Machine Learning tanpa Coding: Memulai Azure ML

Melakukan Machine Learning menggunakan bahasa pemrograman tertentu adalah hal yang banyak diikuti oleh para Data scientist dan Machine Learning engineer. Ini adalah topik paling trending yang sedang dibahas dan diikuti di seluruh dunia. Perusahaan di seluruh dunia berinvestasi dalam jumlah besar untuk memasukkan mekanisme Machine Learning dan AI dalam sistem mereka. Ini adalah pencapaian besar bagi setiap orang di luar sana dan sektor ini akan terus berkembang sampai saat kegilaan untuk eksplorasi dan penelitian akan menang mengenai teknologi.

Adalah baik untuk memprogram model Pembelajaran Mesin apa pun dari awal dan kemudian mengimplementasikannya di dunia nyata tetapi, tugas menulis algoritme ini sangat membosankan dan berpusat pada teknologi yaitu, orang yang memiliki pengetahuan sebelumnya tentang menulis algoritme dengan bantuan bahasa pemrograman hanya dapat menulis dan mengimplementasikannya. Jadi, bagi orang-orang yang berlatar belakang non-teknis, sulit untuk mempelajari bahasa-bahasa ini secara instan dan kemudian mulai coding.

Untuk membantu orang-orang non-tech dengan memungkinkan mereka untuk melakukan Machine Learning tanpa coding berbagai service berbasis cloud menyediakan fasilitas drag and drop dan sedikit tweaking untuk menjalankan masalah Machine Learning. Salah satu service berbasis cloud tersebut adalah Microsoft Azure Machine Learning. Ini adalah jenis Pembelajaran Mesin seret dan lepas yang lengkap di mana Anda dapat menjalankan model Anda dan bahkan menyebarkannya sebagai service web baik di cloud atau di sistem lokal dan mengaksesnya melalui MS Excel. Jika Anda memiliki Akun Microsoft maka Anda dapat dengan mudah mengakses fitur Microsoft Azure ML. Mari selami lebih dalam dan pelajari cara memulai Microsoft Azure Machine Learning:

Cara membuat proyek atau model Machine Learning di Microsoft Azure ML

Langkah 1 : Buka browser Anda dan ketik saja studio.azuleml.net dan ini akan membawa Anda ke konten utama tempat Azure ML berada. Halaman ini akan meminta Anda untuk masuk atau membuat akun baru. Jika Anda adalah user Microsoft yang sudah ada dan memiliki Akun MS, cukup masukkan kredensial login Anda dan hore! Anda telah berhasil masuk ke studio ML Anda.

halaman utama biru

Langkah 2 : Setelah masuk ke akun ML Anda, Anda akan melihat opsi yang berbeda seperti Proyek, Eksperimen, Layanan Web, Kumpulan Data, Model Terlatih, dan Pengaturan. Fungsi dari pilihan tersebut adalah sebagai berikut:

Proyek: Ini memungkinkan user untuk membuat proyek baru yang dapat berisi berbagai eksperimen dan model serta service web bersama-sama yang akan membuat paket lengkap dan dapat ditampilkan untuk kepentingan umum.

Eksperimen: Ini adalah area utama tempat Anda akan membuat eksperimen pertama Anda dan menerapkan hal yang sama seperti service web sehingga membuat kode Anda dapat diakses oleh user di seluruh dunia.

Layanan Web: Opsi ini membantu kita untuk menerapkan eksperimen kita sebagai API berbasis web yang kemudian dapat dipanggil melalui berbagai bahasa pemrograman atau dapat dipanggil dalam sistem lokal Anda melalui excel. Selain itu, Anda dapat menyimpan service web Anda ke cloud untuk menjadikannya API publik yang akan diakses oleh user dan bahkan dapat menjual karya Anda ke seluruh dunia.

Eksperimen di Azure ML

Kumpulan Data: Di sinilah seseorang dapat menemukan banyak kumpulan data yang telah diunggah sebelumnya dari Tim Microsoft dan seseorang dapat menggunakannya untuk menjalankan algoritme Pembelajaran Mesin mereka untuk mendapatkan gambaran tentang bagaimana sesuatu dilakukan.

Model Terlatih: Di sini Anda dapat melihat model mana yang telah Anda latih dan ingin menggunakannya untuk tujuan pengujian.

Pengaturan: Tab pengaturan berisi opsi yang berbeda seperti mengedit ruang kerja, melihat, dan membuat ulang token otorisasi, memungkinkan user untuk memanipulasi model Anda dengan membiarkan mereka bekerja pada yang sama.

Langkah 3: Untuk memulai dengan proyek Azure ML pertama Anda, cukup klik tombol tanda + bawah yang bertuliskan Baru. Ini akan membawa Anda ke halaman di mana Anda akan menemukan opsi Mulai Eksperimen Baru. Cukup klik itu dan panel kerja Anda akan dibuka. Ada juga ketentuan untuk mengunggah proyek Python serta R Anda di Azure dan men-tweak yang sama dan menyebarkannya sebagai service web dengan mengklik tab Modul.

buat proyek Azure ML pertama Anda

Langkah 4: Setelah panel tugas Anda terbuka, Anda dapat mulai mengerjakan proyek ML Anda.

Langkah 5: Untuk memulai proyek ML pertama Anda, misalnya Anda ingin melakukan proyek Regresi Logistik, hal pertama dan terpenting adalah memperoleh kumpulan data baik melalui cloud atau melalui sistem Anda. Mekanisme alur kerja Azure ML adalah sebagai berikut:

Dapatkan Data: Di sini kita memiliki 3 opsi untuk mendapatkan data secara manual atau mengimpor data dari sumber data eksternal atau membongkar kumpulan data zip yang membantu kita membongkar file zip dan menggunakan data untuk tujuan Pembelajaran Mesin kita.

impor data dari data eksternal untuk tujuan pembelajaran engine

Siapkan Data: Ini terutama bagian rekayasa fitur yang dengannya kita membersihkan data kita untuk bekerja pada hal yang sama. Berbagai modul yang dapat digunakan untuk menyiapkan data antara lain Clean Missing Data, Apply SQL Transformation, Convert to Indicator Values, Edit Metadata, dan masih banyak lagi. Ada juga ketentuan untuk membagi kumpulan data kita menjadi pelatihan dan pengujian untuk memvalidasi model kita dan menggunakannya dalam kasus dunia nyata untuk membuat prediksi.

Buat Model Pembelajaran Mesin Azure

Seleksi Fitur: Ini adalah langkah yang sangat penting sebelum melatih model kita karena memungkinkan kita untuk memilih jumlah fitur yang kita ingin algoritmanya bekerja berdasarkan tingkat korelasi antara fitur target. Berbagai jenis seleksi fitur yang terdapat di sini meliputi Analisis Komponen Prinsip, Analisis Diskriminan Linier Fisher, Kepentingan Fitur Permutasi dan Pemilihan Fitur Berbasis Filter.

Pilih dan Terapkan Algoritma Pembelajaran: Ini adalah langkah utama untuk melatih model kita yaitu memilih algoritma yang ingin kita gunakan untuk melatih data kita. Ada berbagai macam algoritma ML yang hadir seperti Decision Tree, Logistic Regression, Linear Regression, One vs Rest, Naïve Bayes, dan masih banyak lagi. Kita dapat memilih algoritme pilihan kita dan mulai bekerja menggunakan algoritme yang sama.

dddd

Latih dan Evaluasi Model: Bagian ini adalah bagian terakhir dari setiap model ML yang melatih, menguji, dan menilai model. Beberapa modul hadir dan kita hanya perlu drag and drop dan melakukan tweaking sederhana untuk mendapatkan hasil yang baik.

model kereta api

Menyebarkan Model: Setelah pelatihan dan evaluasi selesai, sekarang kita dapat menerapkan model sebagai service berbasis web dengan bantuan opsi Deploy yang ada di bagian bawah panel tugas dan menggunakannya sebagai API.

Satu hal utama yang perlu diperhatikan dalam Azure ML adalah bekerja dengan mekanisme menghubungkan simpul keluaran satu variabel dengan simpul masukan variabel lain sehingga user merasa sangat mudah untuk bekerja menggunakan Azure ML dan banyak industri yang menggunakan berbasis cloud ini. service dalam aplikasi mereka sehari-hari. Ini adalah alat yang sangat kuat untuk pembelajaran engine yang diawasi dan tidak diawasi serta untuk aktivitas terkait pembelajaran mendalam. Untuk detail lebih lanjut tentang cara kerjanya, Anda dapat melihat banyak tutorial di YouTube dan juga Udemy. Untuk tutorial yang bagus tentang Azure ML, Anda dapat mengikuti tautan ini:

https://www.udemy.com/course/machine-learning-using-azureml/learn/lecture/7432530#overview

Melakukan Regresi Logistik

Di sini kita telah melakukan Regresi Logistik dengan bantuan Azure ML dan telah menggambarkan hal yang sama menggunakan representasi bergambar:

Regresi Logistik dengan bantuan Azure ML

Studio Pembelajaran Mesin Microsoft Azure (klasik)

Kesimpulan

Jika Anda adalah penggemar Pembelajaran Mesin dan Pembelajaran Mendalam yang sangat besar dan ingin mengerjakan proyek yang terkait dengan hal yang sama maka Anda harus menggunakan Azure ML Studio karena tidak memerlukan pengetahuan pengkodean sebelumnya dan modul yang digunakan hanya dioperasikan menggunakan drag dan fitur jatuhkan.

Related Posts