توقعات الطقس باستخدام بيانات المستشعر من مركز إنترنت الأشياء في استوديو التعلم الآلي (كلاسيكي)

هل هذه الصفحة مفيدة؟

هل لديك ملاحظات إضافية؟

سيتم إرسال الملاحظات إلى Microsoft: بالضغط على الزر «إرسال»، سيتم استخدام ملاحظاتك لتحسين منتجات Microsoft وخدماتها. نهج الخصوصية.

ملاحظة

قبل البدء في هذا البرنامج التعليمي ، أكمل البرنامج التعليمي لمحاكاة Raspberry Pi عبر الإنترنت أو أحد البرامج التعليمية للجهاز. على سبيل المثال، يمكنك الانتقال إلى Raspberry Pi باستخدام Node.js أو إلى إحدى عمليات التشغيل السريع للقياس عن بعد "إرسال ". في هذه المقالات، يمكنك إعداد جهاز Azure IoT ومركز إنترنت الأشياء، ونشر نموذج تطبيق لتشغيله على جهازك. يرسل التطبيق بيانات المستشعر التي تم جمعها إلى مركز إنترنت الأشياء الخاص بك.

التعلم الآلي هو تقنية لعلم البيانات تساعد أجهزة الكمبيوتر على التعلم من البيانات الحالية للتنبؤ بالسلوكيات والنتائج والاتجاهات المستقبلية. ML Studio (الكلاسيكية) هي خدمة تحليلات تنبؤية سحابية تجعل من الممكن إنشاء النماذج التنبؤية ونشرها بسرعة كحلول تحليلية. في هذه المقالة، ستتعرف على كيفية استخدام ML Studio (كلاسيكي) للقيام بالتنبؤ بالطقس (فرصة هطول الأمطار) باستخدام بيانات درجة الحرارة والرطوبة من مركز Azure IoT الخاص بك. فرصة المطر هي نتاج نموذج التنبؤ بالطقس المعدة. تم بناء النموذج على بيانات تاريخية للتنبؤ بفرصة هطول الأمطار بناء على درجة الحرارة والرطوبة.

هام

سينتهي دعم Machine Learning Studio (classic) في 31 أغسطس 2024. نوصي بالانتقال إلى zure Machine Learning بحلول ذلك التاريخ.

اعتبارا من 1 ديسمبر 2021، لن تتمكن من إنشاء موارد استوديو التعلم الآلي (كلاسيكية) جديدة (مساحة العمل وخطة خدمة الويب). حتى 31 أغسطس 2024، يمكنك الاستمرار في استخدام تجارب استوديو التعلم الآلي (الكلاسيكية) الحالية وخدمات الويب.

• يمكنك الاطلاع على معلومات عن نقل مشاريع التعلم الآلي من ML Studio (classic) إلى Azure Machine Learning.
• تعرف على المزيد حول Azure Machine Learning

يتم الآن استبعاد وثائق ML Studio (classic) وقد لا يتم تحديثها في المستقبل.

المتطلبات الأساسية

• أكمل البرنامج التعليمي لمحاكاة Raspberry Pi عبر الإنترنت أو أحد البرامج التعليمية للجهاز. على سبيل المثال، يمكنك الانتقال إلى Raspberry Pi باستخدام Node.js أو إلى إحدى عمليات التشغيل السريع للقياس عن بعد "إرسال ". تغطي هذه المقالات المتطلبات التالية:
  • اشتراك Azure نشط.
  • مركز Azure IoT ضمن اشتراكك.
  • تطبيق عميل يرسل رسائل إلى مركز Azure IoT الخاص بك.
• حساب ML Studio (كلاسيكي ).
• حساب Azure Storage ، يفضل حساب v2 للأغراض العامة ، ولكن أي حساب Azure Storage يدعم تخزين Azure Blob سيعمل أيضا.

ملاحظة

تستخدم هذه المقالة Azure Stream Analytics والعديد من الخدمات المدفوعة الأخرى. يتم تكبد رسوم إضافية في Azure Stream Analytics عندما يجب نقل البيانات عبر مناطق Azure. لهذا السبب، سيكون من الجيد التأكد من أن مجموعة الموارد ومركز إنترنت الأشياء وحساب تخزين Azure - بالإضافة إلى مساحة عمل التعلم الآلي Studio (الكلاسيكية) ووظيفة Azure Stream Analytics المضافة لاحقا في هذا البرنامج التعليمي - كلها موجودة في نفس منطقة Azure. يمكنك التحقق من الدعم الإقليمي ل ML Studio (الكلاسيكي) وخدمات Azure الأخرى على صفحة توفر منتج Azure حسب المنطقة.

نشر نموذج التنبؤ بالطقس كخدمة ويب

في هذا القسم، يمكنك الحصول على نموذج التنبؤ بالطقس من مكتبة Azure الذكاء الاصطناعي. ثم تقوم بإضافة وحدة R-script إلى النموذج لتنظيف بيانات درجة الحرارة والرطوبة. أخيرا ، يمكنك نشر النموذج كخدمة ويب تنبؤية.

الحصول على نموذج التنبؤ بالطقس

في هذا القسم، يمكنك الحصول على نموذج التنبؤ بالطقس من معرض Azure الذكاء الاصطناعي وفتحه في ML Studio (كلاسيكي).

1. انتقل إلى صفحة نموذج التنبؤ بالطقس.

   

2. حدد فتح في الاستوديو (كلاسيكي) لفتح النموذج في Microsoft ML Studio (كلاسيكي). حدد منطقة بالقرب من مركز إنترنت الأشياء ومساحة العمل الصحيحة في النافذة المنبثقة نسخ التجربة من المعرض.

   

إضافة وحدة R-script لتنظيف بيانات درجة الحرارة والرطوبة

لكي يتصرف النموذج بشكل صحيح ، يجب أن تكون بيانات درجة الحرارة والرطوبة قابلة للتحويل إلى بيانات رقمية. في هذا القسم، يمكنك إضافة وحدة R-script نمطية إلى نموذج التنبؤ بالطقس الذي يزيل أي صفوف تحتوي على قيم بيانات لدرجة الحرارة أو الرطوبة التي لا يمكن تحويلها إلى قيم رقمية.

1. على الجانب الأيمن من نافذة ML Studio (الكلاسيكية)، حدد السهم لتوسيع لوحة الأدوات. أدخل "تنفيذ" في مربع البحث. حدد الوحدة النمطية تنفيذ البرنامج النصي R.

   

2. اسحب الوحدة النمطية تنفيذ R Script بالقرب من الوحدة النمطية تنظيف البيانات المفقودة والوحدة النمطية Execute R Script الموجودة على الرسم التخطيطي. احذف الاتصال بين تنظيف البيانات المفقودة والوحدات النمطية لتنفيذ R Script ثم قم بتوصيل مدخلات ومخرجات الوحدة النمطية الجديدة كما هو موضح.

   

3. حدد الوحدة النمطية الجديدة تنفيذ R Script لفتح نافذة خصائصها. نسخ ولصق التعليمة البرمجية التالية في المربع R Script .

   # Map 1-based optional input ports to variables
   data <- maml.mapInputPort(1) # class: data.frame
   
   data$temperature <- as.numeric(as.character(data$temperature))
   data$humidity <- as.numeric(as.character(data$humidity))
   
   completedata <- data[complete.cases(data), ]
   
   maml.mapOutputPort('completedata')
   
   

   عند الانتهاء، يجب أن تبدو نافذة الخصائص مشابهة لما يلي:

   

نشر خدمة الويب التنبؤية

في هذا القسم، يمكنك التحقق من صحة النموذج، وإعداد خدمة ويب تنبؤية استنادا إلى النموذج، ومن ثم نشر خدمة ويب.

1. حدد تشغيل للتحقق من صحة الخطوات الموجودة في النموذج. قد تستغرق هذه الخطوة بضع دقائق لإكمالها.

   

2. حدد إعداد خدمة الويبخدمة>الويب التنبؤية. يفتح مخطط التجربة التنبؤية.

   

3. في الرسم التخطيطي للتجربة التنبؤية، احذف الاتصال بين الوحدة النمطية لإدخال خدمة ويبومجموعة تحديد أعمدة في البيانات في الأعلى. ثم اسحب وحدة إدخال خدمة الويب في مكان ما بالقرب من وحدة نموذج النتيجة وقم بتوصيلها كما هو موضح:

   

4. حدد RUN للتحقق من صحة الخطوات الموجودة في النموذج.

5. حدد نشر خدمة ويب لنشر النموذج كخدمة ويب.

6. على لوحة معلومات النموذج، قم بتنزيل المصنف Excel 2010 أو إصدار سابق من أجل الطلب/الاستجابة.

   ملاحظة

   تأكد من تنزيل المصنف Excel 2010 أو إصدار سابق حتى إذا كنت تستخدم إصدارا أحدث من Excel على الكمبيوتر.

   

7. افتح مصنف Excel، وقم بتدوين عنوان URL لخدمة الويبومفتاح الوصول.

إضافة مجموعة مستهلكين إلى مركز إنترنت الأشياء الخاص بك

توفر مجموعات المستهلكين طرق عرض مستقلة في بيان الأحداث التي تمكن التطبيقات وخدمات Azure من استهلاك البيانات بشكل مستقل من نفس نقطة نهاية مركز الأحداث. في هذا القسم، يمكنك إضافة مجموعة مستهلكين إلى نقطة النهاية المضمنة في مركز إنترنت الأشياء والتي يتم استخدامها لاحقا في هذا البرنامج التعليمي لسحب البيانات من نقطة النهاية.

لإضافة مجموعة مستهلكين إلى مركز إنترنت الأشياء، اتبع الخطوات التالية:

1. في مدخل Azure، افتح مركز إنترنت الأشياء.

2. في الجزء الأيمن، حدد نقاط النهاية المضمنة. أدخل اسما لمجموعة المستهلكين الجديدة في مربع النص ضمن مجموعات المستهلكين.

   

3. انقر في أي مكان خارج مربع النص لحفظ مجموعة المستهلكين.

إنشاء مهمة في Stream Analytics وتكوينها وتشغيلها

إنشاء مشروع Stream Analytics

1. في ⁧⁩مدخل Microsoft Azure⁧⁩، حدد ⁧⁩Create a resource⁧⁩. اكتب "مهمة تحليلات البث" في مربع البحث، وحدد مهمة Stream Analytics من القائمة المنسدلة النتائج. عند فتح جزء المهام في Stream Analytics ، حدد إنشاء.

2. أدخل المعلومات التالية للوظيفة.

   ⁧⁩اسم الوظيفة⁧⁩: اسم الوظيفة. يجب أن يكون الاسم فريدًا عالميًا.

   الاشتراك: حدد اشتراكك إذا كان مختلفا عن الاشتراك الافتراضي.

   مجموعة الموارد: استخدم نفس مجموعة الموارد التي يستخدمها مركز إنترنت الأشياء.

   الموقع يمكنك استخدام نفس الموقع لمجموعة الموارد.

   اترك جميع الحقول الأخرى في الوضع الافتراضي.

   

3. حدد Create.

إضافة إدخال إلى وظيفة Stream Analytics

1. افتح مهمة Stream Analytics.

2. ضمن مخطط الوظيفة، حدد الإدخالات.

3. في جزء الإدخالات ، حدد إضافة إدخال الدفق، ثم حدد IoT Hub من القائمة المنسدلة. في جزء إدخال جديد ، اختر تحديد مركز إنترنت الأشياء من اشتراكاتك وأدخل المعلومات التالية:

   الاسم المستعار للإدخال: الاسم المستعار الفريد للإدخال.

   الاشتراك: حدد اشتراكك إذا كان مختلفا عن الاشتراك الافتراضي.

   IoT Hub: حدد مركز إنترنت الأشياء من اشتراكك.

   ⁧⁩اسم نهج الوصول المشترك⁧⁩: حدد ⁧⁩الخدمة⁧⁩. (يمكنك أيضا استخدام iothubowner.)

   مجموعة المستهلكين: حدد مجموعة المستهلكين التي أنشأتها.

   اترك جميع الحقول الأخرى في الوضع الافتراضي.

   

4. حدد ⁧⁩حفظ⁧⁩.

أضف إخراج إلى وظيفة Stream Analytics

1. ضمن طبولوجيا الوظيفة، حدد المخرجات.

2. في جزء المخرجات، حدد إضافة، ثم حدد تخزين/Data Lake Storage Blob من القائمة المنسدلة. في جزء الإخراج الجديد ، اختر تحديد مساحة تخزين من اشتراكاتك وأدخل المعلومات التالية:

   ⁧⁩الاسم المستعار للإخراج⁧⁩: الاسم المستعار الفريد للإخراج.

   الاشتراك: حدد اشتراكك إذا كان مختلفا عن الاشتراك الافتراضي.

   حساب التخزين: حساب التخزين لسعة تخزين blob الخاصة بك. يمكنك إنشاء حساب تخزين أو استخدام حساب موجود.

   الحاوية: الحاوية التي يتم فيها حفظ الفقاعة. يمكنك إنشاء حاوية أو استخدام حاوية موجودة.

   تنسيق تسلسل الأحداث: حدد CSV.

   

3. حدد ⁧⁩حفظ⁧⁩.

إضافة وظيفة إلى مهمة Stream Analytics للاتصال بخدمة الويب التي قمت بنشرها

1. ضمن طوبولوجيا الوظيفة، حدد الوظائف.

2. في جزء الوظائف ، حدد إضافة، ثم حدد Azure ML Studio من القائمة المنسدلة. (تأكد من تحديد Azure ML Studio، وليس Azure MLService.) في جزء الوظائف الجديدة، اختر توفير إعدادات الدالة Azure التعلم الآلي يدويا وأدخل المعلومات التالية:

   الاسم المستعار للوظيفة: أدخل machinelearning.

   عنوان URL: أدخل عنوان URL لخدمة الويب الذي قمت بتدوينه من المصنف Excel.

   مفتاح: أدخل مفتاح ACCESS الذي قمت بتدوينه من مصنف Excel.

   

3. حدد ⁧⁩حفظ⁧⁩.

تكوين استعلام وظيفة Stream Analytics

1. ضمن مخطط الوظيفة، حدد الاستعلام.

2. استبدال التعليمات البرمجية الموجودة بالتعليمة البرمجية التالية:

   WITH machinelearning AS (
      SELECT EventEnqueuedUtcTime, temperature, humidity, machinelearning(temperature, humidity) as result from [YourInputAlias]
   )
   Select System.Timestamp time, CAST (result.[temperature] AS FLOAT) AS temperature, CAST (result.[humidity] AS FLOAT) AS humidity, CAST (result.[scored probabilities] AS FLOAT ) AS 'probabalities of rain'
   Into [YourOutputAlias]
   From machinelearning
   

   استبدل ⁧[YourInputAlias]⁩ بالاسم المستعار للإدخال الخاص بالوظيفة.

   استبدل ⁧[YourOutputAlias]⁩ بالاسم المستعار للإخراج الخاص بالوظيفة.

3. حدد "حفظ الاستعلام" .

ملاحظة

إذا قمت بتحديد اختبار الاستعلام، فستظهر لك الرسالة التالية: اختبار الاستعلام باستخدام التعلم الآلي الوظائف غير مدعوم. يرجى تعديل الاستعلام والمحاولة مرة أخرى. يمكنك تجاهل هذه الرسالة بأمان وتحديد موافق لإغلاق مربع الرسالة. تأكد من حفظ الاستعلام قبل المتابعة إلى القسم التالي.

تشغيل وظيفة Stream Analytics

في مهمة Stream Analytics، حدد نظرة عامة في الجزء الأيمن. ثم حدد StartNowStart>>. بمجرد بدء الوظيفة بنجاح، تتغير حالة المهمة من ⁧⁩متوقف⁧⁩ إلى⁧⁩قيد التشغيل⁧⁩.

استخدام مستكشف تخزين Microsoft Azure لعرض توقعات الطقس

قم بتشغيل تطبيق العميل لبدء جمع بيانات درجة الحرارة والرطوبة وإرسالها إلى مركز إنترنت الأشياء الخاص بك. لكل رسالة يتلقاها مركز إنترنت الأشياء الخاص بك، تستدعي وظيفة Stream Analytics خدمة الويب الخاصة بتوقعات الطقس لإنتاج فرصة المطر. ثم يتم حفظ النتيجة في وحدة تخزين Azure blob. Azure Storage Explorer هي أداة يمكنك استخدامها لعرض النتيجة.

1. قم بتنزيل مستكشف تخزين Microsoft Azure وتثبيته.

2. افتح Azure Storage Explorer.

3. سجّل الدخول إلى حسابك في Azure.

4. حدد اشتراكك.

5. حدد اشتراكك >حسابات التخزين حساب>> التخزين الخاص بك Blob حاويات الحاوية> الخاصة بك.

6. قم بتنزيل ملف .csv لرؤية النتيجة. يسجل العمود الأخير فرصة المطر.

   

الملخص

لقد نجحت في استخدام ML Studio (الكلاسيكي) لإنتاج فرصة المطر استنادا إلى بيانات درجة الحرارة والرطوبة التي يتلقاها مركز إنترنت الأشياء الخاص بك.

لمتابعة بدء استخدام Azure IoT Hub واستكشاف جميع سيناريوهات إنترنت الأشياء الموسعة، راجع ما يلي:

• إدارة رسائل الأجهزة السحابية باستخدام ملحق Azure IoT Hub للتعليمات البرمجية Visual Studio

• إدارة الأجهزة باستخدام ملحق Azure IoT Hub للتعليمات البرمجية Visual Studio

• إعداد مسار الرسائل

• استخدام Power BI لعرض بيانات المستشعر في الوقت الفعلي من مركز إنترنت الأشياء

• استخدام تطبيق ويب لعرض بيانات المستشعر في الوقت الفعلي من مركز إنترنت الأشياء

• توقع حالة الطقس باستخدام بيانات المستشعر من مركز إنترنت الأشياء في Azure التعلم الآلي

• استخدام التطبيقات المنطقية للمراقبة والإشعارات عن بعد