Azure Machine Learning, cz. II – pierwsze kroki

Założenie przestrzeni pracy

Przed rozpoczęciem pracy z Azure ML należy utworzyć przestrzeń pracy z poziomu portalu Azure.

Wybieramy „New” -> „Machine Learning” -> „Quick Create”. W tym kroku określamy nazwę przestrzeni, jej właściciela, lokalizację (w której będzie wdrożona) oraz konto Azure Storage (z którego będzie korzystać przestrzeń do przechowywania danych).

Kreator przestrzeni pracy Machine Learning.

Tworzenie przestrzeni pracy usługi Machine Learning w portalu Azure

Portal Azure służy w tym przypadku jedynie za narzędzie administracyjne. Dostęp do samej usługi jest możliwy z poziomu aplikacji Studio. Możemy do niej się przenieść, wykorzystując przycisk „Open in Studio” dla aktualnie zaznaczonej przestrzeni pracy.

Azure Machine Learning Studio

Eksperymenty

Widok eksperymentów po zalogowaniu do aplikacji Studio Machine Learning

Główne sekcje aplikacji:

  • Home – ekran, w którym możliwy jest wybór przestrzeni, oraz ostatnio używanych modeli.
  • Studio – główna część aplikacji. Pozwala na pracę w wybranej przestrzeni, m.in. jej modelach, usługach czy zmianie ustawień.
  • Gallery – galeria przygotowanych i udostępnionych przez innych użytkowników usługi gotowych modeli, które mogą posłużyć nam jako przykłady, które można skopiować, modyfikować i uruchamiać w ramach własnego planu rozliczeniowego.

W menu po lewej stronie widać kilka sekcji:

  • Eksperiments – najważniejsza część apikacji zawierająca projekty tworzony przez nas modeli.
  • Web Services – usługi REST utworzone przez nas na podstawie zbudowanych modeli. Usługi te mogą być na różny sposób parametryzowane i wykorzywane przez twórców aplikacji.
  • Notebooks – nowa sekcja, zawiera notesy skryptów Python, które są edytowane przez nową aplikację Jupiter (edytor, umożliwiający uruchomienie skryptów).
  • Datasets – zbiór utworzonych zestawów danych (dostępy do baz danych, pliki csv, czy archiwa z pakietemi języków R i Python, które mogą być użyte w budowanym modelu).
  • Trained Models – wytrenowane przez nas wcześniej modele, które mogą być wykorzystywane w innych tworzonych modelach.
  • Setings – umożliwia zmianę nazwy workspace i jego opisu, przegenerowanie kodów autoryzacji do usługi, oraz zarządzanie użytkownikami obszaru roboczego.

Zachęcam do wykonania samemu pierwszych kroków w usłudze Machine Learning. W kolejnym wpisie postaram się przybliżyć możliwości edytora modeli.