38 KiB

Raw Blame History Unescape Escape

کلاؤڈ میں ڈیٹا سائنس: "کم کوڈ/بغیر کوڈ" طریقہ


کلاؤڈ میں ڈیٹا سائنس: کم کوڈ - @nitya کی اسکیچ نوٹ

فہرستِ مضامین:

کلاؤڈ میں ڈیٹا سائنس: "کم کوڈ/بغیر کوڈ" طریقہ

لیکچر سے پہلے کا کوئز

1. تعارف

1.1 Azure Machine Learning کیا ہے؟

Azure کلاؤڈ پلیٹ فارم 200 سے زیادہ مصنوعات اور کلاؤڈ سروسز پر مشتمل ہے جو آپ کو نئی حل تخلیق کرنے میں مدد فراہم کرتی ہیں۔ ڈیٹا سائنسدان ڈیٹا کو دریافت کرنے، اس کی پروسیسنگ کرنے، اور مختلف ماڈل تربیتی الگورتھمز آزمانے میں بہت وقت صرف کرتے ہیں تاکہ درست ماڈلز تیار کیے جا سکیں۔ یہ کام وقت طلب ہوتے ہیں اور اکثر مہنگے کمپیوٹ ہارڈویئر کا غیر مؤثر استعمال کرتے ہیں۔

Azure ML ایک کلاؤڈ پر مبنی پلیٹ فارم ہے جو Azure میں مشین لرننگ کے حل بنانے اور چلانے کے لیے استعمال ہوتا ہے۔ یہ ڈیٹا کی تیاری، ماڈلز کی تربیت، پیش گوئی کی خدمات کی اشاعت، اور ان کے استعمال کی نگرانی کے لیے وسیع خصوصیات اور صلاحیتیں فراہم کرتا ہے۔ سب سے اہم بات یہ ہے کہ یہ ماڈلز کی تربیت سے متعلق وقت طلب کاموں کو خودکار بنا کر ڈیٹا سائنسدانوں کی کارکردگی کو بڑھاتا ہے؛ اور یہ کلاؤڈ پر مبنی کمپیوٹ وسائل کو مؤثر طریقے سے اسکیل کرنے کے قابل بناتا ہے تاکہ بڑے ڈیٹا کے حجم کو سنبھالا جا سکے، اور صرف استعمال کے وقت ہی اخراجات ہوں۔

Azure ML ڈیولپرز اور ڈیٹا سائنسدانوں کو مشین لرننگ ورک فلو کے لیے تمام ضروری ٹولز فراہم کرتا ہے، جن میں شامل ہیں:

Azure Machine Learning Studio: یہ Azure Machine Learning میں ایک ویب پورٹل ہے جو ماڈل کی تربیت، تعیناتی، خودکاری، ٹریکنگ اور اثاثہ جات کے انتظام کے لیے کم کوڈ اور بغیر کوڈ کے اختیارات فراہم کرتا ہے۔ اسٹوڈیو Azure Machine Learning SDK کے ساتھ مربوط ہے تاکہ ایک ہموار تجربہ فراہم کیا جا سکے۔
Jupyter Notebooks: مشین لرننگ ماڈلز کو جلدی پروٹوٹائپ اور ٹیسٹ کرنے کے لیے۔
Azure Machine Learning Designer: ماڈیولز کو ڈریگ اینڈ ڈراپ کرنے کی اجازت دیتا ہے تاکہ تجربات بنائے جا سکیں اور پھر کم کوڈ ماحول میں پائپ لائنز تعینات کی جا سکیں۔
Automated machine learning UI (AutoML): مشین لرننگ ماڈل کی ترقی کے تکراری کاموں کو خودکار بناتا ہے، جس سے بڑے پیمانے پر، مؤثر اور پیداواری ماڈلز بنائے جا سکتے ہیں، اور ماڈل کے معیار کو برقرار رکھا جا سکتا ہے۔
Data Labelling: ایک معاون مشین لرننگ ٹول جو ڈیٹا کو خودکار طور پر لیبل کرتا ہے۔
Machine learning extension for Visual Studio Code: مشین لرننگ پروجیکٹس بنانے اور ان کا انتظام کرنے کے لیے مکمل خصوصیات والا ترقیاتی ماحول فراہم کرتا ہے۔
Machine learning CLI: کمانڈ لائن سے Azure ML وسائل کا انتظام کرنے کے لیے کمانڈز فراہم کرتا ہے۔
اوپن سورس فریم ورک کے ساتھ انضمام جیسے PyTorch، TensorFlow، Scikit-learn اور دیگر، تربیت، تعیناتی، اور مشین لرننگ کے اختتام سے اختتام تک کے عمل کا انتظام کرنے کے لیے۔
MLflow: یہ مشین لرننگ تجربات کے لائف سائیکل کو منظم کرنے کے لیے ایک اوپن سورس لائبریری ہے۔ MLFlow Tracking MLflow کا ایک جزو ہے جو آپ کے تربیتی رن میٹرکس اور ماڈل آرٹیفیکٹس کو لاگ اور ٹریک کرتا ہے، چاہے آپ کے تجربے کا ماحول کچھ بھی ہو۔

1.2 دل کی ناکامی کی پیشن گوئی کا منصوبہ:

یہ بات واضح ہے کہ منصوبے بنانا اور ان پر کام کرنا اپنی مہارت اور علم کو آزمانے کا بہترین طریقہ ہے۔ اس سبق میں، ہم دل کی ناکامی کے حملوں کی پیشن گوئی کے لیے ایک ڈیٹا سائنس منصوبے کو Azure ML Studio میں دو مختلف طریقوں سے بنانے کا جائزہ لیں گے: کم کوڈ/بغیر کوڈ اور Azure ML SDK کے ذریعے، جیسا کہ درج ذیل خاکہ میں دکھایا گیا ہے:

ہر طریقے کے اپنے فوائد اور نقصانات ہیں۔ کم کوڈ/بغیر کوڈ طریقہ شروع کرنے کے لیے آسان ہے کیونکہ اس میں GUI (گرافیکل یوزر انٹرفیس) کے ساتھ تعامل شامل ہے، اور کوڈ کا پیشگی علم ضروری نہیں ہے۔ یہ طریقہ منصوبے کی عملیت کو جلدی جانچنے اور POC (پروف آف کانسیپٹ) بنانے کی اجازت دیتا ہے۔ تاہم، جیسے جیسے منصوبہ بڑھتا ہے اور چیزوں کو پروڈکشن کے لیے تیار کرنے کی ضرورت ہوتی ہے، GUI کے ذریعے وسائل بنانا ممکن نہیں ہوتا۔ ہمیں پروگرام کے ذریعے ہر چیز کو خودکار بنانا پڑتا ہے، وسائل کی تخلیق سے لے کر ماڈل کی تعیناتی تک۔ یہی وہ جگہ ہے جہاں Azure ML SDK کا استعمال جاننا اہم ہو جاتا ہے۔

	کم کوڈ/بغیر کوڈ	Azure ML SDK
کوڈ کی مہارت	ضروری نہیں	ضروری
ترقی کا وقت	تیز اور آسان	کوڈ کی مہارت پر منحصر
پروڈکشن کے لیے تیار	نہیں	ہاں

1.3 دل کی ناکامی کا ڈیٹا سیٹ:

دل کی بیماری (CVDs) دنیا بھر میں موت کی سب سے بڑی وجہ ہیں، جو عالمی سطح پر 31% اموات کا سبب بنتی ہیں۔ ماحولیاتی اور رویے کے خطرے کے عوامل جیسے تمباکو کا استعمال، غیر صحت مند غذا اور موٹاپا، جسمانی غیر فعالیت اور شراب کا نقصان دہ استعمال تخمینی ماڈلز کے لیے خصوصیات کے طور پر استعمال کیے جا سکتے ہیں۔ CVD کے ترقی کے امکان کا اندازہ لگانے کی صلاحیت خطرے والے افراد میں حملوں کو روکنے کے لیے بہت مفید ہو سکتی ہے۔

Kaggle نے ایک دل کی ناکامی کا ڈیٹا سیٹ عوامی طور پر دستیاب کیا ہے، جسے ہم اس منصوبے کے لیے استعمال کریں گے۔ آپ ابھی ڈیٹا سیٹ ڈاؤن لوڈ کر سکتے ہیں۔ یہ ایک ٹیبلر ڈیٹا سیٹ ہے جس میں 13 کالم (12 خصوصیات اور 1 ہدف متغیر) اور 299 قطاریں ہیں۔

	متغیر کا نام	قسم	وضاحت	مثال
1	عمر	عددی	مریض کی عمر	25
2	خون کی کمی	بولین	خون کے سرخ خلیوں یا ہیموگلوبن کی کمی	0 یا 1
3	کریٹینین فاسفوکائنیز	عددی	خون میں CPK انزائم کی سطح	542
4	ذیابیطس	بولین	اگر مریض کو ذیابیطس ہے	0 یا 1
5	ایجیکشن فریکشن	عددی	دل کے ہر سکڑاؤ پر خون کے نکلنے کا فیصد	45
6	ہائی بلڈ پریشر	بولین	اگر مریض کو ہائی بلڈ پریشر ہے	0 یا 1
7	پلیٹلیٹس	عددی	خون میں پلیٹلیٹس کی مقدار	149000
8	سیرم کریٹینین	عددی	خون میں سیرم کریٹینین کی سطح	0.5
9	سیرم سوڈیم	عددی	خون میں سیرم سوڈیم کی سطح	jun
10	جنس	بولین	عورت یا مرد	0 یا 1
11	سگریٹ نوشی	بولین	اگر مریض سگریٹ نوشی کرتا ہے	0 یا 1
12	وقت	عددی	فالو اپ مدت (دن)	4
----	---------------------------	-----------------	-----------------------------------------------------------	-------------------
21	موت کا واقعہ [ہدف]	بولین	اگر مریض فالو اپ مدت کے دوران فوت ہو جائے	0 یا 1

جب آپ کے پاس ڈیٹا سیٹ ہو، تو ہم Azure میں منصوبہ شروع کر سکتے ہیں۔

2. Azure ML Studio میں کم کوڈ/بغیر کوڈ ماڈل کی تربیت

2.1 Azure ML ورک اسپیس بنائیں

Azure ML میں ماڈل کی تربیت کے لیے آپ کو پہلے Azure ML ورک اسپیس بنانا ہوگا۔ ورک اسپیس Azure Machine Learning کے لیے اعلیٰ سطحی وسیلہ ہے، جو آپ کے تمام آرٹفیکٹس کے ساتھ کام کرنے کے لیے ایک مرکزی جگہ فراہم کرتا ہے جو آپ Azure Machine Learning استعمال کرتے وقت تخلیق کرتے ہیں۔ ورک اسپیس تربیتی رنز کی تاریخ رکھتا ہے، جس میں لاگز، میٹرکس، آؤٹ پٹ، اور آپ کی اسکرپٹس کا اسنیپ شاٹ شامل ہوتا ہے۔ آپ اس معلومات کا استعمال یہ تعین کرنے کے لیے کرتے ہیں کہ کون سا تربیتی رن بہترین ماڈل تیار کرتا ہے۔ مزید جانیں

یہ تجویز کیا جاتا ہے کہ آپ اپنے آپریٹنگ سسٹم کے ساتھ مطابقت رکھنے والے سب سے زیادہ اپ ڈیٹ شدہ براؤزر کا استعمال کریں۔ درج ذیل براؤزرز کی حمایت کی جاتی ہے:

Microsoft Edge (نیا Microsoft Edge، تازہ ترین ورژن۔ Microsoft Edge لیگیسی نہیں)
Safari (تازہ ترین ورژن، صرف Mac)
Chrome (تازہ ترین ورژن)
Firefox (تازہ ترین ورژن)

Azure Machine Learning استعمال کرنے کے لیے، اپنے Azure سبسکرپشن میں ایک ورک اسپیس بنائیں۔ آپ پھر اس ورک اسپیس کو ڈیٹا، کمپیوٹ وسائل، کوڈ، ماڈلز، اور مشین لرننگ ورک لوڈز سے متعلق دیگر آرٹفیکٹس کا انتظام کرنے کے لیے استعمال کر سکتے ہیں۔

نوٹ: آپ کے Azure سبسکرپشن سے Azure Machine Learning ورک اسپیس موجود رہنے تک ڈیٹا اسٹوریج کے لیے تھوڑی سی رقم چارج کی جائے گی، لہذا ہم تجویز کرتے ہیں کہ جب آپ اسے مزید استعمال نہ کریں تو Azure Machine Learning ورک اسپیس کو حذف کر دیں۔

Azure پورٹل میں Microsoft کی اسناد کے ساتھ سائن ان کریں جو آپ کے Azure سبسکرپشن سے وابستہ ہیں۔
＋Create a resource منتخب کریں

مشین لرننگ تلاش کریں اور مشین لرننگ ٹائل منتخب کریں

تخلیق کے بٹن پر کلک کریں

ترتیبات کو درج ذیل کے مطابق پُر کریں:
- سبسکرپشن: آپ کا Azure سبسکرپشن
- ریسورس گروپ: ایک ریسورس گروپ بنائیں یا منتخب کریں
- ورک اسپیس کا نام: اپنے ورک اسپیس کے لیے ایک منفرد نام درج کریں
- علاقہ: اپنے قریب ترین جغرافیائی علاقہ منتخب کریں
- اسٹوریج اکاؤنٹ: اپنے ورک اسپیس کے لیے بنائے جانے والے نئے اسٹوریج اکاؤنٹ کو نوٹ کریں
- کی والٹ: اپنے ورک اسپیس کے لیے بنائے جانے والے نئے کی والٹ کو نوٹ کریں
- ایپلیکیشن انسائٹس: اپنے ورک اسپیس کے لیے بنائے جانے والے نئے ایپلیکیشن انسائٹس وسیلے کو نوٹ کریں
- کنٹینر رجسٹری: کوئی نہیں (پہلی بار جب آپ ماڈل کو کنٹینر میں تعینات کریں گے تو ایک خود بخود بن جائے گا)
- تخلیق + جائزہ پر کلک کریں اور پھر تخلیق کے بٹن پر کلک کریں
اپنے ورک اسپیس کے بننے کا انتظار کریں (یہ چند منٹ لگ سکتے ہیں)۔ پھر پورٹل میں جائیں۔ آپ اسے مشین لرننگ Azure سروس کے ذریعے تلاش کر سکتے ہیں۔
اپنے ورک اسپیس کے جائزہ صفحے پر، Azure Machine Learning اسٹوڈیو لانچ کریں (یا ایک نیا براؤزر ٹیب کھولیں اور https://ml.azure.com پر جائیں)، اور Azure Machine Learning اسٹوڈیو میں اپنے Microsoft اکاؤنٹ کے ساتھ سائن ان کریں۔ اگر اشارہ کیا جائے تو اپنا Azure ڈائریکٹری اور سبسکرپشن منتخب کریں، اور اپنا Azure Machine Learning ورک اسپیس منتخب کریں۔

Azure Machine Learning اسٹوڈیو میں، انٹرفیس کے مختلف صفحات دیکھنے کے لیے اوپر بائیں جانب ☰ آئیکن کو ٹوگل کریں۔ آپ ان صفحات کو اپنے ورک اسپیس میں وسائل کا انتظام کرنے کے لیے استعمال کر سکتے ہیں۔

آپ اپنے ورک اسپیس کا انتظام Azure پورٹل کے ذریعے کر سکتے ہیں، لیکن ڈیٹا سائنسدانوں اور مشین لرننگ آپریشنز انجینئرز کے لیے، Azure Machine Learning اسٹوڈیو ورک اسپیس وسائل کا انتظام کرنے کے لیے زیادہ مرکوز یوزر انٹرفیس فراہم کرتا ہے۔

2.2 کمپیوٹ وسائل

کمپیوٹ وسائل کلاؤڈ پر مبنی وسائل ہیں جن پر آپ ماڈل کی تربیت اور ڈیٹا کی دریافت کے عمل چلا سکتے ہیں۔ آپ چار قسم کے کمپیوٹ وسائل بنا سکتے ہیں:

کمپیوٹ انسٹینسز: ترقیاتی ورک اسٹیشنز جنہیں ڈیٹا سائنسدان ڈیٹا اور ماڈلز کے ساتھ کام کرنے کے لیے استعمال کر سکتے ہیں۔ اس میں ایک ورچوئل مشین (VM) بنانا اور نوٹ بک انسٹینس لانچ کرنا شامل ہے۔ آپ پھر نوٹ بک سے کمپیوٹ کلسٹر کو کال کرکے ماڈل کی تربیت کر سکتے ہیں۔
کمپیوٹ کلسٹرز: تجرباتی کوڈ کے آن ڈیمانڈ پروسیسنگ کے لیے VMs کے قابل توسیع کلسٹرز۔ آپ کو ماڈل کی تربیت کے وقت اس کی ضرورت ہوگی۔ کمپیوٹ کلسٹرز خصوصی GPU یا CPU وسائل بھی استعمال کر سکتے ہیں۔
انفرنس کلسٹرز: پیش گوئی کی خدمات کے لیے تعیناتی کے اہداف جو آپ کے تربیت یافتہ ماڈلز استعمال کرتے ہیں۔
منسلک کمپیوٹ: موجودہ Azure کمپیوٹ وسائل جیسے ورچوئل مشینز یا Azure Databricks کلسٹرز سے لنک کرتا ہے۔

2.2.1 اپنے کمپیوٹ وسائل کے لیے صحیح اختیارات کا انتخاب

کمپیوٹ وسائل بناتے وقت کچھ اہم عوامل پر غور کرنا ضروری ہے، اور یہ انتخاب اہم فیصلے ہو سکتے ہیں۔

کیا آپ کو CPU یا GPU کی ضرورت ہے؟

CPU (سنٹرل پروسیسنگ یونٹ) ایک الیکٹرانک سرکٹ ہے جو کمپیوٹر پروگرام کے احکامات کو انجام دیتا ہے۔ GPU (گرافکس پروسیسنگ یونٹ) ایک خاص الیکٹرانک سرکٹ ہے جو گرافکس سے متعلق کوڈ کو بہت تیز رفتاری سے انجام دے سکتا ہے۔

CPU اور GPU کی ساخت میں بنیادی فرق یہ ہے کہ CPU کو وسیع پیمانے پر کاموں کو جلدی انجام دینے کے لیے ڈیزائن کیا گیا ہے (جسے CPU کلاک اسپیڈ سے ماپا جاتا ہے)، لیکن یہ بیک وقت چلنے والے کاموں کی تعداد میں محدود ہے۔ GPUs کو متوازی کمپیوٹنگ کے لیے ڈیزائن کیا گیا ہے اور یہ گہرے سیکھنے کے کاموں کے لیے بہت بہتر ہیں۔

CPU	GPU
کم مہنگا	زیادہ مہنگا
کم سطح کی ہم وقتی	زیادہ سطح کی ہم وقتی
گہرے سیکھنے کے ماڈلز کی تربیت میں سست	گہرے سیکھنے کے لیے بہترین

کلسٹر کا سائز

بڑے کلسٹر زیادہ مہنگے ہوتے ہیں لیکن بہتر ردعمل فراہم کرتے ہیں۔ لہذا، اگر آپ کے پاس وقت ہے لیکن پیسہ کم ہے، تو آپ کو چھوٹے کلسٹر سے شروع کرنا چاہیے۔ اس کے برعکس، اگر آپ کے پاس پیسہ ہے لیکن وقت کم ہے، تو آپ کو بڑے کلسٹر سے شروع کرنا چاہیے۔

VM کا سائز

اپنے وقت اور بجٹ کی حدود کے مطابق، آپ اپنی RAM، ڈسک، کورز کی تعداد اور کلاک اسپیڈ کے سائز کو مختلف کر سکتے ہیں۔ ان تمام پیرامیٹرز کو بڑھانا مہنگا ہوگا، لیکن کارکردگی بہتر ہوگی۔

وقف شدہ یا کم ترجیحی انسٹینسز؟

کم ترجیحی انسٹینس کا مطلب ہے کہ یہ مداخلت پذیر ہے: بنیادی طور پر، Microsoft Azure ان وسائل کو لے کر کسی دوسرے کام کو تفویض کر سکتا ہے، اس طرح ایک کام میں خلل ڈال سکتا ہے۔ وقف شدہ انسٹینس، یا غیر مداخلت پذیر، کا مطلب ہے کہ کام آپ کی اجازت کے بغیر کبھی ختم نہیں ہوگا۔
یہ وقت بمقابلہ پیسے کا ایک اور غور ہے، کیونکہ مداخلت پذیر انسٹینسز وقف شدہ انسٹینسز سے کم مہنگے ہیں۔

2.2.2 کمپیوٹ کلسٹر بنانا

Azure ML ورک اسپیس میں جو ہم نے پہلے بنایا تھا، کمپیوٹ پر جائیں اور آپ ان مختلف کمپیوٹ وسائل کو دیکھ سکیں گے جن پر ہم نے ابھی بات کی (یعنی کمپیوٹ انسٹینسز، کمپیوٹ کلسٹرز، انفرینس کلسٹرز اور منسلک کمپیوٹ)۔ اس پروجیکٹ کے لیے، ہمیں ماڈل کی تربیت کے لیے کمپیوٹ کلسٹر کی ضرورت ہوگی۔ اسٹوڈیو میں، "Compute" مینو پر کلک کریں، پھر "Compute cluster" ٹیب پر کلک کریں اور کمپیوٹ کلسٹر بنانے کے لیے "+ New" بٹن پر کلک کریں۔

اپنے اختیارات منتخب کریں: وقف شدہ بمقابلہ کم ترجیحی، CPU یا GPU، VM سائز اور کورز کی تعداد (آپ اس پروجیکٹ کے لیے ڈیفالٹ سیٹنگز رکھ سکتے ہیں)۔
"Next" بٹن پر کلک کریں۔

کلسٹر کو ایک کمپیوٹ نام دیں۔
اپنے اختیارات منتخب کریں: کم از کم/زیادہ سے زیادہ نوڈز کی تعداد، اسکیل ڈاؤن سے پہلے غیر فعال سیکنڈز، SSH رسائی۔ نوٹ کریں کہ اگر کم از کم نوڈز کی تعداد 0 ہے، تو آپ کلسٹر کے غیر فعال ہونے پر پیسہ بچائیں گے۔ نوٹ کریں کہ زیادہ سے زیادہ نوڈز کی تعداد جتنی زیادہ ہوگی، تربیت اتنی ہی مختصر ہوگی۔ زیادہ سے زیادہ نوڈز کی تجویز کردہ تعداد 3 ہے۔
"Create" بٹن پر کلک کریں۔ یہ مرحلہ چند منٹ لے سکتا ہے۔

زبردست! اب جب کہ ہمارے پاس کمپیوٹ کلسٹر ہے، ہمیں ڈیٹا کو Azure ML اسٹوڈیو میں لوڈ کرنے کی ضرورت ہے۔

2.3 ڈیٹا سیٹ لوڈ کرنا

Azure ML ورک اسپیس میں جو ہم نے پہلے بنایا تھا، بائیں مینو میں "Datasets" پر کلک کریں اور ڈیٹا سیٹ بنانے کے لیے "+ Create dataset" بٹن پر کلک کریں۔ "From local files" آپشن منتخب کریں اور وہ Kaggle ڈیٹا سیٹ منتخب کریں جو ہم نے پہلے ڈاؤن لوڈ کیا تھا۔
اپنے ڈیٹا سیٹ کو ایک نام، قسم اور تفصیل دیں۔ "Next" پر کلک کریں۔ فائلوں سے ڈیٹا اپ لوڈ کریں۔ "Next" پر کلک کریں۔
اسکیمہ میں، درج ذیل خصوصیات کے لیے ڈیٹا کی قسم کو Boolean میں تبدیل کریں: anaemia، diabetes، high blood pressure، sex، smoking، اور DEATH_EVENT۔ "Next" پر کلک کریں اور "Create" پر کلک کریں۔

زبردست! اب جب کہ ڈیٹا سیٹ موجود ہے اور کمپیوٹ کلسٹر بنایا گیا ہے، ہم ماڈل کی تربیت شروع کر سکتے ہیں!

2.4 کم کوڈ/کوئی کوڈ تربیت AutoML کے ساتھ

روایتی مشین لرننگ ماڈل کی ترقی وسائل کے لحاظ سے بہت زیادہ ہوتی ہے، اہم ڈومین علم اور درجنوں ماڈلز تیار کرنے اور ان کا موازنہ کرنے کے لیے وقت درکار ہوتا ہے۔
خودکار مشین لرننگ (AutoML)، مشین لرننگ ماڈل کی ترقی کے وقت طلب، تکراری کاموں کو خودکار کرنے کا عمل ہے۔ یہ ڈیٹا سائنسدانوں، تجزیہ کاروں، اور ڈویلپرز کو اعلیٰ پیمانے، کارکردگی، اور پیداواریت کے ساتھ ML ماڈلز بنانے کی اجازت دیتا ہے، جبکہ ماڈل کے معیار کو برقرار رکھتا ہے۔ یہ پروڈکشن کے لیے تیار ML ماڈلز حاصل کرنے میں وقت کو کم کرتا ہے، بڑی آسانی اور کارکردگی کے ساتھ۔ مزید جانیں

Azure ML ورک اسپیس میں جو ہم نے پہلے بنایا تھا، بائیں مینو میں "Automated ML" پر کلک کریں اور وہ ڈیٹا سیٹ منتخب کریں جو آپ نے ابھی اپ لوڈ کیا تھا۔ "Next" پر کلک کریں۔
ایک نیا تجربہ نام، ہدف کالم (DEATH_EVENT) اور وہ کمپیوٹ کلسٹر درج کریں جو ہم نے بنایا تھا۔ "Next" پر کلک کریں۔
"Classification" منتخب کریں اور "Finish" پر کلک کریں۔ یہ مرحلہ کمپیوٹ کلسٹر کے سائز پر منحصر ہے، 30 منٹ سے 1 گھنٹے تک لے سکتا ہے۔
ایک بار جب رن مکمل ہو جائے، "Automated ML" ٹیب پر کلک کریں، اپنے رن پر کلک کریں، اور "Best model summary" کارڈ میں الگورتھم پر کلک کریں۔

یہاں آپ AutoML کے ذریعے تیار کردہ بہترین ماڈل کی تفصیلی وضاحت دیکھ سکتے ہیں۔ آپ ماڈلز ٹیب میں دیگر ماڈلز کو بھی دریافت کر سکتے ہیں۔ وضاحتیں (پریویو بٹن) میں ماڈلز کو چند منٹ کے لیے دریافت کریں۔ ایک بار جب آپ نے وہ ماڈل منتخب کر لیا جسے آپ استعمال کرنا چاہتے ہیں (یہاں ہم AutoML کے منتخب کردہ بہترین ماڈل کو منتخب کریں گے)، ہم دیکھیں گے کہ اسے کیسے تعینات کیا جا سکتا ہے۔

3. کم کوڈ/کوئی کوڈ ماڈل کی تعیناتی اور اینڈ پوائنٹ کا استعمال

3.1 ماڈل کی تعیناتی

خودکار مشین لرننگ انٹرفیس آپ کو بہترین ماڈل کو چند مراحل میں ویب سروس کے طور پر تعینات کرنے کی اجازت دیتا ہے۔ تعیناتی ماڈل کا انضمام ہے تاکہ یہ نئے ڈیٹا کی بنیاد پر پیش گوئیاں کر سکے اور ممکنہ مواقع کے علاقوں کی نشاندہی کر سکے۔ اس پروجیکٹ کے لیے، ویب سروس پر تعیناتی کا مطلب یہ ہے کہ طبی ایپلیکیشنز ماڈل کو استعمال کر سکیں گی تاکہ اپنے مریضوں کے دل کے دورے کے خطرے کی لائیو پیش گوئی کر سکیں۔

بہترین ماڈل کی وضاحت میں، "Deploy" بٹن پر کلک کریں۔

اسے ایک نام، تفصیل، کمپیوٹ قسم (Azure Container Instance)، تصدیق کو فعال کریں اور "Deploy" پر کلک کریں۔ یہ مرحلہ مکمل ہونے میں تقریباً 20 منٹ لگ سکتا ہے۔ تعیناتی کے عمل میں کئی مراحل شامل ہیں، بشمول ماڈل کو رجسٹر کرنا، وسائل تیار کرنا، اور انہیں ویب سروس کے لیے ترتیب دینا۔ "Deploy status" کے تحت ایک اسٹیٹس پیغام ظاہر ہوتا ہے۔ تعیناتی کی حیثیت کو چیک کرنے کے لیے وقتاً فوقتاً "Refresh" منتخب کریں۔ جب حیثیت "Healthy" ہو تو یہ تعینات اور چل رہا ہوتا ہے۔

ایک بار جب یہ تعینات ہو جائے، "Endpoint" ٹیب پر کلک کریں اور اس اینڈ پوائنٹ پر کلک کریں جو آپ نے ابھی تعینات کیا ہے۔ یہاں آپ اینڈ پوائنٹ کے بارے میں تمام تفصیلات حاصل کر سکتے ہیں۔

زبردست! اب جب کہ ہمارے پاس ماڈل تعینات ہو گیا ہے، ہم اینڈ پوائنٹ کا استعمال شروع کر سکتے ہیں۔

3.2 اینڈ پوائنٹ کا استعمال

"Consume" ٹیب پر کلک کریں۔ یہاں آپ کو REST اینڈ پوائنٹ اور استعمال کے آپشن میں ایک پائتھون اسکرپٹ ملے گا۔ پائتھون کوڈ کو پڑھنے کے لیے کچھ وقت نکالیں۔

یہ اسکرپٹ براہ راست آپ کی مقامی مشین سے چلایا جا سکتا ہے اور آپ کے اینڈ پوائنٹ کو استعمال کرے گا۔

ان دو لائنوں کو چیک کرنے کے لیے ایک لمحہ نکالیں:

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

url متغیر Consume ٹیب میں پایا جانے والا REST اینڈ پوائنٹ ہے اور api_key متغیر پرائمری کلید ہے جو Consume ٹیب میں بھی پایا جاتا ہے (صرف اس صورت میں جب آپ نے تصدیق کو فعال کیا ہو)۔ یہی طریقہ ہے جس سے اسکرپٹ اینڈ پوائنٹ کو استعمال کر سکتا ہے۔

اسکرپٹ چلانے پر، آپ کو درج ذیل آؤٹ پٹ نظر آنا چاہیے:

    b'"{\\"result\\": [true]}"'
    ```  
اس کا مطلب ہے کہ دیے گئے ڈیٹا کے لیے دل کی ناکامی کی پیش گوئی درست ہے۔ یہ منطقی ہے کیونکہ اگر آپ اسکرپٹ میں خود بخود تیار کردہ ڈیٹا کو قریب سے دیکھیں، تو سب کچھ ڈیفالٹ کے طور پر 0 اور غلط ہے۔ آپ درج ذیل ان پٹ نمونے کے ساتھ ڈیٹا کو تبدیل کر سکتے ہیں:

```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",
        },
    ],
}

اسکرپٹ کو یہ واپس کرنا چاہیے:

    b'"{\\"result\\": [true, false]}"'
    ```  

مبارک ہو! آپ نے ماڈل کو تعینات کیا، اسے استعمال کیا اور Azure ML پر تربیت دی!

> **_نوٹ:_** جب آپ پروجیکٹ مکمل کر لیں، تو تمام وسائل کو حذف کرنا نہ بھولیں۔
## 🚀 چیلنج

AutoML کے ذریعے تیار کردہ بہترین ماڈلز کے ماڈل وضاحتوں اور تفصیلات کو قریب سے دیکھیں۔ سمجھنے کی کوشش کریں کہ بہترین ماڈل دوسرے ماڈلز سے کیوں بہتر ہے۔ کون سے الگورتھم کا موازنہ کیا گیا؟ ان میں کیا فرق ہے؟ اس معاملے میں بہترین ماڈل کیوں بہتر کارکردگی دکھا رہا ہے؟

## [لیکچر کے بعد کا کوئز](https://ff-quizzes.netlify.app/en/ds/)

## جائزہ اور خود مطالعہ

اس سبق میں، آپ نے کلاؤڈ میں کم کوڈ/کوئی کوڈ انداز میں دل کی ناکامی کے خطرے کی پیش گوئی کے لیے ماڈل کو تربیت دینے، تعینات کرنے اور استعمال کرنے کا طریقہ سیکھا۔ اگر آپ نے ابھی تک ایسا نہیں کیا ہے، تو AutoML کے ذریعے تیار کردہ بہترین ماڈلز کی وضاحتوں میں مزید گہرائی میں جائیں اور سمجھنے کی کوشش کریں کہ بہترین ماڈل دوسرے ماڈلز سے کیوں بہتر ہے۔

آپ کم کوڈ/کوئی کوڈ AutoML کے بارے میں مزید جاننے کے لیے یہ [دستاویز](https://docs.microsoft.com/azure/machine-learning/tutorial-first-experiment-automated-ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) پڑھ سکتے ہیں۔

## اسائنمنٹ

[Azure ML پر کم کوڈ/کوئی کوڈ ڈیٹا سائنس پروجیکٹ](assignment.md)

---

**ڈسکلیمر**:  
یہ دستاویز AI ترجمہ سروس [Co-op Translator](https://github.com/Azure/co-op-translator) کا استعمال کرتے ہوئے ترجمہ کی گئی ہے۔ ہم درستگی کے لیے کوشش کرتے ہیں، لیکن براہ کرم آگاہ رہیں کہ خودکار ترجمے میں غلطیاں یا عدم درستگی ہو سکتی ہیں۔ اصل دستاویز، جو اس کی اصل زبان میں ہے، کو مستند ذریعہ سمجھا جانا چاہیے۔ اہم معلومات کے لیے، پیشہ ور انسانی ترجمہ کی سفارش کی جاتی ہے۔ اس ترجمے کے استعمال سے پیدا ہونے والی کسی بھی غلط فہمی یا غلط تشریح کے لیے ہم ذمہ دار نہیں ہیں۔

38 KiB Raw Blame History Unescape Escape