History

localizeflow[bot] ab59922f29 chore(i18n): sync translations with latest source changes (chunk 2/8, 641 changes)		2 weeks ago
..
README.md	chore(i18n): sync translations with latest source changes (chunk 2/8, 641 changes)	2 weeks ago
assignment.md	🌐 Update translations via Co-op Translator	4 months ago

README.md

கிளவுடில் தரவியல் அறிவியல்: "குறைந்த குறியீடு/குறியீடு இல்லாமல்"


கிளவுடில் தரவியல் அறிவியல்: குறைந்த குறியீடு - Sketchnote by @nitya

உள்ளடக்க அட்டவணை:

கிளவுடில் தரவியல் அறிவியல்: "குறைந்த குறியீடு/குறியீடு இல்லாமல்"

முன்-வகுப்பு வினாடி வினா

1. அறிமுகம்

1.1 Azure Machine Learning என்றால் என்ன?

Azure கிளவுட் தளம் 200-க்கும் மேற்பட்ட தயாரிப்புகள் மற்றும் கிளவுட் சேவைகளை வழங்குகிறது, இது புதிய தீர்வுகளை உருவாக்க உதவுகிறது. தரவியல் விஞ்ஞானிகள் தரவுகளை ஆராய்வதில் மற்றும் முன்-செயலாக்கத்தில், மேலும் துல்லியமான மாதிரிகளை உருவாக்க பல்வேறு மாதிரி பயிற்சி அல்காரிதங்களை முயற்சிப்பதில் அதிக முயற்சிகளை செலவிடுகிறார்கள். இந்த பணிகள் நேரம் பிடிக்கும், மேலும் விலை உயர்ந்த கணினி ஹார்ட்வேரைப் பயனற்ற முறையில் பயன்படுத்துகின்றன.

Azure ML என்பது Azure-இல் இயங்கும் மெஷின் லெர்னிங் தீர்வுகளை உருவாக்க மற்றும் இயக்குவதற்கான கிளவுட் தளம் ஆகும். இது தரவுகளை தயாரிக்க, மாதிரிகளை பயிற்சி செய்ய, கணிப்பு சேவைகளை வெளியிட மற்றும் அவற்றின் பயன்பாட்டை கண்காணிக்க உதவும் பல்வேறு அம்சங்கள் மற்றும் திறன்களை கொண்டுள்ளது. முக்கியமாக, இது மாதிரிகளை பயிற்சி செய்ய தொடர்புடைய நேரம் பிடிக்கும் பணிகளை தானியங்கி முறையில் செயல்படுத்துவதன் மூலம் தரவியல் விஞ்ஞானிகளின் திறனை அதிகரிக்க உதவுகிறது; மேலும் இது பெரிய அளவிலான தரவுகளை கையாளுவதற்கு திறன் வாய்ந்த கிளவுட் கணினி வளங்களை பயன்படுத்த அனுமதிக்கிறது, ஆனால் உண்மையில் பயன்படுத்தப்படும் போது மட்டுமே செலவுகளை ஏற்படுத்துகிறது.

Azure ML தரவியல் விஞ்ஞானிகள் மற்றும் டெவலப்பர்களுக்கு தேவையான அனைத்து கருவிகளையும் வழங்குகிறது. இதில் அடங்கும்:

Azure Machine Learning Studio: இது Azure Machine Learning-இல் குறைந்த குறியீடு மற்றும் குறியீடு இல்லாமல் மாதிரி பயிற்சி, பிரசுரம், தானியக்கம், கண்காணிப்பு மற்றும் சொத்து மேலாண்மைக்கான வலை போர்ட்டல் ஆகும். ஸ்டுடியோ Azure Machine Learning SDK உடன் ஒருங்கிணைக்கப்படுகிறது.
Jupyter Notebooks: ML மாதிரிகளை விரைவாக உருவாக்க மற்றும் சோதிக்க.
Azure Machine Learning Designer: குறைந்த குறியீடு சூழலில் மாடுல்களை இழுத்து-விட்டு பரிசோதனைகளை உருவாக்க மற்றும் பின்னர் குழாய்களை பிரசுரம் செய்ய அனுமதிக்கிறது.
Automated machine learning UI (AutoML): மெஷின் லெர்னிங் மாதிரி உருவாக்கத்தின் மீண்டும் மீண்டும் செய்யப்படும் பணிகளை தானியக்கமாக்குகிறது, அதிக அளவு, திறன் மற்றும் உற்பத்தி திறனுடன் ML மாதிரிகளை உருவாக்க அனுமதிக்கிறது.
Data Labelling: தரவுகளை தானாக லேபிள் செய்ய உதவும் ML கருவி.
Machine learning extension for Visual Studio Code: ML திட்டங்களை உருவாக்க மற்றும் மேலாண்மை செய்ய முழுமையான மேம்பாட்டு சூழலை வழங்குகிறது.
Machine learning CLI: Azure ML வளங்களை கட்டளைகள் மூலம் மேலாண்மை செய்ய உதவுகிறது.
PyTorch, TensorFlow, Scikit-learn போன்ற திறந்த மூல கட்டமைப்புகளுடன் ஒருங்கிணைப்பு: மெஷின் லெர்னிங் செயல்முறையின் முடிவை உருவாக்க, பிரசுரம் செய்ய மற்றும் மேலாண்மை செய்ய.
MLflow: உங்கள் மெஷின் லெர்னிங் பரிசோதனைகளின் வாழ்க்கைச் சுழற்சியை மேலாண்மை செய்ய திறந்த மூல நூலகம். MLFlow Tracking என்பது உங்கள் பயிற்சி இயக்க அளவுகோல்கள் மற்றும் மாதிரி கலைப்பாடுகளை பதிவு மற்றும் கண்காணிக்கும் MLflow இன் ஒரு கூறு ஆகும்.

1.2 இதய செயலிழப்பு கணிப்பு திட்டம்:

திறன்கள் மற்றும் அறிவை சோதிக்க திட்டங்களை உருவாக்குவது மற்றும் கட்டுவது சிறந்த வழி என்பதில் சந்தேகமில்லை. இந்த பாடத்தில், Azure ML Studio-வில் இதய செயலிழப்பு தாக்குதல்களை கணிக்க ஒரு தரவியல் அறிவியல் திட்டத்தை உருவாக்க இரண்டு விதமான வழிகளை ஆராயப்போகிறோம்: குறைந்த குறியீடு/குறியீடு இல்லாமல் மற்றும் Azure ML SDK மூலம், கீழே உள்ள வரைபடத்தில் காட்டப்பட்டுள்ளபடி:

ஒவ்வொரு முறையும் அதன் சொந்த நன்மைகள் மற்றும் குறைகள் உள்ளன. குறைந்த குறியீடு/குறியீடு இல்லாமல் வழி தொடங்க எளிதானது, ஏனெனில் இது GUI (Graphical User Interface) உடன் தொடர்பு கொள்ளும், குறியீடு பற்றிய முன்னோட்ட அறிவு தேவையில்லை. இந்த முறை திட்டத்தின் செயல்திறனை விரைவாக சோதிக்க மற்றும் POC (Proof Of Concept) உருவாக்க அனுமதிக்கிறது. ஆனால், திட்டம் வளரும்போது மற்றும் விஷயங்கள் உற்பத்தி தயாராக இருக்க வேண்டும், GUI மூலம் வளங்களை உருவாக்குவது சாத்தியமில்லை. எல்லாவற்றையும், வளங்களை உருவாக்குதல் முதல் மாதிரியை பிரசுரம் செய்வது வரை, நிரலாக்க முறையில் தானியக்கமாக்க வேண்டும். இதுதான் Azure ML SDK-ஐ பயன்படுத்துவது எப்படி என்பதை அறிந்து கொள்ள முக்கியமாகிறது.

	குறைந்த குறியீடு/குறியீடு இல்லாமல்	Azure ML SDK
குறியீடு திறன்	தேவையில்லை	தேவை
உருவாக்க நேரம்	விரைவானது மற்றும் எளிது	குறியீடு திறனின் அடிப்படையில்
உற்பத்தி தயாராக	இல்லை	ஆம்

1.3 இதய செயலிழப்பு தரவுத்தொகுப்பு:

கார்டியோவாஸ்குலர் நோய்கள் (CVDs) உலகளவில் மரணத்திற்கு முதன்மை காரணமாக உள்ளன, உலகளவில் அனைத்து மரணங்களின் 31% ஆகும். புகைபிடித்தல், ஆரோக்கியமற்ற உணவு மற்றும் கொழுப்பு, உடல் செயலற்ற தன்மை மற்றும் மது பாவனையின் தீங்கு போன்ற சுற்றுச்சூழல் மற்றும் நடத்தை ஆபத்து காரணிகள் மதிப்பீட்டு மாதிரிகளுக்கான அம்சங்களாக பயன்படுத்தப்படலாம். CVD உருவாகும் சாத்தியத்தை மதிப்பீடு செய்ய முடிந்தால், அதிக ஆபத்து உள்ளவர்களில் தாக்குதல்களைத் தடுக்க இது மிகவும் பயனுள்ளதாக இருக்கும்.

Kaggle ஒரு இதய செயலிழப்பு தரவுத்தொகுப்பை பொதுமக்களுக்கு கிடைக்கச் செய்துள்ளது, இதை இந்த திட்டத்திற்காக பயன்படுத்தப் போகிறோம். நீங்கள் இப்போது தரவுத்தொகுப்பை பதிவிறக்கலாம். இது 13 நெடுவரிசைகள் (12 அம்சங்கள் மற்றும் 1 இலக்கு மாறி) மற்றும் 299 வரிசைகளுடன் ஒரு அட்டவணை தரவுத்தொகுப்பு.

	மாறி பெயர்	வகை	விளக்கம்	உதாரணம்
1	வயது	எண்	நோயாளியின் வயது	25
2	அனீமியா	புலியன்	சிவப்பு இரத்த அணுக்கள் அல்லது ஹீமோகுளோபின் குறைவு	0 அல்லது 1
3	கிரியேட்டினின் பாஸ்போகினேஸ்	எண்	இரத்தத்தில் CPK என்சைம் அளவு	542
4	நீரிழிவு	புலியன்	நோயாளிக்கு நீரிழிவு உள்ளதா	0 அல்லது 1
5	ஈஜெக்ஷன் ஃபிராக்ஷன்	எண்	ஒவ்வொரு சுருக்கத்திலும் இதயத்தை விட்டு வெளியேறும் இரத்தத்தின் சதவீதம்	45
6	உயர் இரத்த அழுத்தம்	புலியன்	நோயாளிக்கு உயர் இரத்த அழுத்தம் உள்ளதா	0 அல்லது 1
7	பிளேட்லெட்ஸ்	எண்	இரத்தத்தில் பிளேட்லெட்ஸ்	149000
8	சீரம் கிரியேட்டினின்	எண்	இரத்தத்தில் சீரம் கிரியேட்டினின் அளவு	0.5
9	சீரம் சோடியம்	எண்	இரத்தத்தில் சீரம் சோடியம் அளவு	jun
10	பாலினம்	புலியன்	பெண் அல்லது ஆண்	0 அல்லது 1
11	புகைபிடித்தல்	புலியன்	நோயாளி புகைபிடிக்கிறாரா	0 அல்லது 1
12	நேரம்	எண்	பின்தொடர்பு காலம் (நாட்கள்)	4
----	---------------------------	-----------------	-----------------------------------------------------------	-------------------
21	DEATH_EVENT [Target]	புலியன்	பின்தொடர்பு காலத்தில் நோயாளி இறந்தாரா	0 அல்லது 1

தரவுத்தொகுப்பை பெற்ற பிறகு, நாம் Azure-இல் திட்டத்தை தொடங்கலாம்.

2. Azure ML Studio-வில் குறைந்த குறியீடு/குறியீடு இல்லாமல் மாதிரி பயிற்சி

2.1 Azure ML வேலைநிலையை உருவாக்குதல்

Azure ML-இல் ஒரு மாதிரியை பயிற்சி செய்ய, முதலில் Azure ML வேலைநிலையை உருவாக்க வேண்டும். வேலைநிலை என்பது Azure Machine Learning-இல் உச்ச நிலை வளமாகும், இது Azure Machine Learning-ஐப் பயன்படுத்தும்போது நீங்கள் உருவாக்கும் அனைத்து கலைப்பாடுகளுடன் வேலை செய்ய ஒரு மைய இடத்தை வழங்குகிறது. வேலைநிலை அனைத்து பயிற்சி இயக்கங்களின் வரலாற்றை, பதிவு, அளவுகோல்கள், வெளியீடு மற்றும் உங்கள் ஸ்கிரிப்ட்களின் ஸ்னாப்ஷாட்டை உள்ளடக்கியது. எந்த பயிற்சி இயக்கம் சிறந்த மாதிரியை உருவாக்குகிறது என்பதை நீங்கள் இந்த தகவலைப் பயன்படுத்தி தீர்மானிக்கலாம். மேலும் அறிக

உங்கள் இயக்க முறைமைக்கு இணக்கமான சமீபத்திய உலாவியைப் பயன்படுத்த பரிந்துரைக்கப்படுகிறது. பின்வரும் உலாவிகள் ஆதரிக்கப்படுகின்றன:

Microsoft Edge (புதிய Microsoft Edge, சமீபத்திய பதிப்பு. Microsoft Edge legacy அல்ல)
Safari (சமீபத்திய பதிப்பு, Mac மட்டும்)
Chrome (சமீபத்திய பதிப்பு)
Firefox (சமீபத்திய பதிப்பு)

Azure Machine Learning-ஐப் பயன்படுத்த, உங்கள் Azure சந்தாவில் ஒரு வேலைநிலையை உருவாக்கவும். பின்னர் இந்த வேலைநிலையை உங்கள் மெஷின் லெர்னிங் பணிச்சுமைகளுடன் தொடர்புடைய தரவுகள், கணினி வளங்கள், குறியீடு, மாதிரிகள் மற்றும் பிற கலைப்பாடுகளை மேலாண்மை செய்ய பயன்படுத்தலாம்.

குறிப்பு: உங்கள் Azure சந்தா Azure Machine Learning வேலைநிலை உங்கள் சந்தாவில் இருக்கும் வரை தரவுகளை சேமிக்க சிறிய தொகையை வசூலிக்கும், எனவே Azure Machine Learning வேலைநிலையை நீங்கள் பயன்படுத்தாமல் இருந்தால் நீக்க பரிந்துரைக்கிறோம்.

Azure போர்ட்டலில் Microsoft சான்றுகளைப் பயன்படுத்தி உள்நுழைக.
＋ஒரு வளத்தை உருவாக்கவும் தேர்ந்தெடுக்கவும்

Machine Learning-ஐ தேடவும் மற்றும் Machine Learning டைலை தேர்ந்தெடுக்கவும்

உருவாக்கு பொத்தானை அழுத்தவும்

அமைப்புகளை பின்வருமாறு நிரப்பவும்:
- Subscription: உங்கள் Azure சந்தா
- Resource group: ஒரு வளக் குழுவை உருவாக்கவும் அல்லது தேர்ந்தெடுக்கவும்
- Workspace name: உங்கள் வேலைநிலைக்கு தனித்துவமான பெயரை உள்ளிடவும்
- Region: உங்களுக்கு அருகிலுள்ள புவியியல் பகுதியைத் தேர்ந்தெடுக்கவும்
- Storage account: உங்கள் வேலைநிலைக்காக உருவாக்கப்படும் புதிய சேமிப்பு கணக்கை கவனிக்கவும்
- Key vault: உங்கள் வேலைநிலைக்காக உருவாக்கப்படும் புதிய கீ வால்ட்டை கவனிக்கவும்
- Application insights: உங்கள் வேலைநிலைக்காக உருவாக்கப்படும் புதிய Application insights வளத்தை கவனிக்கவும்
- Container registry: இல்லை (மாதிரியை ஒரு கன்டெய்னருக்கு பிரசுரம் செய்யும் முதல் முறையில் தானாகவே ஒன்று உருவாக்கப்படும்)
- உருவாக்கு + மதிப்பீடு பொத்தானை அழுத்தி பின்னர் உருவாக்கு பொத்தானை அழுத்தவும்
உங்கள் வேலைநிலை உருவாக்கப்படும் வரை காத்திருக்கவும் (இது சில நிமிடங்கள் ஆகலாம்). பின்னர் போர்ட்டலில் அதைத் தேடவும். Machine Learning Azure சேவையின் மூலம் அதை நீங்கள் கண்டுபிடிக்கலாம்.
உங்கள் வேலைநிலையின் Overview பக்கத்தில், Azure Machine Learning ஸ்டுடியோவை தொடங்கவும் (அல்லது புதிய உலாவி தாவலில் https://ml.azure.com-க்கு செல்லவும்), மற்றும் உங்கள் Microsoft கணக்கைப் பயன்படுத்தி Azure Machine Learning ஸ்டுடியோவில் உள்நுழைக. கேட்கப்பட்டால், உங்கள் Azure directory மற்றும் subscription, மற்றும் உங்கள் Azure Machine Learning வேலைநிலையைத் தேர்ந்தெடுக்கவும்.

Azure Machine Learning ஸ்டுடியோவில், இடைமுகத்தில் உள்ள பல்வேறு பக்கங்களைப் பார்க்க மேல் இடது ☰ ஐகானை மாற்றவும். உங்கள் வேலைநிலையின் வளங்களை மேலாண்மை செய்ய இந்த பக்கங்களை நீங்கள் பயன்படுத்தலாம்.

Azure போர்ட்டல் மூலம் உங்கள் வேலைநிலையை மேலாண்மை செய்யலாம், ஆனால் தரவியல் விஞ்ஞானிகள் மற்றும் Machine Learning செயல்பாட்டு பொறியாளர்களுக்கு, Azure Machine Learning Studio வேலைநிலை வளங்களை மேலாண்மை செய்ய ஒரு கவனம் செலுத்தப்பட்ட பயனர் இடைமுகத்தை வழங்குகிறது.

2.2 கணினி வளங்கள்

கணினி வளங்கள் என்பது மாதிரி பயிற்சி மற்றும் தரவுகளை ஆராய்ச்சி செயல்முறைகளை இயக்க கிளவுட் அடிப்படையிலான வளங்கள் ஆகும். நீங்கள் உருவாக்கக்கூடிய நான்கு வகையான கணினி வளங்கள் உள்ளன:

Compute Instances: தரவியல் விஞ்ஞானிகள் தரவுகள் மற்றும் மாதிரிகளுடன் வேலை செய்ய பயன்படுத்தக்கூடிய மேம்பாட்டு வேலைநிலைகள். இது ஒரு
Inference Clusters: உங்கள் பயிற்சி பெற்ற மாதிரிகளைப் பயன்படுத்தும் கணிப்பீட்டு சேவைகளுக்கான பிரிவுகள்.
Attached Compute: ஏற்கனவே உள்ள Azure கணினி வளங்களை (உதாரணமாக, Virtual Machines அல்லது Azure Databricks க்ளஸ்டர்கள்) இணைக்கும் இணைப்புகள்.

2.2.1 உங்கள் கணினி வளங்களுக்கு சரியான விருப்பங்களை தேர்வு செய்வது

கணினி வளத்தை உருவாக்கும் போது சில முக்கிய அம்சங்களை கவனிக்க வேண்டும், மேலும் அந்த தேர்வுகள் முக்கியமான முடிவுகளாக இருக்கலாம்.

உங்களுக்கு CPU அல்லது GPU தேவைதானா?

CPU (Central Processing Unit) என்பது கணினி நிரலின் கட்டளைகளை செயல்படுத்தும் மின்னணு சுற்று. GPU (Graphics Processing Unit) என்பது ஒரு சிறப்பு மிக்க மின்னணு சுற்று ஆகும், இது மிக உயர்ந்த அளவில் கிராஃபிக்ஸ் தொடர்பான குறியீடுகளை செயல்படுத்த முடியும்.

CPU மற்றும் GPU கட்டமைப்புகளுக்கு இடையிலான முக்கிய வித்தியாசம் என்னவென்றால், CPU பல்வேறு பணிகளை விரைவாக கையாள வடிவமைக்கப்பட்டுள்ளது (CPU கடிகார வேகத்தால் அளவிடப்படுகிறது), ஆனால் ஒரே நேரத்தில் இயங்கக்கூடிய பணிகளின் எண்ணிக்கையில் இது வரையறுக்கப்பட்டுள்ளது. GPUகள் இணை கணக்கீட்டிற்காக வடிவமைக்கப்பட்டுள்ளன, எனவே அவை ஆழமான கற்றல் பணிகளில் மிகவும் சிறந்தவை.

CPU	GPU
குறைந்த செலவு	அதிக செலவு
குறைந்த இணை செயல்பாடு	அதிக இணை செயல்பாடு
ஆழமான கற்றல் மாதிரிகளை பயிற்சி செய்ய மந்தமாக இருக்கும்	ஆழமான கற்றலுக்கு சிறந்தது

க்ளஸ்டர் அளவு

பெரிய க்ளஸ்டர்கள் அதிக செலவாக இருக்கும், ஆனால் அவை சிறந்த பதிலளிப்பை வழங்கும். எனவே, உங்களிடம் நேரம் இருந்தால், ஆனால் போதுமான பணம் இல்லையெனில், சிறிய க்ளஸ்டருடன் தொடங்க வேண்டும். மாறாக, உங்களிடம் பணம் இருந்தால், ஆனால் அதிக நேரம் இல்லையெனில், பெரிய க்ளஸ்டருடன் தொடங்க வேண்டும்.

VM அளவு

உங்கள் நேரம் மற்றும் செலவினக் கட்டுப்பாடுகளைப் பொறுத்து, உங்கள் RAM, டிஸ்க், கோர் எண்ணிக்கை மற்றும் கடிகார வேகத்தின் அளவை மாறலாம். இந்த அளவுருக்களை அதிகரிப்பது அதிக செலவாக இருக்கும், ஆனால் இது சிறந்த செயல்திறனை வழங்கும்.

Dedicated அல்லது Low-Priority Instances?

Low-priority instance என்பது அது இடையூறாக இருக்கும் என்று பொருள்: அடிப்படையாக Microsoft Azure அந்த வளங்களை எடுத்துக்கொண்டு வேறு பணிக்கு ஒதுக்கலாம், இதனால் ஒரு வேலை இடைநிறுத்தப்படும். Dedicated instance, அல்லது non-interruptible, என்பது உங்கள் அனுமதியின்றி வேலை ஒருபோதும் நிறுத்தப்படாது என்பதைக் குறிக்கிறது. இது நேரம் மற்றும் பணம் ஆகியவற்றின் மற்றொரு கருத்தாகும், ஏனெனில் interruptible instances dedicated களுடன் ஒப்பிடும்போது குறைந்த செலவாக இருக்கும்.

2.2.2 கணினி க்ளஸ்டரை உருவாக்குதல்

முந்தைய கட்டத்தில் நாம் உருவாக்கிய Azure ML workspaceக்கு செல்லவும், அங்கு கணினி என்ற பகுதியில் நீங்கள் முந்தைய விவாதத்தில் உள்ள கணினி வளங்களை (உதாரணமாக compute instances, compute clusters, inference clusters மற்றும் attached compute) காணலாம். இந்த திட்டத்திற்காக, மாதிரி பயிற்சிக்காக ஒரு கணினி க்ளஸ்டர் தேவைப்படும். Studio-வில், "Compute" மெனுவை கிளிக் செய்யவும், பின்னர் "Compute cluster" தாவலைத் தேர்ந்தெடுக்கவும் மற்றும் "+ New" பொத்தானை கிளிக் செய்து கணினி க்ளஸ்டரை உருவாக்கவும்.

உங்கள் விருப்பங்களைத் தேர்ந்தெடுக்கவும்: Dedicated vs Low priority, CPU அல்லது GPU, VM அளவு மற்றும் கோர் எண்ணிக்கை (இந்த திட்டத்திற்கான இயல்புநிலை அமைப்புகளை வைத்திருக்கலாம்).
Next பொத்தானை கிளிக் செய்யவும்.

க்ளஸ்டருக்கு ஒரு பெயரை கொடுக்கவும்.
உங்கள் விருப்பங்களைத் தேர்ந்தெடுக்கவும்: குறைந்தபட்ச/அதிகபட்ச நொடிகள் எண்ணிக்கை, Idle seconds before scale down, SSH access. குறைந்தபட்ச நொடிகள் எண்ணிக்கை 0 என்றால், க்ளஸ்டர் செயலற்ற நிலையில் இருக்கும் போது பணத்தைச் சேமிக்கலாம். அதிகபட்ச நொடிகள் எண்ணிக்கை அதிகமாக இருந்தால், பயிற்சி குறுகிய நேரத்தில் முடியும். அதிகபட்சமாக 3 நொடிகள் பரிந்துரைக்கப்படுகிறது.
"Create" பொத்தானை கிளிக் செய்யவும். இந்த படி சில நிமிடங்கள் ஆகலாம்.

சிறந்தது! இப்போது நமக்கு ஒரு Compute cluster உள்ளது, நாம் தரவுகளை Azure ML Studio-க்கு ஏற்ற வேண்டும்.

2.3 Dataset ஏற்றுதல்

முந்தைய கட்டத்தில் நாம் உருவாக்கிய Azure ML workspaceக்கு சென்று, இடது மெனுவில் "Datasets" என்பதை கிளிக் செய்து "+ Create dataset" பொத்தானை கிளிக் செய்து ஒரு dataset உருவாக்கவும். "From local files" விருப்பத்தைத் தேர்ந்தெடுத்து, முந்தைய கட்டத்தில் பதிவிறக்கம் செய்த Kaggle dataset-ஐத் தேர்ந்தெடுக்கவும்.
உங்கள் dataset-க்கு ஒரு பெயர், ஒரு வகை மற்றும் ஒரு விளக்கத்தை கொடுக்கவும். Next என்பதை கிளிக் செய்யவும். கோப்புகளில் இருந்து தரவுகளைப் பதிவேற்றவும். Next என்பதை கிளிக் செய்யவும்.
Schema-வில், anaemia, diabetes, high blood pressure, sex, smoking, மற்றும் DEATH_EVENT ஆகிய அம்சங்களுக்கு Boolean தரவுத் வகையை மாற்றவும். Next என்பதை கிளிக் செய்து Create என்பதை கிளிக் செய்யவும்.

சிறந்தது! இப்போது dataset இடத்தில் உள்ளது மற்றும் கணினி க்ளஸ்டர் உருவாக்கப்பட்டுள்ளது, நாம் மாதிரியைப் பயிற்சி செய்யத் தொடங்கலாம்!

2.4 குறைந்த குறியீடு/குறியீடு இல்லாத பயிற்சி AutoML உடன்

சாதாரண இயந்திர கற்றல் மாதிரி மேம்பாடு வளங்களை அதிகமாக தேவைப்படும், முக்கியமான துறையின் அறிவு மற்றும் பல மாதிரிகளை உருவாக்கவும் ஒப்பிடவும் நேரம் தேவைப்படும்.
Automated machine learning (AutoML) என்பது இயந்திர கற்றல் மாதிரி மேம்பாட்டின் நேரத்தை மிச்சப்படுத்தும், மீண்டும் மீண்டும் செய்யப்படும் பணிகளை தானியங்கி செய்யும் செயல்முறை ஆகும். இது தரவியல் விஞ்ஞானிகள், பகுப்பாய்வாளர்கள் மற்றும் டெவலப்பர்களுக்கு உயர் அளவிலான, திறன் மற்றும் உற்பத்தி திறனுடன் ML மாதிரிகளை உருவாக்க அனுமதிக்கிறது, அதே சமயத்தில் மாதிரி தரத்தை பராமரிக்கிறது. இது உற்பத்திக்கு தயாரான ML மாதிரிகளைப் பெறும் நேரத்தை குறைக்கிறது, மிக எளிமையாகவும் திறமையாகவும். மேலும் அறிய

முந்தைய கட்டத்தில் நாம் உருவாக்கிய Azure ML workspaceக்கு சென்று, இடது மெனுவில் "Automated ML" என்பதை கிளிக் செய்து, நீங்கள் பதிவேற்றிய dataset-ஐத் தேர்ந்தெடுக்கவும். Next என்பதை கிளிக் செய்யவும்.
புதிய முயற்சி பெயரை, இலக்கு நெடுவரிசை (DEATH_EVENT) மற்றும் நாம் உருவாக்கிய கணினி க்ளஸ்டரை உள்ளிடவும். Next என்பதை கிளிக் செய்யவும்.
"Classification" என்பதைத் தேர்ந்தெடுத்து Finish என்பதை கிளிக் செய்யவும். இந்த படி 30 நிமிடங்கள் முதல் 1 மணி நேரம் வரை ஆகலாம், உங்கள் கணினி க்ளஸ்டர் அளவைப் பொறுத்து.
செயல்பாடு முடிந்தவுடன், "Automated ML" தாவலை கிளிக் செய்து, உங்கள் செயல்பாட்டைத் தேர்ந்தெடுத்து, "Best model summary" கார்டில் உள்ள Algorithm-ஐ கிளிக் செய்யவும்.

இங்கே AutoML உருவாக்கிய சிறந்த மாதிரியின் விரிவான விளக்கத்தை நீங்கள் காணலாம். மேலும், Models தாவலில் உருவாக்கப்பட்ட பிற மாதிரிகளை ஆராயலாம். சில நிமிடங்கள் எடுத்துக்கொண்டு மாதிரிகளை Explanations (preview button) பகுதியில் ஆராயவும். நீங்கள் பயன்படுத்த விரும்பும் மாதிரியைத் தேர்ந்தெடுத்த பிறகு (இங்கே நாம் AutoML தேர்ந்தெடுத்த சிறந்த மாதிரியைத் தேர்ந்தெடுப்போம்), அதை எவ்வாறு பிரசுரிக்கலாம் என்பதைப் பார்ப்போம்.

3. குறைந்த குறியீடு/குறியீடு இல்லாத மாதிரி பிரசுரம் மற்றும் இறுதிப் புள்ளி பயன்பாடு

3.1 மாதிரி பிரசுரம்

Automated machine learning இடைமுகம் சிறந்த மாதிரியை ஒரு வலை சேவையாக சில படிகளில் பிரசுரிக்க அனுமதிக்கிறது. பிரசுரம் என்பது மாதிரியை ஒருங்கிணைப்பது, புதிய தரவின் அடிப்படையில் கணிப்புகளைச் செய்யவும் வாய்ப்புகளை அடையாளம் காணவும் உதவுகிறது. இந்த திட்டத்திற்காக, ஒரு வலை சேவைக்கு பிரசுரம் என்பது மருத்துவ பயன்பாடுகள் மாதிரியை உபயோகித்து, அவர்களின் நோயாளிகளின் இதய நோய் அபாயத்தை நேரடியாக கணிக்க முடியும் என்பதைக் குறிக்கிறது.

சிறந்த மாதிரி விளக்கத்தில், "Deploy" பொத்தானை கிளிக் செய்யவும்.

அதற்கு ஒரு பெயர், விளக்கம், கணினி வகை (Azure Container Instance), அங்கீகாரத்தை இயக்கவும் மற்றும் Deploy என்பதை கிளிக் செய்யவும்.

குறிப்பு:
இந்த ஆவணம் Co-op Translator என்ற AI மொழிபெயர்ப்பு சேவையைப் பயன்படுத்தி மொழிபெயர்க்கப்பட்டுள்ளது. நாங்கள் துல்லியத்திற்காக முயற்சிக்கின்றோம், ஆனால் தானியங்கி மொழிபெயர்ப்புகளில் பிழைகள் அல்லது தவறான தகவல்கள் இருக்கக்கூடும் என்பதை தயவுசெய்து கவனத்தில் கொள்ளவும். அதன் தாய்மொழியில் உள்ள மூல ஆவணம் அதிகாரப்பூர்வ ஆதாரமாக கருதப்பட வேண்டும். முக்கியமான தகவல்களுக்கு, தொழில்முறை மனித மொழிபெயர்ப்பு பரிந்துரைக்கப்படுகிறது. இந்த மொழிபெயர்ப்பைப் பயன்படுத்துவதால் ஏற்படும் எந்த தவறான புரிதல்கள் அல்லது தவறான விளக்கங்களுக்கு நாங்கள் பொறுப்பல்ல.