В мире, где есть WYSIWIG-редакторы практически для всего, вы когда-нибудь задумывались, почему нет веб-приложения с функцией перетаскивания для машинного обучения? Ну, собственно есть: Azure Machine Learning Studio. Сегодня я хочу провести для вас индивидуальную экскурсию по ML Studio и дать вам представление о том, как много вы можете сделать, не написав ни кусочка кода.

Программирование не требуется

Если это сделает инструмент более доступным, вы можете рассматривать Azure ML Studio как низкую планку для машинного обучения, которая позволяет каждому легко освоить ИИ. Мне нравится думать об этом просто как о игровой комнате, где я провожу эксперименты с машинным обучением, которые никто другой не должен видеть.

ML Studio имеет полностью бесплатный уровень, который дает вам два часа вычислений в месяц, поэтому вы не выставляете счета, пока пробуете что-то. Вы захотите воспользоваться этим.

Домашний экран ML Studio называется вашим рабочим пространством. Здесь вы будете собирать такие полезные вещи, как наборы данных, прогностические модели, эксперименты и записные книжки, которые вы можете организовать в рамках различных проектов.

  • Проекты — это наборы экспериментов, наборы данных, записные книжки и другие ресурсы.
  • Эксперименты — это то, что вы создаете с помощью инструмента перетаскивания.
  • Веб-сервисы развертываются на основе ваших экспериментов.
  • Блокноты — это блокноты Jupyter, в которых вы собираете фрагменты кода, уравнения, ссылки и рисунки. Это потрясающе.
  • Наборы данных очень важны для машинного обучения, поскольку ваши прогнозы настолько хороши, насколько хороши данные, с которыми вы работаете. К счастью, ML Studio предоставляет вам доступ ко множеству интересных наборов данных.
  • Обученные модели — это результат вашего машинного обучения. Вы подключаете их к своим приложениям.
  • Настройки содержат конфигурацию вашей учетной записи.

На главном экране ML Studio есть много замечательных вещей, но я хочу особо выделить два.

Во-первых, на вкладке Эксперименты вы можете собрать проект машинного обучения визуально и без фактического кода. Это один из лучших способов изучить машинное обучение, поэкспериментировав и увидев, как вещи связаны друг с другом. Панель слева от вашей рабочей области дает вам доступ к алгоритмам, данным и рабочим процессам, которые вы можете использовать в своем эксперименте. Давайте подробнее рассмотрим некоторые функции, упакованные для вас.

Чтобы работать с машинным обучением, ваш первый шаг всегда будет заключаться в поиске обучающих данных для работы. Проще всего развернуть узел «Сохраненные наборы данных» в окне навигации и перетащить один из примеров наборов данных, например «Рейтинги фильмов», в свой эксперимент.

Узел «Преобразование данных» в окне навигации предоставляет множество вариантов выбора и фильтрации наборов данных. Вы можете перетащить «Выбрать столбцы в наборе данных» в свой эксперимент и нарисовать к нему стрелку из «Рейтингов фильмов», чтобы добавить его в свой рабочий процесс и выбрать некоторые столбцы данных для использования.

Чтобы завершить элементарный эксперимент, добавьте Машинное обучение | Обучите модель в качестве следующего шага рабочего процесса и выберите Машинное обучение | Инициализировать модель | Классификация | Нейронная сеть с двумя классами как алгоритм обучения, который вы хотите создать. Наконец, оцените свою модель, добавив эти узлы и запустите свой эксперимент.

Чтобы увидеть, насколько хороша ваша модель, щелкните левой кнопкой мыши модуль Оценить модель и выберите Визуализировать.

Теперь это покажет вам, насколько хорош ваш алгоритм машинного обучения (подсказка, в данном случае не очень хорошо). Есть несколько вещей, которые вы можете сделать дальше, чтобы улучшить свою модель, например, разделить часть ваших данных для обучения и часть для оценки, но я оставлю это вам для экспериментов.

Запишите это

Еще одна вещь, которую я особенно хочу выделить, — это вкладка Блокноты. Мне потребовалось много времени, чтобы понять, насколько крут Jupyter Notebook, и я не хочу, чтобы вы упустили его, как я.

Как вы можете видеть выше, это похоже на книгу секретных формул ученого. Что делает его особенно удобным, так это то, что это также приложение, которое может запускать живой код, создавать визуализации, очищать данные и даже создавать прогнозные модели для вас. Jupyter Notebook — широко используемый инструмент в мире науки о данных. Планируете ли вы использовать ML Studio или нет, вам все равно следует ознакомиться с ней.

Галерея — ваш друг

Все еще напуган? Это нормально. В Azure AI Gallery есть множество готовых экспериментов, написанных другими людьми, которые вы можете просто загрузить в свое рабочее пространство и модифицировать для изучения.

Когда вы просматриваете галерею AI и находите понравившийся эксперимент, просто нажмите кнопку Открыть в Studio, чтобы удобно скопировать все это прямо в ML Studio. Дать ему шанс. Пока мы, наконец, не дойдем до того момента, когда ИИ будет обучать наши модели за нас, лучше всего будет использовать перетаскивание в Azure ML Studio.