クイック スタート: Azure Machine Learning サービスのインストールと基本操作Quickstart: Install and get started with Azure Machine Learning services

Azure Machine Learning サービス (プレビュー) は、統合されたエンドツーエンドのデータ サイエンスおよび高度な分析ソリューションです。Azure Machine Learning services (preview) are an integrated, end-to-end data science and advanced analytics solution. プロフェッショナルなデータ サイエンティストは、これを使用してデータの準備、実験の開発、モデルのデプロイをクラウド規模で行うことができます。It helps professional data scientists prepare data, develop experiments, and deploy models at cloud scale.

このクイックスタートでは、次の方法について説明します。This quickstart shows you how to:

  • Azure Machine Learning サービスのサービス アカウントを作成するCreate service accounts for Azure Machine Learning services
  • Azure Machine Learning Workbench をインストールしてログインするInstall and log in to Azure Machine Learning Workbench.
  • Workbench でプロジェクトを作成するCreate a project in Workbench
  • そのプロジェクトでスクリプトを実行するRun a script in that project
  • コマンド ライン インターフェイス (CLI) にアクセスするAccess the command-line interface (CLI)

Azure Machine Learning サービスは Microsoft Azure のポートフォリオの一部であるため、ご利用には Azure サブスクリプションが必要です。As part of the Microsoft Azure portfolio, Azure Machine Learning services require an Azure subscription. Azure サブスクリプションをお持ちでない場合は、開始する前に 無料アカウント を作成してください。If you don't have an Azure subscription, create a free account before you begin.

また、リソース グループや仮想マシンなどのアセットを作成するための適切な権限も必要になります。Additionally, you must have adequate permissions to create assets such as Resource Groups, Virtual Machines, and so on.

Azure Machine Learning Workbench アプリケーションは、次のオペレーティング システムにインストールできます。You can install the Azure Machine Learning Workbench application on the following operating systems:

  • Windows 10 または Windows Server 2016Windows 10 or Windows Server 2016
  • macOS Sierra または High SierramacOS Sierra or High Sierra

Azure Machine Learning サービス アカウントを作成するCreate Azure Machine Learning services accounts

Azure Portal を使用して Azure Machine Learning アカウントをプロビジョニングします。Use the Azure portal to provision your Azure Machine Learning accounts:

  1. 使用する Azure サブスクリプションの資格情報を使用して Azure Portal にサインインします。Sign in to the Azure portal using the credentials for the Azure subscription you'll use. Azure サブスクリプションをお持ちでない場合は、ここで無料アカウントを作成してください。If you don't have an Azure subscription, create a free account now.

    Azure ポータル

  2. ポータルの左上隅にある [リソースの作成] ボタン (+) を選択します。Select the Create a resource button (+) in the upper-left corner of the portal.

    Azure Portal でのリソースの作成

  3. 検索バーに「Machine Learning」と入力します。Enter Machine Learning in the search bar. [Machine Learning Experimentation](Machine Learning 実験) という検索結果を選択します。Select the search result named Machine Learning Experimentation.

    Azure Machine Learning の検索

  4. [Machine Learning Experimentation](Machine Learning 実験) ウィンドウの一番下までスクロールし、[作成] を選択して、実験アカウントの定義を開始します。In the Machine Learning Experimentation pane, scroll to the bottom and select Create to begin defining your experimentation account.

    Azure Machine Learning - 実験アカウントの作成

  5. [ML Experimentation](ML 実験) ウィンドウで、Machine Learning 実験アカウントを構成します。In the ML Experimentation pane, configure your Machine Learning Experimentation account.

    SettingSetting チュートリアルの推奨値Suggested value for tutorial [説明]Description
    [Experimentation account name](実験アカウント名)Experimentation account name "一意の名前"Unique name アカウントを識別する一意の名前を入力します。Enter a unique name that identifies your account. 独自の名前を使用できるほか、実験を識別するうえで最適な部門またはプロジェクトの名前を使用できます。You can use your own name, or a departmental or project name that best identifies the experiment. この名前は 2 ~ 32 文字で指定します。The name should be 2 to 32 characters. これには、英数字とダッシュ (-) 文字のみを使用してください。It should include only alphanumeric characters and the dash (-) character.
    [サブスクリプション]Subscription 該当するサブスクリプションYour subscription 実験に使用する Azure サブスクリプションを選択します。Choose the Azure subscription that you want to use for your experiment. 複数のサブスクリプションをお持ちの場合は、リソースが課金の対象となっている適切なサブスクリプションを選択してください。If you have multiple subscriptions, choose the appropriate subscription in which the resource is billed.
    リソース グループResource group "リソース グループ名"Your resource group サブスクリプションの既存のリソース グループを使用するか、任意の名前を入力してこの実験アカウント用に新しいリソース グループを作成します。Use an existing resource group in your subscription, or enter a name to create a new resource group for this experimentation account.
    場所Location ユーザーに最も近いリージョンThe region closest to your users ユーザーとデータ リソースに最も近い場所を選択します。Choose the location closest to your users and the data resources.
    [Number of seats](シート数)Number of seats 22 接続クライアント数を入力します。Enter the number of seats. シートあたりの価格を参照してください。Learn how seating impacts pricing.

    このクイック スタートで必要なシート数は 2 つだけです。For this Quickstart, you only need two seats. シートは、必要に応じて Azure Portal から追加したり削除したりすることができます。Seats can be added or removed as needed in the Azure portal.
    ストレージ アカウントStorage account "一意の名前"Unique name [新規作成] を選択し、Azure Storage アカウントを作成するための名前を指定します。Select Create new and provide a name to create an Azure storage account. 名前は 3 文字以上 24 文字以下にする必要があり、英数字だけを使用することができます。The name should be 3 to 24 characters, and should include only alphanumeric characters. または、[Use existing (既存のものを使用)] を選択し、ドロップダウン リストから既存のストレージ アカウントを選択します。Alternatively, select Use existing and select your existing storage account from the drop-down list. このストレージ アカウントは、プロジェクト アーティファクトと実行履歴データを保持するために必要であり、そのために使用されます。The storage account is required and is used to hold project artifacts and run history data.
    [Workspace for Experimentation account](実験アカウントのワークスペース)Workspace for Experimentation account IrisGardenIrisGarden
    (チュートリアルで使用する名前)(name used in tutorials)
    このアカウントのワークスペースの名前を指定します。Provide a name for a workspace for this account. この名前は 2 ~ 32 文字で指定します。The name should be 2 to 32 characters. これには、英数字とダッシュ (-) 文字のみを使用してください。It should include only alphanumeric characters and the dash (-) character. このワークスペースには、実験を管理および公開するのに必要なツールが用意されています。This workspace contains the tools you need to create, manage, and publish experiments.
    [Assign owner for the workspace](ワークスペースの所有者の割り当て)Assign owner for the workspace "自分のアカウント"Your account ご自身のアカウントをワークスペースの所有者として選択します。Select your own account as the workspace owner.
    [Create Model Management account](モデル管理アカウントを作成する)Create Model Management account checkcheck リアルタイム Web サービスとしてモデルをデプロイしたり管理したりする必要が生じたときにこのリソースが利用できるよう、ここでモデル管理アカウントを作成しておきます。Create a Model Management account now so that this resource is available when you want to deploy and manage your models as real-time web services.

    必須ではありませんが、モデル管理アカウントは実験アカウントと同時に作成することをお勧めします。While optional, we recommend creating the Model Management account at the same time as the Experimentation account.
    アカウント名Account name "一意の名前"Unique name モデル管理アカウントを識別する一意の名前を選択します。Choose a unique name that identifies your Model Management account. 独自の名前を使用できるほか、実験を識別するうえで最適な部門またはプロジェクトの名前を使用できます。You can use your own name, or a departmental or project name that best identifies the experiment. この名前は 2 ~ 32 文字で指定します。The name should be 2 to 32 characters. これには、英数字とダッシュ (-) 文字のみを使用してください。It should include only alphanumeric characters and the dash (-) character.
    [Model Management pricing tier](モデル管理の価格レベル)Model Management pricing tier DEVTESTDEVTEST [価格レベルが選択されていません] を選択して、新しいモデル管理アカウントの価格レベルを指定します。Select No pricing tier selected to specify the pricing tier for your new Model Management account. コストを抑えるために、該当するサブスクリプションで利用できる場合は DEVTEST 価格レベルを選択してください (利用には制限があります)。For cost savings, select the DEVTEST pricing tier if it's available on your subscription (limited availability). 利用できない場合は、S1 価格レベルを選択します。Otherwise, select the S1 pricing tier. [選択] をクリックして、価格レベルの選択を保存します。Click Select to save the pricing tier selection.
    [ダッシュボードにピン留めする]Pin to dashboard checkcheck [ダッシュボードにピン留めする] チェック ボックスをオンにすると、Azure Portal のフロント ダッシュボード ページで Machine Learning 実験アカウントを簡単に追跡できます。Select the Pin to dashboard option to allow easy tracking of your Machine Learning Experimentation account on the front dashboard page of the Azure portal.

    Machine Learning 実験アカウントの構成

  6. [作成] を選択して、実験アカウントとモデル管理アカウントの作成プロセスを開始します。Select Create to begin the creation process of the Experimentation account along with the Model Management account.

    Machine Learning 実験アカウントの構成

    アカウントの作成には、しばらく時間がかかる場合があります。It can take a few moments to create an account. デプロイ プロセスの状態は、Azure Portal ツール バーの [通知] アイコン (ベル) をクリックして確認できます。You can check on the status of the deployment process by clicking the Notifications icon (bell) on the Azure portal toolbar.

    Azure Portal の通知

Workbench をインストールしてログインするInstall and log in to Workbench

Azure Machine Learning Workbench には Windows 版と macOS 版があります。Azure Machine Learning Workbench is available for Windows or macOS. サポートされているプラットフォームの一覧を参照してください。See the list of supported platforms.

警告

インストールが完了するまでに 30 分程度かかる場合があります。The installation might take around 30 minutes to complete.

  1. 最新の Workbench インストーラーをダウンロードして起動します。Download and launch the latest Workbench installer.

    重要

    インストーラーは、ディスク上に完全にダウンロードした後、そこから実行します。Download the installer fully on disk, and then run it from there. ブラウザーのダウンロード ウィジェットで直接実行しないようにしてください。Do not run it directly from your browser's download widget.

    Windows の場合:On Windows:

        A.    A. AmlWorkbenchSetup.msi をダウンロードします。Download AmlWorkbenchSetup.msi.
        B.    B. エクスプローラーで、ダウンロードしたインストーラーをダブルクリックします。Double-click on the downloaded installer in File Explorer.

    macOS の場合:On macOS:

        A.    A. AmlWorkbench.dmg をダウンロードします。Download AmlWorkbench.dmg.
        B.    B. Finder で、ダウンロードしたインストーラーをダブルクリックします。Double-click on the downloaded installer in Finder.

  2. インストーラー画面の指示に従います。Follow the on-screen instructions in your installer to completion.

    インストールが完了するまでに 30 分程度かかる場合があります。The installation might take around 30 minutes to complete.

    Azure Machine Learning Workbench のインストール パスInstallation path to Azure Machine Learning Workbench
    WindowsWindows C:\Users\<user>\AppData\Local\AmlWorkbenchC:\Users\<user>\AppData\Local\AmlWorkbench
    macOSmacOS /Applications/Azure ML Workbench.app/Applications/Azure ML Workbench.app

    必要な依存コンポーネントが、インストーラーによってすべてダウンロードされ、セットアップされます (Python、Miniconda、その他の関連ライブラリなど)。The installer will download and set up all the necessary dependencies, such as Python, Miniconda, and other related libraries. このインストールには、Azure のクロスプラットフォーム コマンドライン ツール (Azure CLI) も含まれます。This installation also includes the Azure cross-platform command-line tool, or Azure CLI.

  3. インストーラーの最後の画面で [Launch Workbench](Workbench の起動) ボタンを選択し、Workbench を起動します。Launch Workbench by selecting the Launch Workbench button on the last screen of the installer.

    インストーラーを閉じた場合は、次のようにします。If you closed the installer:

    • Windows の場合は、Machine Learning Workbench のデスクトップ ショートカットを使用して起動します。On Windows, launch it using the Machine Learning Workbench desktop shortcut.
    • macOS の場合は、Launchpad で [Azure ML Workbench] を選択します。On macOS, select Azure ML Workbench in Launchpad.
  4. 最初の画面で [Sign in with Microsoft](Microsoft にサインイン) を選択し、Azure Machine Learning Workbench に対する認証を行います。On the first screen, select Sign in with Microsoft to authenticate with the Azure Machine Learning Workbench. Azure Portal で実験アカウントとモデル管理アカウントを作成する際に使用したものと同じ資格情報を使用してください。Use the same credentials you used in the Azure portal to create the Experimentation and Model Management accounts.

    サインインすると、Workbench によって Azure サブスクリプション内で検出された最初の実験アカウントが使用され、そのアカウントに関連付けられているワークスペースとプロジェクトがすべて表示されます。Once you are signed in, Workbench uses the first Experimentation account it finds in your Azure subscriptions, and displays all workspaces and projects associated with that account.

    ヒント

    Workbench アプリケーション ウィンドウの左下隅にあるアイコンを使用して別の実験アカウントに切り替えることができます。You can switch to a different Experimentation account using the icon in the lower-left corner of the Workbench application window.

Workbench でプロジェクトを作成するCreate a project in Workbench

Azure Machine Learning におけるプロジェクトとは、問題を解決するために実行されているすべての作業の論理コンテナーです。In Azure Machine Learning, a project is the logical container for all the work being done to solve a problem. プロジェクトはローカル ディスク上の 1 つのフォルダーにマップされ、ファイルやサブフォルダーをそれに追加することができます。It maps to a single folder on your local disk, and you can add any files or subfolders to it.

ここでは、あやめデータセットを含んだテンプレートを使用して、新しい Workbench プロジェクトを作成します。Here, we are creating a new Workbench project using a template that includes the Iris flower dataset. このクイック スタートに続く一連のチュートリアルでは、あやめの種類をその物理的な特性に基づいて予測するモデルを、このデータを使って構築することになります。The tutorials that follow this quickstart depend on this data to build a model that predicts the type of iris based on some of its physical characteristics.

  1. Azure Machine Learning Workbench を開き、[プロジェクト] ウィンドウの正符号 (+) を選択して [新しいプロジェクト] を選択します。With Azure Machine Learning Workbench open, select the plus sign (+) in the PROJECTS pane and choose New Project.

    新しいワークスペース

  2. フォームの各フィールドに必要事項を入力し、[作成] ボタンを選択すると、Workbench で新しいプロジェクトが作成されます。Fill out of the form fields and select the Create button to create a new project in the Workbench.

    フィールドField チュートリアルの推奨値Suggested value for tutorial [説明]Description
    プロジェクト名Project name myIrismyIris アカウントを識別する一意の名前を入力します。Enter a unique name that identifies your account. 独自の名前を使用できるほか、実験を識別するうえで最適な部門またはプロジェクトの名前を使用できます。You can use your own name, or a departmental or project name that best identifies the experiment. この名前は 2 ~ 32 文字で指定します。The name should be 2 to 32 characters. これには、英数字とダッシュ (-) 文字のみを使用してください。It should include only alphanumeric characters and the dash (-) character.
    プロジェクト ディレクトリProject directory c:\Temp\c:\Temp\ プロジェクトの作成先となるディレクトリを指定します。Specify the directory in which the project is created.
    プロジェクトの説明Project description "空白のまま"leave blank 省略可能なフィールド。プロジェクトの説明を入力することができます。Optional field useful for describing the projects.
    Visualstudio.com の GIT リポジトリの URLVisualstudio.com GIT Repository URL "空白のまま"leave blank 省略可能なフィールド。Optional field. プロジェクトは、ソース管理とコラボレーションのために、必要に応じて Visual Studio Team Services で Git リポジトリに関連付けることができます。A project can optionally be associated with a Git repository on Visual Studio Team Services for source control and collaboration. セットアップ方法に関するページを参照してください。Learn how to set that up..
    選択したワークスペースSelected workspace IrisGarden (存在する場合)IrisGarden (if it exists) Azure Portal で実験アカウント用に作成したワークスペースを選択します。Choose a workspace that you have created for your Experimentation account in the Azure portal.
    このクイック スタートの手順に従っている場合、ワークスペースの名前は IrisGarden です。If you followed the Quickstart, you should have a workspace by the name IrisGarden. それ以外の場合は、実験アカウントの作成時に作ったワークスペースを選択してください。それ以外に使いたいワークスペースがあれば、そちらを選んでもかまいません。If not, select the one you created when you created your Experimentation account or any other you want to use.
    プロジェクト テンプレートProject template あやめの分類Classifying Iris テンプレートには、製品に習熟するうえで役立つスクリプトとデータが含まれています。Templates contain scripts and data you can use to explore the product. このクイック スタートに必要なスクリプトとデータ、そしてこのドキュメント サイトに存在する他のチュートリアルで使用するスクリプトとデータも、このテンプレートに含まれています。This template contains the scripts and data you need for this quickstart and other tutorials in this documentation site.

    新しいプロジェクト

    新しいプロジェクトが作成されて、プロジェクト ダッシュボードにそのプロジェクトが表示されます。A new project is created and the project dashboard opens with that project. この時点で、プロジェクトのホーム ページ、データ ソース、ノートブック、ソース コード ファイルを確認できます。At this point, you can explore the project home page, data sources, notebooks, and source code files.

ヒント

Python IDE と連携するように Workbench を構成することで、データ サイエンスの開発作業を効率よく行うことができます。You can configure Workbench to work with a Python IDE for a smooth data science development experience. IDE 内からプロジェクトを対話的に操作することが可能です。Then, you can interact with your project in the IDE. 方法については、こちらをご覧ください。Learn how.

Python スクリプトを実行するRun a Python script

以上で、ローカル コンピューターから iris_sklearn.py スクリプトを実行する準備が整いました。Now, you can run the iris_sklearn.py script on your local computer. このスクリプトは、あやめの分類プロジェクト テンプレートに既定で同梱されています。This script is included by default with the Classifying Iris project template. スクリプトは、広く使われている Python scikit-learn ライブラリを使用してロジスティック回帰モデルを構築します。The script builds a logistic regression model using the popular Python scikit-learn library.

  1. [プロジェクト ダッシュボード] ページ上部のコマンド バーから、実行ターゲットとして [ローカル] を選択し、実行するスクリプトとして [iris_sklearn.py] を選択します。In the command bar at the top of the Project Dashboard page, select local as the execution target and select iris_sklearn.py as the script to run. 既定では、これらの値があらかじめ選択されています。These values are preselected by default.

    このサンプルには、後でぜひご覧いただきたいファイルが他にも含まれていますが、このクイック スタートでは、iris_sklearn.py にのみ注目することにします。There are other files included in the sample that you can check out later, but for this quickstart we are only interested in iris_sklearn.py.

    コマンド バー

  2. [引数] テキスト ボックスに「0.01」と入力します。In the Arguments text box, enter 0.01. この番号は正則化項に対応しており、ロジスティック回帰モデルを構成するスクリプトで使用します。This number corresponds to the regularization rate, and is used in the script to configure the logistic regression model.

  3. [実行] を選択すると、お使いのコンピューターでスクリプトの実行が開始されます。Select Run to start the execution of the script on your computer. 右側の [ジョブ] パネルに iris_sklearn.py ジョブがすぐに表示されるので、スクリプトの実行を監視することができます。The iris_sklearn.py job immediately appears in the Jobs panel on the right so you can monitor the script's execution.

    お疲れさまでした。Congratulations! Azure Machine Learning Workbench で Python スクリプトを正常に実行できました。You've successfully run a Python script in Azure Machine Learning Workbench.

  4. 引数の値を 0.001 から 10 の範囲で変化させながら、手順 2. から手順 3. を何度か繰り返します (たとえば、10 の累乗を使用します)。Repeat steps 2 - 3 several times using different argument values ranging from 0.001 to 10 (for example, using powers of 10). それぞれの実行が、[ジョブ] ウィンドウに表示されます。Each run appears in the Jobs pane.

  5. [実行] ビューを選択し、実行一覧から [iris_sklearn.py] を選択して、実行履歴を調べます。Inspect the run history by selecting the Runs view and then iris_sklearn.py in the Runs list.

    実行履歴ダッシュボード

    このビューには、iris_sklearn.py に対して行われたすべての実行が表示されます。This view shows every run that was executed on iris_sklearn.py. 実行履歴ダッシュボードには、上位のメトリック、一連の既定のグラフ、各実行のメトリックの一覧も表示されます。The run history dashboard also displays the top metrics, a set of default graphs, and a list of metrics for each run.

  6. このビューは、歯車アイコンやフィルター アイコンを使用してカスタマイズすることができます。並べ替えやフィルター処理を行ったり、構成を調整したりすることが可能です。You can customize this view by sorting, filtering, and adjusting the configurations using the gear and filter icons.

    メトリックとグラフ

  7. 完了した実行を [ジョブ] ウィンドウで選択すると、その特定の実行の詳細ビューが表示されます。Select a completed run in the Jobs pane to see a detailed view for that specific execution. 詳細には、追加のメトリック、それによって生成されるファイルのほか、役に立つ可能性のあるログが含まれています。Details include additional metrics, the files that it produced, and other potentially useful logs.

CLI を起動するStart the CLI

Azure Machine Learning のコマンド ライン インターフェイス (CLI) もインストールされます。The Azure Machine Learning command-line interface (CLI) is also installed. CLI インターフェイスから Azure Machine Learning サービスにアクセスして対話的に操作することが可能です。エンド ツー エンドのデータ サイエンス ワークフローに必要なタスクはすべて az コマンドを使用して実行できます。The CLI interface allows you to access and interact with your Azure Machine Learning services using the az commands to perform all tasks required for an end-to-end data science workflow. 詳細情報。Learn more.

Workbench のツール バーから [ファイル]、[コマンド プロンプトを開く] の順に選択して、Azure Machine Learning CLI を起動することができます。You can launch the Azure Machine Learning CLI from the Workbench's toolbar using File → Open Command Prompt.

Azure Machine Learning CLI のコマンドに関するヘルプは、--help 引数を使用して表示できます。You can get help on commands in the Azure Machine Learning CLI using the --help argument.

az ml --help

リソースのクリーンアップClean up resources

このアプリの使用を続けない場合は、次の手順に従って、このクイック スタートで作成したすべてのリソースを削除して、課金が発生しないようにします。If you're not going to continue to use this app, delete all resources created by this quickstart with the following steps so you don't incur any charges:

注意

Azure Machine Learning サービスに関する他のチュートリアルにこの後すぐ取り組む場合は、これらのリソースが必要となります。These resources are useful when following the other Azure Machine Learning services tutorials now.

  1. Azure Portal で、左端にある [リソース グループ] を選択します。In the Azure portal, select Resource groups on the far left.

    Azure Portal での削除

  2. リソース グループの一覧で作成したリソース グループを選択してから、[リソース グループの削除] をクリックします。From the list of resource groups, select the resource group you created, and then click Delete resource group.

  3. 削除するリソース グループの名前を入力し、[削除] をクリックします。Type the name of the resource group to delete, and then click Delete.

次の手順Next steps

これで、必要な Azure Machine Learning アカウントの作成と Azure Machine Learning Workbench アプリケーションのインストールは終了です。You have now created the necessary Azure Machine Learning accounts and installed the Azure Machine Learning Workbench application. また、プロジェクトを作成し、スクリプトを実行した後、スクリプトの実行履歴を確認しました。You have also created a project, ran a script, and explored the run history of the script.

あやめのモデルを Web サービスとしてデプロイする方法など、このワークフローをさらに深く体験したい場合は、"あやめの分類" のチュートリアルを最後まで進めてください。For a more in-depth experience of this workflow, including how to deploy your Iris model as a web service, follow the full-length Classifying Iris tutorial. このチュートリアルでは、データの準備実験モデル管理の詳細な手順を説明しています。The tutorial contains detailed steps for data preparation, experimentation, and model management.

注意

モデル管理アカウントは作成しましたが、Web サービスをデプロイするために必要な環境がまだセットアップされていません。While you have created your model management account, your environment is not set up for deploying web services yet. デプロイ環境のセットアップ方法を確認してください。Learn how to set up your deployment environment.