ما هو التعلم الآلي الآلي (AutoML)؟

  • مقالة
  • قراءة خلال 15 دقائق

التعلم الآلي التلقائي، الذي يشار إليه أيضاً باسم ML التلقائي أو AutoML، هو عملية أتمتة المهام التكرارية التي تستغرق وقتاً طويلاً لتطوير نموذج التعلم الآلي. يسمح لعلماء البيانات والمحللين والمطورين ببناء نماذج التعلم الآلي من Microsoft Azure بمقياس وكفاءة وإنتاجية عالية مع الحفاظ على جودة النموذج. يعتمد Automated ML في التعلم الآلي من Azure على مدى تقدم قسم Microsoft Research.

إن تطوير نموذج التعلم الآلي التقليدي هو أمر كثيف الموارد ويتطلب معرفة كبيرة بالمجال ووقتاً لإنتاج عشرات النماذج ومقارنتها. من خلال التعلم الآلي التلقائي، يمكنك تسريع الوقت الذي تستغرقه للحصول على نماذج ML جاهزة للإنتاج بسهولة وكفاءة كبيرتين.

طرق استخدام AutoML في Azure التعلم الآلي

يقدم Azure التعلم الآلي التجربتين التاليتين للعمل مع التعلم الآلي التلقائي. راجع الأقسام التالية لفهم مدى توفر الميزات في كل تجربة.

إعدادات التجربة

تسمح لك الإعدادات التالية بتكوين تجربة ML التلقائية.

عدة تطوير برامج Python تجربة الويب الخاصة بالاستوديو
تقسيم البيانات إلى مجموعات القطار/التحقق من الصحة ✓ ✓
يدعم مهام ML: التصنيف والانحدار والتنبؤ & ✓ ✓
يدعم مهام رؤية الكمبيوتر (معاينة): تصنيف الصور ، تجزئة مثيل اكتشاف & الكائنات ✓
تحسينات استنادا إلى المقياس الأساسي ✓ ✓
يدعم Azure ML compute as compute target ✓ ✓
تكوين أفق التنبؤ، نافذة التأخر المستهدف المتداول & ✓ ✓
تعيين معايير الخروج ✓ ✓
تعيين التكرارات المتزامنة ✓ ✓
إسقاط الأعمدة ✓ ✓
خوارزميات الحظر ✓ ✓
التحقق من الصحة المتقاطعة ✓ ✓
يدعم التدريب على مجموعات Azure Databricks ✓
عرض أسماء المعالم الهندسية ✓
ملخص الإنجاز ✓
التكريم للعطلات ✓
مستويات الإسهاب في ملف السجل ✓

إعدادات الطراز

يمكن تطبيق هذه الإعدادات على أفضل طراز نتيجة لتجربة التعلم الآلي التلقائية.

عدة تطوير برامج Python تجربة الويب الخاصة بالاستوديو
أفضل تسجيل للنموذج ونشره وإمكانية تفسيره ✓ ✓
تمكين نماذج مجموعات & مجموعات مجموعات الاقتراع ✓ ✓
إظهار أفضل نموذج استنادا إلى مقياس غير أساسي ✓
تمكين/تعطيل توافق طراز ONNX ✓
اختبار النموذج ✓ ✓ (معاينة)

تشغيل إعدادات التحكم

تتيح لك هذه الإعدادات مراجعة عمليات تشغيل التجربة وتشغيلها التابع والتحكم فيها.

عدة تطوير برامج Python تجربة الويب الخاصة بالاستوديو
تشغيل جدول الملخص ✓ ✓
إلغاء تشغيل عمليات التشغيل & التابعة ✓ ✓
احصل على الدرابزين ✓ ✓
إيقاف & تشغيل السيرة الذاتية مؤقتا ✓

متى تستخدم AutoML: التصنيف ، الانحدار ، التنبؤ ، رؤية & الكمبيوتر البرمجة اللغوية العصبية

قم بتطبيق ML التلقائي عندما تريد أن يقوم التعلم الآلي من Azure بتدريب نموذج وضبطه لك باستخدام مقياس الهدف الذي تحدده. تعمل ML الآلية على إضفاء الطابع الديمقراطي على عملية تطوير نموذج التعلم الآلي ، وتمكن مستخدميها ، بغض النظر عن خبرتهم في علوم البيانات ، من تحديد خط أنابيب التعلم الآلي الشامل لأي مشكلة.

يمكن لمحترفي ومطوري التعلم الآلي عبر الصناعات استخدام التعلم الآلي الآلي من أجل:

  • تنفيذ حلول ML دون معرفة برمجية واسعة
  • توفير الوقت والموارد
  • الاستفادة من أفضل ممارسات علوم البيانات
  • تقديم حل سريع للمشكلات

التصنيف

التصنيف مهمة شائعة للتعلم الآلي. التصنيف هو نوع من التعلم الخاضع للإشراف حيث تتعلم النماذج باستخدام بيانات التدريب ، وتطبق تلك الدروس المستفادة على البيانات الجديدة. يوفر التعلم الآلي من Azure ميزات خاصة بهذه المهام، مثل ميزات نص الشبكة العصبية العميقة للتصنيف. تعرف على المزيد حول خيارات التجميل.

يتمثل الهدف الرئيسي لنماذج التصنيف في التنبؤ بالفئات التي ستندرج فيها البيانات الجديدة بناءً على الدروس المستفادة من بيانات التدريب الخاصة بها. تتضمن أمثلة التصنيف الشائعة الكشف عن الاحتيال والتعرف على خط اليد واكتشاف الكائنات. تعرف على المزيد واطلع على مثال على إنشاء نموذج تصنيف باستخدام ML الآلي.

اطلع على أمثلة للتصنيف والتعلم الآلي الآلي في دفاتر ملاحظات Python هذه: اكتشاف الاحتيالوالتنبؤ بالتسويقوتصنيف بيانات مجموعة الأخبار

الانحدار

على غرار التصنيف، تعد مهام الانحدار أيضاً مهمة تعلم شائعة خاضعة للإشراف. يوفر التعلم الآلي من Azure ميزات خاصة بهذه المهام.

تختلف نماذج الانحدار عن التصنيف حيث تكون قيم المخرجات المتوقعة فئوية ، وتتنبأ بقيم المخرجات العددية بناء على تنبؤات مستقلة. وفي حالة الانحدار، يتمثل الهدف في المساعدة على إنشاء علاقة بين تلك المتغيرات التنبؤية المستقلة عن طريق تقدير كيفية تأثير متغير واحد على المتغيرات الأخرى. على سبيل المثال ، يعتمد سعر السيارة على ميزات مثل عدد الكيلومترات التي يقطعها الغاز وتصنيف السلامة وما إلى ذلك. تعرف على المزيد وشاهد مثالا على الانحدار باستخدام التعلم الآلي التلقائي.

راجع أمثلة على الانحدار والتعلم الآلي الآلي للتنبؤات في دفاتر ملاحظات Python هذه: التنبؤ بأداء وحدة المعالجة المركزية،

التنبؤ بالتسلسل الزمني

تعد توقعات البناء جزءاً لا يتجزأ من أي عمل، سواء كان ذلك في الإيرادات أو المخزون أو المبيعات أو طلب العملاء. يمكنك استخدام ML التلقائي للجمع بين التقنيات والأساليب والحصول على التنبؤ بالتسلسل الزمني عالي الجودة الموصى به. تعرف على المزيد من خلال كيفية: التعلم الآلي التلقائي للتنبؤ بالتسلسل الزمني.

يتم التعامل مع تجربة التسلسل الزمني التلقائية كمشكلة انحدار متعدد المتغيرات. يتم "تحور" قيم التسلسل الزمني السابقة لتصبح أبعاداً إضافية للانعكاس مع المتنبئين الآخرين. هذا النهج ، على عكس أساليب السلاسل الزمنية الكلاسيكية ، لديه ميزة دمج المتغيرات السياقية المتعددة بشكل طبيعي وعلاقتها ببعضها البعض أثناء التدريب. يتعلم التعلم الآلي الآلي نموذجا واحدا ، ولكن غالبا ما يكون متفرعا داخليا لجميع العناصر في مجموعة البيانات وآفاق التنبؤ. وبالتالي يتوفر المزيد من البيانات لتقدير معلمات النموذج ويصبح التعميم على السلاسل غير المرئية ممكناً.

يتضمن تكوين التنبؤ المتقدم ما يلي:

  • الكشف عن العطلة والتشخيص
  • التسلسل الزمني ومتعلمي الشبكة العصبية العميقة (DNN) (Auto-ARIMA، وProphet، وForecastTCN)
  • دعم العديد من النماذج من خلال التجميع
  • التحقق من صحة الأصل المتداول
  • تأخيرات قابلة للتكوين
  • ميزات تجميع نافذة التجميع

راجع أمثلة على الانحدار والتعلم الآلي الآلي للتنبؤات في دفاتر ملاحظات Python هذه: التنبؤ بالمبيعات، والتنبؤ بالطلب، والتنبؤ بالمستخدمينالنشطين يوميا GitHub.

الرؤية الحاسوبية (المعاينة)

هام

تُعد هذه الميزة قيد المعاينة العامة في الوقت الحالي. يتم توفير إصدار المعاينة هذا من دون اتفاقية مستوى الخدمة. بعض الميزات ربما لا تكون مدعمة أو بها بعض القدرات المقيدة لمزيد من المعلومات، راجع ⁧⁩شروط الاستخدام التكميلية لمعاينات Microsoft Azure⁧⁩.

يتيح لك دعم مهام رؤية الكمبيوتر إنشاء نماذج مدربة بسهولة على بيانات الصور لسيناريوهات مثل تصنيف الصور واكتشاف الكائنات.

مع هذه القدرة، يمكنك:

  • التكامل بسلاسة مع إمكانية وضع العلامات على بيانات Azure التعلم الآلي
  • استخدام البيانات المصنفة لإنشاء نماذج الصور
  • تحسين أداء النموذج عن طريق تحديد خوارزمية النموذج وضبط المعلمات التشعبية.
  • قم بتنزيل النموذج الناتج أو نشره كخدمة ويب في Azure التعلم الآلي.
  • يمكنك التشغيل على نطاق واسع، والاستفادة من قدرات Azure التعلم الآلي MLOpsوML Pipelines.

يتم دعم تأليف نماذج AutoML لمهام الرؤية عبر Azure ML Python SDK. يمكن الوصول إلى عمليات تشغيل التجارب والنماذج والمخرجات الناتجة من واجهة مستخدم استوديو Azure التعلم الآلي.

تعرف على كيفية إعداد تدريب AutoML لنماذج الرؤية الحاسوبية.

Computer vision tasks examples. Image from: http://cs231n.stanford.edu/slides/2021/lecture_15.pdf الصورة من: http://cs231n.stanford.edu/slides/2021/lecture_15.pdf

يدعم ML الآلي للصور مهام رؤية الكمبيوتر التالية:

المهمة الوصف
تصنيف الصور متعدد الفئات المهام التي يتم فيها تصنيف صورة بتصنيف واحد فقط من مجموعة من الفئات - على سبيل المثال ، يتم تصنيف كل صورة إما كصورة ل قطة أو أو بطة
تصنيف الصور متعددة التسميات المهام التي يمكن أن تحتوي فيها الصورة على تصنيف واحد أو أكثر من مجموعة من التصنيفات - على سبيل المثال ، يمكن تصنيف صورة بكل من "القط" و "الكلب"
الكشف عن العنصر مهام لتحديد الكائنات في صورة وتحديد موقع كل كائن مع مربع محيط ، على سبيل المثال ، حدد موقع جميع الكلاب والقطط في صورة ورسم مربع محيط حول كل منها.
تجزئة المثيل مهام لتحديد الكائنات في صورة على مستوى البيكسل، ورسم مضلع حول كل كائن في الصورة.

معالجة اللغات الطبيعية: البرمجة اللغوية العصبية (معاينة)

هام

تُعد هذه الميزة قيد المعاينة العامة في الوقت الحالي. يجري توفير إصدار المعاينة هذا من دون اتفاقية على مستوى الخدمة، ولا يوصى به لأحمال العمل الخاصة بالإنتاج. بعض الميزات ربما لا تكون مدعمة أو بها بعض القدرات المقيدة. لمزيد من المعلومات، راجع ⁧⁩شروط الاستخدام التكميلية لمعاينات Microsoft Azure⁧⁩.

يتيح لك دعم مهام معالجة اللغات الطبيعية (NLP) في ML الآلي إنشاء نماذج مدربة بسهولة على بيانات النص لتصنيف النص وسيناريوهات التعرف على الكيانات المسماة. يتم دعم تأليف نماذج البرمجة اللغوية العصبية المدربة آليا على التعلم الآلي عبر Azure التعلم الآلي Python SDK. يمكن الوصول إلى عمليات تشغيل التجارب والنماذج والمخرجات الناتجة من واجهة مستخدم استوديو Azure التعلم الآلي.

تدعم قدرة البرمجة اللغوية العصبية ما يلي:

  • تدريب شامل على البرمجة اللغوية العصبية العميقة للشبكة العصبية مع أحدث نماذج BERT المدربة مسبقا
  • التكامل السلس مع Azure التعلم الآلي تسمية البيانات
  • استخدام البيانات المصنفة لإنشاء نماذج البرمجة اللغوية العصبية
  • دعم متعدد اللغات مع 104 لغات
  • التدريب الموزع مع هوروفود

تعرف على كيفية إعداد تدريب AutoML لنماذج البرمجة اللغوية العصبية.

كيفية عمل ML التلقائي

أثناء التدريب، يقوم Azure التعلم الآلي بإنشاء عدد من خطوط الأنابيب بالتوازي التي تجرب خوارزميات ومعلمات مختلفة نيابة عنك. تتكرر الخدمة من خلال خوارزميات ML المقترنة بتحديدات الميزة، حيث كل تكرار ينتج نموذجاً مع درجة التدريب. وكلما ارتفعت الدرجة، كان يُنظر إلى النموذج على أنه "ملائم" لبياناتك بشكل أفضل. سيتوقف بمجرد الوصول إلى معايير الإنهاء المحددة في التجربة.

باستخدام Azure التعلم الآلي، يمكنك تصميم تجارب تدريب التعلم الآلي التلقائية وتشغيلها من خلال الخطوات التالية:

  1. تحديد مشكلة ML المراد حلها: التصنيف أو التنبؤ أو الانحدار أو رؤية الكمبيوتر (المعاينة).

  2. اختر ما إذا كنت تريد استخدام Python SDK أو تجربة الويب في الاستوديو: تعرف على التكافؤ بين Python SDK وتجربة الويب في الاستوديو.

    • للحصول على تجربة تعليمات برمجية محدودة أو معدومة، جرب تجربة الويب الخاصة باستوديو Azure التعلم الآلي فيhttps://ml.azure.com
    • بالنسبة لمطوري Python ، تحقق من Azure التعلم الآلي Python SDK

  3. حدد مصدر وتنسيق بيانات التدريب المسماة: صفيفات Numpy أو إطار بيانات Pandas

  4. قم بتكوين هدف الحوسبة للتدريب على النماذج، مثل الكمبيوتر المحلي أو Azure التعلم الآلي Compputes أو الأجهزة الظاهرية البعيدة أو Azure Databricks.

  5. قم بتكوين معلمات التعلم الآلي التلقائية التي تحدد عدد التكرارات على نماذج مختلفة، وإعدادات المعلمات الفائقة، والمعالجة المسبقة/الإنجاز المتقدم، والمقاييس التي يجب النظر إليها عند تحديد أفضل نموذج.

  6. تقديم التدريب الجاري.

  7. مراجعة النتائج

يوضح الرسم التخطيطي التالي هذه العملية. Automated Machine learning

يمكنك أيضا فحص معلومات التشغيل المسجلة، والتي تحتوي على مقاييس تم جمعها أثناء التشغيل. ينتج عن تشغيل التدريب كائن متسلسل Python (.pkl ملف) يحتوي على النموذج والمعالجة المسبقة للبيانات.

أثناء أتمتة بناء النماذج، يمكنك أيضا معرفة مدى أهمية الميزات أو ملاءمتها للنماذج التي تم إنشاؤها.

إرشادات حول الأهداف المحلية مقابل أهداف حوسبة ML المدارة عن بعد

تستخدم واجهة الويب الخاصة بالتعلم الآلي الآلي دائما هدفا للحوسبة عن بعد. ولكن عند استخدام Python SDK ، ستختار إما حوسبة محلية أو هدفا للحوسبة عن بعد للتدريب الآلي على ML.

  • الحوسبة المحلية: يتم التدريب على الكمبيوتر المحمول المحلي أو حوسبة VM.
  • الحوسبة عن بعد: يتم التدريب على أنظمة حوسبة Machine Learning.

اختر هدف الحوسبة

ضع في اعتبارك هذه العوامل عند اختيار هدف الحوسبة:

  • اختيار حساب محلي: إذا كان السيناريو الخاص بك يدور حول الاستكشافات الأولية أو العروض التوضيحية باستخدام البيانات الصغيرة والقطارات القصيرة (أي ثوان أو بضع دقائق لكل طفل يركض) ، فقد يكون التدريب على جهاز الكمبيوتر المحلي الخاص بك خيارا أفضل. لا يوجد وقت للإعداد ، تتوفر موارد البنية التحتية (جهاز الكمبيوتر أو الجهاز الظاهري) مباشرة.
  • اختر مجموعة حوسبة ML عن بعد: إذا كنت تتدرب باستخدام مجموعات بيانات أكبر كما هو الحال في التدريب على الإنتاج وإنشاء نماذج تحتاج إلى قطارات أطول ، فإن الحوسبة عن بعد ستوفر أداء أفضل بكثير من البداية إلى النهاية لأنها AutoML ستتوازي القطارات عبر عقد المجموعة. في الحوسبة عن بعد، سيضيف وقت بدء تشغيل البنية التحتية الداخلية حوالي 1.5 دقيقة لكل تشغيل فرعي، بالإضافة إلى دقائق إضافية للبنية الأساسية للمجموعة إذا لم تكن الأجهزة الظاهرية قيد التشغيل بعد.

إيجابيات وسلبيات

ضع في اعتبارك هذه الإيجابيات والسلبيات عند اختيار استخدام المحلي مقابل البعيد.

الايجابيات (المزايا) سلبيات (إعاقات)
هدف الحوسبة المحلية
  • لا يوجد وقت لبدء التشغيل في البيئة
    		•
  • مجموعة فرعية من الميزات
  • لا يمكن موازاة عمليات التشغيل
  • الأسوأ بالنسبة للبيانات الكبيرة.
  • لا تدفق البيانات أثناء التدريب
  • لا يوجد تلاعب قائم على DNN
  • بايثون SDK فقط
    		•
    مجموعات حوسبة ML عن بعد
  • مجموعة كاملة من الميزات
  • موازاة تشغيل الطفل
  • دعم البيانات الكبيرة
  • التثمار القائم على DNN
  • قابلية التوسع الديناميكي لمجموعة الحوسبة عند الطلب
  • تتوفر أيضا تجربة بدون رمز (واجهة مستخدم الويب)
    		•
  • وقت بدء التشغيل لعقد نظام المجموعة
  • وقت بدء التشغيل لكل تشغيل تابع
    		•

    توفر الميزة

    تتوفر المزيد من الميزات عند استخدام الحوسبة عن بعد، كما هو موضح في الجدول أدناه.

    الميزة بعيد محلي
    تدفق البيانات (دعم البيانات الكبيرة، حتى 100 جيجابايت) ✓
    إنجاز النص والتدريب المستند إلى DNN-BERT ✓
    دعم وحدة معالجة الرسومات الجاهزة (التدريب والاستدلال) ✓
    دعم تصنيف الصور ووضع العلامات ✓
    نماذج ARIMA-Auto-ARIMA, Prophet و ForecastTCN للتنبؤ ✓
    تشغيل/تكرارات متعددة بالتوازي ✓
    إنشاء نماذج قابلة للترجمة الفورية في واجهة مستخدم تجربة الويب الخاصة باستوديو AutoML ✓
    تخصيص هندسة الميزات في واجهة مستخدم تجربة الويب الخاصة بالاستوديو ✓
    Azure ML hyperparameter tuning ✓
    دعم سير عمل Azure ML Pipeline ✓
    متابعة الركض ✓
    التنبؤ ✓ ✓
    إنشاء التجارب وتشغيلها في دفاتر الملاحظات ✓ ✓
    تسجيل معلومات التجربة ومقاييسها وتصورها في واجهة المستخدم ✓ ✓
    درابزين البيانات ✓ ✓

    بيانات التدريب والتحقق من الصحة والاختبار

    باستخدام ML الآلي ، يمكنك توفير بيانات التدريب لتدريب نماذج ML ، ويمكنك تحديد نوع التحقق من صحة النموذج الذي يجب القيام به. يقوم ML الآلي بإجراء التحقق من صحة النموذج كجزء من التدريب. أي أن ML الآلي يستخدم بيانات التحقق من الصحة لضبط المعلمات التشعبية للنموذج استنادا إلى الخوارزمية المطبقة للعثور على أفضل تركيبة تناسب بيانات التدريب. ومع ذلك ، يتم استخدام نفس بيانات التحقق من الصحة لكل تكرار للضبط ، مما يؤدي إلى تحيز تقييم النموذج نظرا لأن النموذج يستمر في التحسن ويتناسب مع بيانات التحقق من الصحة.

    للمساعدة في التأكد من عدم تطبيق هذا التحيز على النموذج النهائي الموصى به، يدعم التعلم الآلي التلقائي استخدام بيانات الاختبار لتقييم النموذج النهائي الذي توصي به ML التلقائية في نهاية تجربتك. عند توفير بيانات الاختبار كجزء من تهيئة تجربة AutoML، يتم اختبار هذا النموذج الموصى به افتراضيا في نهاية تجربتك (المعاينة).

    هام

    يعد اختبار نماذجك باستخدام مجموعة بيانات اختبار لتقييم النماذج التي تم إنشاؤها ميزة معاينة. هذه الإمكانية هي ميزة معاينة تجريبية ، وقد تتغير في أي وقت.

    تعرف على كيفية تكوين تجارب AutoML لاستخدام بيانات الاختبار (المعاينة) مع SDK أو معاستوديو Azure التعلم الآلي.

    يمكنك أيضا اختبار أي نموذج ML آلي موجود (معاينة))، بما في ذلك نماذج من عمليات التشغيل التابعة، من خلال توفير بيانات الاختبار الخاصة بك أو عن طريق تخصيص جزء من بيانات التدريب الخاصة بك.

    هندسة الميزات

    هندسة الميزات هي عملية استخدام معرفة المجال بالبيانات لإنشاء ميزات تساعد خوارزميات ML على التعلم بشكل أفضل. في Azure التعلم الآلي، يتم تطبيق تقنيات التحجيم والتطبيع لتسهيل هندسة المعالم. بشكل جماعي ، يشار إلى هذه التقنيات وهندسة الميزات باسم featurization.

    بالنسبة لتجارب التعلم الآلي الآلي، يتم تطبيق الإنجاز تلقائيا، ولكن يمكن أيضا تخصيصه بناء على بياناتك. تعرف على المزيد حول ما يتم تضمينه من الإنجاز وكيف يساعد AutoML على منع الإفراط في تركيب البيانات وعدم توازنها في نماذجك.

    ملاحظة

    تصبح خطوات إنجاز التعلم الآلي الآلي (تطبيع الميزات ، ومعالجة البيانات المفقودة ، وتحويل النص إلى رقمي ، وما إلى ذلك) جزءا من النموذج الأساسي. عند استخدام نموذج التنبؤات، يتم تطبيق نفس خطوات الإنجاز المطبقة أثناء التدريب على بيانات الإدخال الخاصة بك تلقائيا.

    تخصيص الإنجاز

    تتوفر أيضا تقنيات هندسة ميزات إضافية مثل الترميز والتحويلات.

    قم بتمكين هذا الإعداد من خلال:

    نماذج الفرقة

    يدعم التعلم الآلي نماذج المجموعات، والتي يتم تمكينها افتراضيا. يعمل التعلم الجماعي على تحسين نتائج التعلم الآلي والأداء التنبؤي من خلال الجمع بين نماذج متعددة بدلا من استخدام نماذج واحدة. تظهر تكرارات المجموعة كتكرارات نهائية للتشغيل. يستخدم التعلم الآلي كلا من أساليب مجموعة التصويت والتكديس للجمع بين النماذج:

    • التصويت: يتنبأ استنادا إلى المتوسط المرجح لاحتمالات الفئة المتوقعة (لمهام التصنيف) أو أهداف الانحدار المتوقعة (لمهام الانحدار).
    • التراص: يجمع التراص بين النماذج غير المتجانسة ويدرب نموذجا فوقيا يعتمد على المخرجات من النماذج الفردية. النماذج الوصفية الافتراضية الحالية هي LogisticRegression لمهام التصنيف و ElasticNet لمهام الانحدار / التنبؤ.

    يتم استخدام خوارزمية اختيار مجموعة Caruana مع تهيئة المجموعة المفروزة لتحديد النماذج التي يجب استخدامها داخل المجموعة. على مستوى عال ، تقوم هذه الخوارزمية بتهيئة المجموعة بما يصل إلى خمسة نماذج بأفضل الدرجات الفردية ، وتتحقق من أن هذه النماذج ضمن عتبة 5٪ من أفضل درجة لتجنب مجموعة أولية ضعيفة. ثم لكل تكرار للمجموعة ، تتم إضافة نموذج جديد إلى المجموعة الحالية ويتم حساب النتيجة الناتجة. إذا قام نموذج جديد بتحسين درجة المجموعة الحالية ، تحديث المجموعة لتشمل النموذج الجديد.

    راجع كيفية تغيير إعدادات المجموعة الافتراضية في التعلم الآلي التلقائي.

    أوتومول & أونكس

    باستخدام التعلم الآلي من Microsoft Azure، يمكنك استخدام التعلم الآلي لإنشاء نموذج Python وتحويله إلى تنسيق ONNX. بمجرد أن تكون النماذج بتنسيق ONNX ، يمكن تشغيلها على مجموعة متنوعة من الأنظمة الأساسية والأجهزة. تعرف على المزيد حول تسريع طرازات ML باستخدام ONNX.

    تعرف على كيفية التحويل إلى تنسيق ONNX في مثال دفتر ملاحظات Jupyter هذا. تعرف على الخوارزميات المدعومة في ONNX.

    يدعم وقت تشغيل ONNX أيضا C # ، بحيث يمكنك استخدام النموذج المصمم تلقائيا في تطبيقات C # الخاصة بك دون أي حاجة إلى إعادة الترميز أو أي من زمن انتقال الشبكة الذي تقدمه نقاط نهاية REST. تعرف على المزيد حول استخدام نموذج AutoML ONNX في تطبيق .NET مع ML.NETوالاستدلال على طرز ONNX باستخدام واجهة برمجة تطبيقات C# API لوقت تشغيل ONNX.

    الخطوات التالية

    هناك العديد من الموارد لتحصل على ما يصل وتشغيل مع AutoML.

    البرامج التعليمية / الإرشادات

    البرامج التعليمية هي أمثلة تمهيدية شاملة لسيناريوهات AutoML.

    توفر المقالات الإرشادية تفاصيل إضافية حول الوظائف التي يقدمها ML الآلي. على سبيل المثال،

    عينات دفتر ملاحظات Jupyter

    راجع أمثلة التعليمات البرمجية التفصيلية وحالات الاستخدام في مستودع دفتر الملاحظات GitHub لعينات التعلم الآلي.

    مرجع بايثون SDK

    قم بتعميق خبرتك في أنماط تصميم SDK ومواصفات الفئة باستخدام الوثائق المرجعية لفئة AutoML.

    ملاحظة

    تتوفر إمكانات التعلم الآلي التلقائي أيضا في حلول Microsoft الأخرى مثل ML.NETوHDInsightوPower BIو SQL Server