರ್ಗ ಬಳಸಿ.
ಡಾಕ್ಯುಮೆಂಟ್ನಲ್ಲಿ ವಿವರಿಸಿದಂತೆ, ನೀವು ಆಡಲು ಬಹಳಷ್ಟು ಪರಿಮಾಣಗಳಿವೆ. ಈ ಯೋಜನೆಗಾಗಿ, ನಾವು ಕೆಳಗಿನ ಪರಿಮಾಣಗಳನ್ನು ಬಳಸಲಿದ್ದೇವೆ:
experiment_timeout_minutes: ಪ್ರಯೋಗವನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ನಿಲ್ಲಿಸುವ ಮೊದಲು ಅನುಮತಿಸಲಾದ ಗರಿಷ್ಠ ಸಮಯ (ನಿಮಿಷಗಳಲ್ಲಿ) ಮತ್ತು ಫಲಿತಾಂಶಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಲಭ್ಯವಿರಿಸುವಂತೆ ಮಾಡುವುದುmax_concurrent_iterations: ಪ್ರಯೋಗಕ್ಕೆ ಅನುಮತಿಸಲಾದ ಗರಿಷ್ಠ ಸಮಕಾಲೀನ ತರಬೇತಿ ಪುನರಾವೃತ್ತಿಗಳ ಸಂಖ್ಯೆprimary_metric: ಪ್ರಯೋಗದ ಸ್ಥಿತಿಯನ್ನು ನಿರ್ಧರಿಸಲು ಬಳಸುವ ಪ್ರಾಥಮಿಕ ಮಿತಿcompute_target: ಆಟೋಮೇಟೆಡ್ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಪ್ರಯೋಗವನ್ನು ನಡೆಸಲು ಅಜೂರ್ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಕಂಪ್ಯೂಟ್ ಗುರಿtask: ನಡೆಸಬೇಕಾದ ಕಾರ್ಯದ ಪ್ರಕಾರ. ಮೌಲ್ಯಗಳು 'classification', 'regression', ಅಥವಾ 'forecasting' ಆಗಿರಬಹುದು, ಆಟೋಎಂಎಲ್ ಸಮಸ್ಯೆಯ ಪ್ರಕಾರtraining_data: ಪ್ರಯೋಗದಲ್ಲಿ ಬಳಸುವ ತರಬೇತಿ ಡೇಟಾ. ಇದರಲ್ಲಿ ತರಬೇತಿ ವೈಶಿಷ್ಟ್ಯಗಳು ಮತ್ತು ಲೇಬಲ್ ಕಾಲಮ್ (ಐಚ್ಛಿಕವಾಗಿ ಸ್ಯಾಂಪಲ್ ತೂಕಗಳ ಕಾಲಮ್) ಇರಬೇಕುlabel_column_name: ಲೇಬಲ್ ಕಾಲಮ್ ಹೆಸರುpath: ಅಜೂರ್ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಯೋಜನೆ ಫೋಲ್ಡರ್ಗೆ ಪೂರ್ಣ ಮಾರ್ಗenable_early_stopping: ಸ್ಕೋರ್ ಕಡಿಮೆ ಆಗುತ್ತಿರುವಾಗ ಮುಂಚಿತವಾಗಿ ನಿಲ್ಲಿಸುವುದನ್ನು ಸಕ್ರಿಯಗೊಳಿಸುವುದುfeaturization: ಫೀಚರೈಜೆಷನ್ ಹಂತವನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಮಾಡಬೇಕೇ ಅಥವಾ ಕಸ್ಟಮೈಸ್ ಮಾಡಬೇಕೇ ಎಂಬ ಸೂಚಕdebug_log: ಡಿಬಗ್ ಮಾಹಿತಿಯನ್ನು ಬರೆಯಲು ಲಾಗ್ ಫೈಲ್
from azureml.train.automl import AutoMLConfig
project_folder = './aml-project'
automl_settings = {
"experiment_timeout_minutes": 20,
"max_concurrent_iterations": 3,
"primary_metric" : 'AUC_weighted'
}
automl_config = AutoMLConfig(compute_target=compute_target,
task = "classification",
training_data=dataset,
label_column_name="DEATH_EVENT",
path = project_folder,
enable_early_stopping= True,
featurization= 'auto',
debug_log = "automl_errors.log",
**automl_settings
)
ನೀವು ನಿಮ್ಮ ಸಂರಚನೆಯನ್ನು ಸೆಟ್ ಮಾಡಿದ ನಂತರ, ಕೆಳಗಿನ ಕೋಡ್ ಬಳಸಿ ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡಬಹುದು. ನಿಮ್ಮ ಕ್ಲಸ್ಟರ್ ಗಾತ್ರದ ಮೇಲೆ ಅವಲಂಬಿಸಿ ಈ ಹಂತಕ್ಕೆ ಒಂದು ಗಂಟೆವರೆಗೂ ಸಮಯ ಬೇಕಾಗಬಹುದು.
remote_run = experiment.submit(automl_config)
ನೀವು RunDetails ವಿಗೆಟ್ ಅನ್ನು ಚಾಲನೆ ಮಾಡಿ ವಿವಿಧ ಪ್ರಯೋಗಗಳನ್ನು ತೋರಿಸಬಹುದು.
from azureml.widgets import RunDetails
RunDetails(remote_run).show()
3. ಅಜೂರ್ ಎಂಎಲ್ ಎಸ್ಡಿಕೆ ಬಳಸಿ ಮಾದರಿ ನಿಯೋಜನೆ ಮತ್ತು ಎಂಡ್ಪಾಯಿಂಟ್ ಬಳಕೆ
3.1 ಉತ್ತಮ ಮಾದರಿಯನ್ನು ಉಳಿಸುವುದು
remote_run ಒಂದು AutoMLRun ಪ್ರಕಾರದ ವಸ್ತು. ಈ ವಸ್ತುವಿನಲ್ಲಿ get_output() ವಿಧಾನವಿದೆ, ಇದು ಉತ್ತಮ ರನ್ ಮತ್ತು ಸಂಬಂಧಿತ ಫಿಟ್ ಮಾಡಲಾದ ಮಾದರಿಯನ್ನು ಹಿಂತಿರುಗಿಸುತ್ತದೆ.
best_run, fitted_model = remote_run.get_output()
ನೀವು ಉತ್ತಮ ಮಾದರಿಗಾಗಿ ಬಳಸಲಾದ ಪರಿಮಾಣಗಳನ್ನು fitted_model ಅನ್ನು ಮುದ್ರಿಸಿ ನೋಡಬಹುದು ಮತ್ತು ಉತ್ತಮ ಮಾದರಿಯ ಗುಣಲಕ್ಷಣಗಳನ್ನು get_properties() ವಿಧಾನ ಬಳಸಿ ನೋಡಬಹುದು.
best_run.get_properties()
ಈಗ register_model ವಿಧಾನ ಬಳಸಿ ಮಾದರಿಯನ್ನು ನೋಂದಣಿ ಮಾಡಿರಿ.
model_name = best_run.properties['model_name']
script_file_name = 'inference/score.py'
best_run.download_file('outputs/scoring_file_v_1_0_0.py', 'inference/score.py')
description = "aml heart failure project sdk"
model = best_run.register_model(model_name = model_name,
model_path = './outputs/',
description = description,
tags = None)
3.2 ಮಾದರಿ ನಿಯೋಜನೆ
ಒಮ್ಮೆ ಉತ್ತಮ ಮಾದರಿ ಉಳಿಸಿದ ನಂತರ, ಅದನ್ನು InferenceConfig ವರ್ಗ ಬಳಸಿ ನಿಯೋಜಿಸಬಹುದು. InferenceConfig ನಿಯೋಜನೆಗೆ ಬಳಸುವ ಕಸ್ಟಮ್ ಪರಿಸರದ ಸಂರಚನಾ ಸೆಟ್ಟಿಂಗ್ಗಳನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ. AciWebservice ವರ್ಗವು ಅಜೂರ್ ಕಂಟೈನರ್ ಇನ್ಸ್ಟಾನ್ಸ್ಗಳ ಮೇಲೆ ವೆಬ್ ಸೇವೆ ಎಂಡ್ಪಾಯಿಂಟ್ ಆಗಿ ನಿಯೋಜಿಸಲಾದ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಮಾದರಿಯನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ. ನಿಯೋಜಿಸಲಾದ ಸೇವೆ ಮಾದರಿ, ಸ್ಕ್ರಿಪ್ಟ್ ಮತ್ತು ಸಂಬಂಧಿತ ಫೈಲ್ಗಳಿಂದ ರಚಿಸಲಾಗುತ್ತದೆ. ಫಲಿತಾಂಶ ವೆಬ್ ಸೇವೆ ಲೋಡ್-ಬ್ಯಾಲೆನ್ಸ್ ಮಾಡಲಾದ, HTTP ಎಂಡ್ಪಾಯಿಂಟ್ ಮತ್ತು REST API ಆಗಿದೆ. ನೀವು ಈ API ಗೆ ಡೇಟಾ ಕಳುಹಿಸಿ, ಮಾದರಿಯಿಂದ ಭವಿಷ್ಯವಾಣಿ ಪಡೆಯಬಹುದು.
ಮಾದರಿಯನ್ನು deploy ವಿಧಾನ ಬಳಸಿ ನಿಯೋಜಿಸಲಾಗುತ್ತದೆ.
from azureml.core.model import InferenceConfig, Model
from azureml.core.webservice import AciWebservice
inference_config = InferenceConfig(entry_script=script_file_name, environment=best_run.get_environment())
aciconfig = AciWebservice.deploy_configuration(cpu_cores = 1,
memory_gb = 1,
tags = {'type': "automl-heart-failure-prediction"},
description = 'Sample service for AutoML Heart Failure Prediction')
aci_service_name = 'automl-hf-sdk'
aci_service = Model.deploy(ws, aci_service_name, [model], inference_config, aciconfig)
aci_service.wait_for_deployment(True)
print(aci_service.state)
ಈ ಹಂತಕ್ಕೆ ಕೆಲವು ನಿಮಿಷಗಳು ಬೇಕಾಗಬಹುದು.
3.3 ಎಂಡ್ಪಾಯಿಂಟ್ ಬಳಕೆ
ನೀವು ನಿಮ್ಮ ಎಂಡ್ಪಾಯಿಂಟ್ ಅನ್ನು ಉದಾಹರಣಾ ಇನ್ಪುಟ್ ರಚಿಸುವ ಮೂಲಕ ಬಳಕೆ ಮಾಡಬಹುದು:
data = {
"data":
[
{
'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",
},
],
}
test_sample = str.encode(json.dumps(data))
ನಂತರ ನೀವು ಈ ಇನ್ಪುಟ್ ಅನ್ನು ನಿಮ್ಮ ಮಾದರಿಗೆ ಭವಿಷ್ಯವಾಣಿ ಮಾಡಲು ಕಳುಹಿಸಬಹುದು :
response = aci_service.run(input_data=test_sample)
response
ಇದು '{"result": [false]}' ಅನ್ನು ಔಟ್ಪುಟ್ ಮಾಡಬೇಕು. ಇದರ ಅರ್ಥ ನಾವು ಎಂಡ್ಪಾಯಿಂಟ್ಗೆ ಕಳುಹಿಸಿದ ರೋಗಿಯ ಇನ್ಪುಟ್ ಭವಿಷ್ಯವಾಣಿ false ಅನ್ನು ರಚಿಸಿದೆ, ಅಂದರೆ ಈ ವ್ಯಕ್ತಿಗೆ ಹೃದಯಾಘಾತ ಸಂಭವಿಸುವ ಸಾಧ್ಯತೆ ಕಡಿಮೆ.
ಅಭಿನಂದನೆಗಳು! ನೀವು ಈಗಾಗಲೇ Azure ML SDK ಬಳಸಿ Azure ML ನಲ್ಲಿ ನಿಯೋಜಿಸಲ್ಪಟ್ಟ ಮತ್ತು ತರಬೇತುಗೊಂಡ ಮಾದರಿಯನ್ನು ಉಪಯೋಗಿಸಿದ್ದೀರಿ!
ಗಮನಿಸಿ: ಪ್ರಾಜೆಕ್ಟ್ ಮುಗಿಸಿದ ನಂತರ, ಎಲ್ಲಾ ಸಂಪನ್ಮೂಲಗಳನ್ನು ಅಳಿಸುವುದನ್ನು ಮರೆತಬೇಡಿ.
🚀 ಸವಾಲು
SDK ಮೂಲಕ ನೀವು ಇನ್ನೂ ಅನೇಕ ಕಾರ್ಯಗಳನ್ನು ಮಾಡಬಹುದು, ಆದರೆ ಈ ಪಾಠದಲ್ಲಿ ಅವುಗಳೆಲ್ಲವನ್ನು ನೋಡಲು ಸಾಧ್ಯವಿಲ್ಲ. ಆದರೆ ಒಳ್ಳೆಯ ಸುದ್ದಿ ಏನೆಂದರೆ, SDK ಡಾಕ್ಯುಮೆಂಟೇಶನ್ ಅನ್ನು ಹೇಗೆ ತ್ವರಿತವಾಗಿ ಓದಿಕೊಳ್ಳುವುದು ಎಂಬುದನ್ನು ಕಲಿತರೆ, ನೀವು ಸ್ವತಃ ಬಹಳ ದೂರ ಹೋಗಬಹುದು. Azure ML SDK ಡಾಕ್ಯುಮೆಂಟೇಶನ್ ಅನ್ನು ನೋಡಿ, ಪೈಪ್ಲೈನ್ ರಚಿಸಲು ಅನುಮತಿಸುವ Pipeline ಕ್ಲಾಸ್ ಅನ್ನು ಹುಡುಕಿ. ಪೈಪ್ಲೈನ್ ಎಂದರೆ ಕಾರ್ಯಪ್ರವಾಹವಾಗಿ ಕಾರ್ಯಗತಗೊಳಿಸಬಹುದಾದ ಹಂತಗಳ ಸಂಗ್ರಹ.
ಸೂಚನೆ: SDK ಡಾಕ್ಯುಮೆಂಟೇಶನ್ ಗೆ ಹೋಗಿ, ಹುಡುಕಾಟ ಬಾರಿನಲ್ಲಿ "Pipeline" ಎಂಬ ಕೀವರ್ಡ್ಗಳನ್ನು ಟೈಪ್ ಮಾಡಿ. ಹುಡುಕಾಟ ಫಲಿತಾಂಶಗಳಲ್ಲಿ azureml.pipeline.core.Pipeline ಕ್ಲಾಸ್ ಕಾಣಿಸಿಕೊಳ್ಳಬೇಕು.
ಪಾಠದ ನಂತರದ ಕ್ವಿಜ್
ವಿಮರ್ಶೆ ಮತ್ತು ಸ್ವಯಂ ಅಧ್ಯಯನ
ಈ ಪಾಠದಲ್ಲಿ, ನೀವು Azure ML SDK ಬಳಸಿ ಹೃದಯ ವೈಫಲ್ಯ ಅಪಾಯವನ್ನು ಭವಿಷ್ಯವಾಣಿ ಮಾಡಲು ಮಾದರಿಯನ್ನು ತರಬೇತುಗೊಳಿಸುವುದು, ನಿಯೋಜಿಸುವುದು ಮತ್ತು ಉಪಯೋಗಿಸುವುದನ್ನು ಕಲಿತಿರಿ. Azure ML SDK ಬಗ್ಗೆ ಹೆಚ್ಚಿನ ಮಾಹಿತಿಗಾಗಿ ಈ ಡಾಕ್ಯುಮೆಂಟೇಶನ್ ಅನ್ನು ಪರಿಶೀಲಿಸಿ. Azure ML SDK ಬಳಸಿ ನಿಮ್ಮದೇ ಮಾದರಿಯನ್ನು ರಚಿಸಲು ಪ್ರಯತ್ನಿಸಿ.
ನಿಯೋಜನೆ
Azure ML SDK ಬಳಸಿ ಡೇಟಾ ಸೈನ್ಸ್ ಪ್ರಾಜೆಕ್ಟ್
ಅಸ್ವೀಕರಣ:
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ Co-op Translator ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವಾಗಿ ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.