Azure Machine Learning’e geçiş

Studio'dan (klasik) Azure Machine Learning. Azure Machine Learning kod ve koda önce yaklaşımları birleştiren modernleştirilmiş bir veri bilimi platformu sağlar.

Bu kılavuz, temel bir "lift and shift" geçişidir. Mevcut bir makine öğrenmesi iş akışını iyileştirmek veya bir makine öğrenmesi platformunu modernleştirmek için dijital anket araçları, çalışma sayfaları ve planlama şablonları gibi ek kaynaklar için Azure Machine Learning benimseme çerçevesine bakın.

Önerilen yaklaşım

Azure Machine Learning geçiş yapmak için aşağıdaki yaklaşımı öneririz:

1. Adım: Değerlendirme Azure Machine Learning

1. Daha fazla bilgi Azure Machine Learning; avantajları, maliyetleri ve mimarisi.

2. Azure Machine Learning ve Studio'Azure Machine Learning (klasik) özelliklerini karşılaştırın.

   Not

   Azure Machine Learning'daki tasarımcı özelliği, Studio'ya (klasik) benzer bir sürükle ve bırak deneyimi sağlar. Ancak Azure Machine Learning olarak güçlü koda ilk iş akışları da sağlar. Bu geçiş serisi, Studio (klasik) deneyimine en benzer olduğu için tasarımcıya odaklanır.

   aşağıdaki tablo ML Studio (klasik) ve Azure Machine Learning arasındaki önemli farklılıkları özetler.

   Özellik	ML Studio (klasik)	Azure Machine Learning
   Sürükle ve bırak arabirimi	Klasik deneyim	güncelleştirilmiş deneyim- Azure Machine Learning tasarımcısı
   Kod SDK 'Ları	Desteklenmez	Azure Machine Learning Python ve R sdk 'leriyle tamamen tümleşik
   Deneme	Ölçeklenebilir (10 GB eğitim veri limiti)	İşlem hedefi ile ölçeklendirme
   Eğitim işlem hedefleri	Özel işlem hedefi, yalnızca CPU desteği	Geniş kapsamlı özelleştirilebilir eğitim işlem hedefleri. GPU ve CPU desteği içerir
   Dağıtım işlem hedefleri	Özel Web hizmeti biçimi özelleştirilebilir değil	Geniş kapsamlı özelleştirilebilir dağıtım işlem hedefleri. GPU ve CPU desteği içerir
   ML işlem hattı	Desteklenmez	İş akışlarını otomatikleştirmek için esnek, modüler işlem hatları oluşturun
   MLOps	Temel model yönetimi ve dağıtımı; Yalnızca CPU dağıtımları	Varlık sürümü oluşturma (model, veri, iş akışları), iş akışı Otomasyonu, CICD araçları ile tümleştirme, CPU ve GPU dağıtımları ve daha fazlası
   Model biçimi	Özel biçim, yalnızca Studio (klasik)	Eğitim işi türüne bağlı olarak desteklenen birden çok biçim
   Otomatik model eğitimi ve hyperparameter ayarlaması	Desteklenmez	Desteklenir. Code-First ve Code No Options.
   Veri drması algılama	Desteklenmez	Desteklenir
   Veri etiketleme projeleri	Desteklenmez	Desteklenir
   Rol Tabanlı Erişim Denetimi (RBAC)	Yalnızca katkıda bulunan ve sahip rolü	Esnek rol tanımı ve RBAC denetimi
   AI Galerisi	Desteklenen ( https://gallery.azure.ai/ )	Desteklenmeyen Örnek Python SDK Not defterleriile öğrenin.

3. Kritik Studio (klasik) modüllerinizin tasarımcıda destek Azure Machine Learning doğrulayın. Daha fazla bilgi için aşağıdaki Studio (klasik) ve tasarımcı bileşen eşleme tablosuna bakın.

4. Çalışma alanı Azure Machine Learning oluşturun.

2. Adım: Strateji ve plan tanımlama

1. İş gerekçelerini ve beklenen sonuçları tanımlama.
2. Eyleme değiştirilebilir bir Azure Machine Learning planı iş sonuçlarıyla uyumlu hale.
3. Insanları, işlemleri ve ortamları değişiklik için hazırlayın.

Planlama belgesi Azure Machine Learning kaynakları planlamak için Azure Machine Learning Benimseme Çerçevesi'ne bakın.

3. Adım: İlk modelinizi yeniden oluşturma

Bir strateji tanımdikten sonra ilk modelinizi geçirin.

1. Veri kümelerini Azure Machine Learning.

2. Tasarımcıyı kullanarak denemeleri yeniden oluşturma.

3. Web hizmetlerini yeniden kullanmak için tasarımcıyı kullanın.

   Not

   Azure Machine Learning, veri kümelerini, eğitim ve dağıtımı için koda ilk iş akışlarınıda destekler.

4. Adım: İstemci uygulamalarını tümleştirin

1. Studio (klasik) web hizmetlerini çağıran istemci uygulamalarını yeni uç noktalarınızı Azure Machine Learning değiştirme.

5. Adım: Cleanup Studio (klasik) varlıkları

1. Ek ücretlerden kaçınmak için Studio (klasik) varlıklarını temizleyin. İş yüklerini doğrulayana kadar varlıkları geri dönüş için Azure Machine Learning istiyor olabilirsiniz.

6. Adım: Senaryoları gözden geçirme ve genişletme

1. En iyi yöntemler için model geçişini gözden geçirme ve iş yüklerini doğrulama.
2. Senaryoları genişletin ve ek iş yüklerini Azure Machine Learning.

Studio (klasik) ve tasarımcı bileşen eşlemesi

Tasarımcıda Studio (klasik) denemelerini yeniden oluşturma sırasında hangi modüllerin kullanılacı olduğunu görmek için aşağıdaki tabloya bakın.

Tek tek tasarımcı bileşenlerini kullanma hakkında daha fazla bilgi için bkz. tasarımcı bileşeni başvurusu.

Tasarımcı bileşeni eksikse ne olur?

Azure Machine Learning tasarımcısı Studio'dan (klasik) en popüler modülleri içerir. Ayrıca en son makine öğrenmesi tekniklerinden yararlanan yeni modüller de içerir.

Tasarımcıda eksik modüller nedeniyle geçiş engelleniyorsa, bir destek bileti oluşturarak bizimle iletişime geçin.

Örnek geçiş

Aşağıdaki deneme geçişi, Studio (klasik) ve Azure Machine Learning.

Veri kümeleri

Studio'da (klasik) veri kümeleri çalışma alanınıza kaydedilmiştir ve yalnızca Studio (klasik) tarafından kullanılabilir.

Bu Azure Machine Learning, veri kümeleri çalışma alanına kaydedilir ve tüm çalışma alanlarında Azure Machine Learning. Veri kümelerinin avantajları hakkında daha Azure Machine Learning için bkz. Veri erişiminin güvenliğini sağlama.

İşlem Hattı

Studio'da (klasik) denemeler, çalışmanıza uygun işleme mantığını içeriyordu. Sürükle ve bırak modülleriyle denemeler oluşturdun.

İşlem Azure Machine Learning işlem hatları, çalışmanıza uygun işleme mantığını içerir. Sürükleyip bırakma modülleriyle veya kod yazarak işlem hatları oluşturabilirsiniz.

Web hizmeti uç noktası

Studio (klasik) gerçek zamanlı tahmin için REQUEST/RESPOND API ve toplu tahmin veya yeniden eğitim için BATCH YÜRÜTME API'sini kullandı.

Azure Machine Learning, toplu tahmin veya yeniden eğitim için gerçek zamanlı tahmin ve işlem hattı uç noktaları için gerçek zamanlı uç noktaları kullanır.

Sonraki adımlar

Bu makalede, Azure Machine Learning'a Azure Machine Learning. Ayrıntılı adımlar için Studio (klasik) geçiş serisinin diğer makalelere bakın:

1. Geçişe genel bakış.
2. Veri kümesi geçirme.
3. Studio (klasik) eğitim işlem hattını yeniden oluşturma.
4. Studio (klasik) web hizmetini yeniden oluşturma.
5. Bir web Azure Machine Learning hizmetini istemci uygulamalarıyla tümleştirin.
6. R Betiği Yürütmeyi Geçirme.

Ek geçiş Azure Machine Learning için Bkz. Azure Machine Learning Benimseme Çerçevesi.