Machine Learning Studio (klasik) modeli denemeden Web hizmetine nasıl ilerler?
ŞUNUN IÇIN GEÇERLIDIR:
Machine Learning Studio (klasik) 
Azure Machine Learning
Önemli
Machine Learning Stüdyosu (klasik) desteği 31 Ağustos 2024'te sona erecektir. Bu tarihe kadar Azure Machine Learning'e geçmenizi öneririz.
1 Aralık 2021'den başlayarak artık yeni Machine Learning Stüdyosu (klasik) kaynakları oluşturamayacaksınız. 31 Ağustos 2024'e kadar mevcut Machine Learning Stüdyosu (klasik) kaynaklarını kullanmaya devam edebilirsiniz.
- Makine öğrenmesi projelerini ML Studio'dan (klasik) Azure Machine Learning'e taşıma hakkındaki bilgilere bakın.
- Azure Machine Learning hakkında daha fazla bilgi edinin
ML Stüdyosu (klasik) belgeleri kullanımdan kaldırılacak ve gelecekte güncelleştirilmeyecektir.
Machine Learning Studio (klasik), tahmine dayalı analiz modelini temsil eden bir deneme geliştirmenizi, çalıştırmanızı, test etmenizi ve yinelemenizi sağlayan etkileşimli bir tuval sağlar. Şunları yapabilecek çok çeşitli modüller vardır:
- Denemenize veri girme
- Verileri işleme
- Makine öğrenmesi algoritmalarını kullanarak model eğitin
- Modeli puanlama
- Sonuçları değerlendirme
- Son değerlerin çıktısı
Denemenizden memnun olduğunuzda, kullanıcıların yeni veriler gönderip sonuçları geri alabilmesi için denemenizi bir Machine Learning (klasik) Web hizmeti veya Azure Machine Learning Web hizmeti olarak dağıtabilirsiniz.
Bu makalede, Makine Öğrenmesi modelinizin geliştirme denemesinden kullanıma hazır bir Web hizmetine nasıl ilerlediğine ilişkin mekaniklere genel bir bakış sunacağız.
Not
Makine öğrenmesi modelleri geliştirmenin ve dağıtmanın başka yolları da vardır, ancak bu makale Machine Learning Studio'yu (klasik) nasıl kullandığınıza odaklanır. Örneğin, R ile klasik tahmine dayalı Web hizmeti oluşturmanın açıklamasını okumak için RStudio ve Azure Machine Learning stüdyosu Kullanarak Tahmine Dayalı Web Apps Dağıtma & Derleme blog gönderisine bakın.
Machine Learning Studio (klasik), tahmine dayalı bir analiz modeli geliştirmenize ve dağıtmanıza yardımcı olmak üzere tasarlanmış olsa da, tahmine dayalı analiz modeli içermeyen bir deneme geliştirmek için Studio(klasik) kullanabilirsiniz. Örneğin, bir deneme yalnızca verileri girip işleyip sonuçların çıkışını verebilir. Tahmine dayalı analiz denemesinde olduğu gibi, tahmine dayalı olmayan bu denemeyi bir Web hizmeti olarak dağıtabilirsiniz, ancak deneme bir makine öğrenmesi modelini eğitme veya puanlama olmadığından daha basit bir işlemdir. Studio'yu (klasik) bu şekilde kullanmak normal olmasa da, Studio'nun (klasik) nasıl çalıştığına ilişkin eksiksiz bir açıklama sunabilmek için bunu tartışmaya ekleyeceğiz.
Tahmine dayalı Web hizmeti geliştirme ve dağıtma
Machine Learning Studio (klasik) kullanarak geliştirip dağıtırken tipik bir çözümün izlediği aşamalar şunlardır:
Şekil 1 - Tipik bir tahmine dayalı analiz modelinin aşamaları
Eğitim denemesi
Eğitim denemesi, Machine Learning Studio'da (klasik) Web hizmetinizi geliştirmenin ilk aşamasıdır. Eğitim denemesinin amacı size bir makine öğrenmesi modeli geliştirmek, test etmek, yinelemek ve sonunda eğitmek için bir yer vermektir. En iyi çözümü ararken birden çok modeli aynı anda eğitebilirsiniz, ancak denemeyi tamamladıktan sonra tek bir eğitilmiş model seçip denemenin geri kalanını ortadan kaldıracaksınız. Tahmine dayalı analiz denemesi geliştirme örneği için bkz. Machine Learning Studio'da (klasik) kredi riski değerlendirmesi için tahmine dayalı analiz çözümü geliştirme.
Tahmine dayalı deneme
Eğitim denemenizde eğitilmiş bir modele sahip olduktan sonra, Eğitim denemenizi tahmine dayalı bir denemeye dönüştürme işlemini başlatmak için Web Hizmeti Ayarla'ya tıklayın ve Machine Learning Studio'da Tahmine Dayalı Web Hizmeti (klasik) seçeneğini belirleyin. Tahmine dayalı denemenin amacı, eğitilen modelinizi kullanarak yeni verileri puanlar ve sonunda bir Azure Web hizmeti olarak kullanıma hazır hale gelmektir.
Bu dönüştürme sizin için aşağıdaki adımlarla gerçekleştirilir:
- Eğitim için kullanılan modül kümesini tek bir modüle dönüştürün ve eğitilmiş bir model olarak kaydedin
- Puanlamayla ilgili olmayan gereksiz modülleri ortadan kaldırın
- Son Web hizmetinin kullanacağı giriş ve çıkış bağlantı noktalarını ekleme
Tahmine dayalı denemenizi Web hizmeti olarak dağıtmaya hazır hale getirmek için yapmak istediğiniz daha fazla değişiklik olabilir. Örneğin, Web hizmetinin sonuçların yalnızca bir alt kümesinin çıkışını oluşturmasını istiyorsanız, çıkış bağlantı noktasından önce bir filtreleme modülü ekleyebilirsiniz.
Bu dönüştürme işleminde eğitim denemesi atılmaz. İşlem tamamlandığında, Studio'da (klasik) biri eğitim denemesi, diğeri de tahmine dayalı deneme için olmak üzere iki sekmeniz olur. Bu şekilde, Web hizmetinizi dağıtmadan ve tahmine dayalı denemeyi yeniden derlemeden önce eğitim denemesinde değişiklik yapabilirsiniz. Ya da başka bir deneme satırı başlatmak için eğitim denemesinin bir kopyasını kaydedebilirsiniz.
Not
Tahmine Dayalı Web Hizmeti'ne tıkladığınızda, eğitim denemenizi tahmine dayalı bir denemeye dönüştürmek için otomatik bir işlem başlatırsınız ve bu çoğu durumda düzgün çalışır. Eğitim denemeniz karmaşıksa (örneğin, birlikte katıldığınız eğitim için birden çok yolunuz varsa), bu dönüştürmeyi el ile yapmayı tercih edebilirsiniz. Daha fazla bilgi için bkz. Machine Learning Studio'da (klasik) modelinizi dağıtım için hazırlama.
Web hizmeti
Tahmine dayalı denemenizin hazır olduğundan emin olduktan sonra hizmetinizi Klasik Web hizmeti veya Azure Resource Manager tabanlı Yeni Web hizmeti olarak dağıtabilirsiniz. Modelinizi Klasik Machine Learning Web hizmeti olarak dağıtarak kullanıma hazır hale getirmek için Web Hizmeti Dağıt'a tıklayın ve Web Hizmetini Dağıt [Klasik] öğesini seçin. Yeni Machine Learning Web hizmeti olarak dağıtmak için Web Hizmeti Dağıt'a tıklayın ve Web Hizmeti Dağıt [Yeni] öğesini seçin. Kullanıcılar artık Web hizmeti REST API'sini kullanarak modelinize veri gönderebilir ve sonuçları geri alabilir. Daha fazla bilgi için bkz. Machine Learning Web hizmetini kullanma.
Tipik olmayan durum: tahmine dayalı olmayan bir Web hizmeti oluşturma
Denemeniz tahmine dayalı analiz modelini eğitmiyorsa hem eğitim denemesi hem de puanlama denemesi oluşturmanız gerekmez. Yalnızca bir deneme vardır ve bunu web hizmeti olarak dağıtabilirsiniz. Machine Learning Studio (klasik), kullandığınız modülleri analiz ederek denemenizin tahmine dayalı bir model içerip içermediğini algılar.
Denemenizi yineledikten ve bu denemeden memnun olduktan sonra:
- Web Hizmetini Ayarla'ya tıklayın ve Web Hizmetini Yeniden Eğitme 'yi seçin; giriş ve çıkış düğümleri otomatik olarak eklenir
- Çalıştır'a tıklayın
- Web Hizmetini Dağıt'a tıklayın ve dağıtmak istediğiniz ortama bağlı olarak Web Hizmeti Dağıt [Klasik] veya Web Hizmeti Dağıt [Yeni] seçeneğini belirleyin.
Web hizmetiniz artık dağıtıldı ve tahmine dayalı bir Web hizmeti gibi bu hizmete erişebilir ve bunu yönetebilirsiniz.
Web hizmetinizi güncelleştirme
Denemenizi bir Web hizmeti olarak dağıttığınıza göre, bunu güncelleştirmeniz gerekiyorsa ne yapmanız gerekir?
Bu, güncelleştirmeniz gerekenlere bağlıdır:
Girişi veya çıkışı değiştirmek veya Web hizmetinin verileri işleme biçimini değiştirmek istiyorsunuz
Modeli değiştirmiyor ancak yalnızca Web hizmetinin verileri işleme şeklini değiştiriyorsanız, tahmine dayalı denemeyi düzenleyebilir ve Ardından Web Hizmetini Dağıt'a tıklayıp Web Hizmetini Dağıt [Klasik] veya Web Hizmetini Dağıt [Yeni] seçeneğini yeniden seçebilirsiniz. Web hizmeti durdurulur, güncelleştirilmiş tahmine dayalı deneme dağıtılır ve Web hizmeti yeniden başlatılır.
Aşağıda bir örnek verilmiştir: Tahmine dayalı denemenizin, tahmin edilen sonuçla giriş verileri satırının tamamını döndüreceğini varsayalım. Web hizmetinin yalnızca sonucu döndürmesini istediğinize karar vekleyebilirsiniz. Bu nedenle, sonuç dışındaki sütunları dışlamak için tahmine dayalı denemede çıkış bağlantı noktasının hemen önüne bir Proje Sütunları modülü ekleyebilirsiniz. Web Hizmetini Dağıt'a tıklayıp Web Hizmetini Dağıt [Klasik] veya Web Hizmetini Dağıt [Yeni] seçeneğini yeniden seçtiğinizde, Web hizmeti güncelleştirilir.
Modeli yeni verilerle yeniden eğitmek istiyorsunuz
Makine öğrenmesi modelinizi korumak ancak yeni verilerle yeniden eğitmek istiyorsanız iki seçeneğiniz vardır:
Web hizmeti çalışırken modeli yeniden eğitme - Tahmine dayalı Web hizmeti çalışırken modelinizi yeniden eğitmek istiyorsanız, bunu eğitim denemesinde birkaç değişiklik yaparak yeniden eğitme denemesi yapabilir, ardından yeniden eğiten bir web hizmeti olarak dağıtabilirsiniz. Bunun nasıl yapılacağını açıklayan yönergeler için bkz. Machine Learning modellerini program aracılığıyla yeniden eğitme.
Özgün eğitim denemesine Geri dön ve modelinizi geliştirmek için farklı eğitim verileri kullanın- Tahmine dayalı denemeniz Web hizmetine bağlıdır, ancak eğitim denemesi bu şekilde doğrudan bağlantılı değildir. Özgün eğitim denemesini değiştirir ve Web Hizmetini Ayarla'ya tıklarsanız, dağıtıldığında yeni bir Web hizmeti oluşturacak yeni bir tahmine dayalı deneme oluşturur. Yalnızca özgün Web hizmetini güncelleştirmez.
Eğitim denemesini değiştirmeniz gerekiyorsa, bir kopyasını oluşturmak için bu denemeyi açın ve Farklı Kaydet'e tıklayın. Bu, özgün eğitim denemesini, tahmine dayalı denemeyi ve Web hizmetini olduğu gibi bırakır. Artık değişikliklerinizle yeni bir Web hizmeti oluşturabilirsiniz. Yeni Web hizmetini dağıttıktan sonra, önceki Web hizmetini durdurmaya veya yeni hizmetle birlikte çalışmaya devam etmeye karar vekleyebilirsiniz.
Farklı bir model eğitmek istiyorsunuz
Özgün tahmine dayalı denemenizde farklı bir makine öğrenmesi algoritması seçme, farklı bir eğitim yöntemi deneme gibi değişiklikler yapmak istiyorsanız, modelinizi yeniden eğitmek için yukarıda açıklanan ikinci yordamı izlemeniz gerekir: eğitim denemesini açın, kopyasını oluşturmak için Farklı Kaydet'e tıklayın ve ardından modelinizi geliştirmenin yeni yolunu başlatın, tahmine dayalı denemeyi oluşturma ve web hizmetini dağıtma. Bu, özgün hizmetle ilgisi olmayan yeni bir Web hizmeti oluşturur. Hangisinin veya her ikisinin de çalışmaya devam edeceğine karar vekleyebilirsiniz.
Sonraki adımlar
Geliştirme ve deneme süreci hakkında daha fazla ayrıntı için aşağıdaki makalelere bakın:
- denemeyi dönüştürme - Modelinizi Machine Learning Studio'da dağıtım için hazırlama (klasik)
- Web hizmetini dağıtma - Machine Learning web hizmetini dağıtma
- modeli yeniden eğitme - Makine Öğrenmesi modellerini program aracılığıyla yeniden eğitme
Sürecin tamamına ilişkin örnekler için bkz: