Studio'dan Azure Machine Learning'e geçiş (klasik)

Önemli

Machine Learning Studio (klasik) desteği 31 Ağustos 2024'te sona eriyor. Bu tarihe kadar Azure Machine Learning'e geçmenizi öneririz.

Aralık 2021'in ardından artık yeni Studio (klasik) kaynakları oluşturamıyabilirsiniz. 31 Ağustos 2024'e kadar mevcut Studio (klasik) kaynaklarını kullanmaya devam edebilirsiniz.

Studio (klasik) belgeleri kullanımdan kaldırılıyor ve gelecekte güncelleştirilmeyebilir.

Machine Learning Studio'dan (klasik) Azure Machine Learning'e geçmeyi öğrenin. Azure Machine Learning, kod içermeyen ve kod öncelikli yaklaşımları birleştiren modernleştirilmiş bir veri bilimi platformu sağlar.

Bu kılavuzda temel bir lift and shift geçişi adımları gösterilmektedir. Mevcut bir makine öğrenmesi iş akışını iyileştirmek veya makine öğrenmesi platformunu modernleştirmek istiyorsanız dijital anket araçları, çalışma sayfaları ve planlama şablonları gibi daha fazla kaynak için Bkz . Azure Machine Learning Benimseme Çerçevesi .

Lütfen geçişte bulut çözümü mimarınızla birlikte çalışın.

Önerilen yaklaşım

Azure Machine Learning'e geçiş yapmak için aşağıdaki yaklaşımı öneririz:

• 1. Adım: Azure Machine Learning'i değerlendirme
• 2. Adım: Strateji ve plan tanımlama
• 3. Adım: Denemeleri ve web hizmetlerini yeniden oluşturma
• 4. Adım: İstemci uygulamalarını tümleştirme
• 5. Adım: Studio (klasik) varlıklarını temizleme
• 6. Adım: Senaryoları gözden geçirme ve genişletme

1. Adım: Azure Machine Learning'i değerlendirme

1. Azure Machine Learning ve avantajları, maliyetleri ve mimarisi hakkında bilgi edinin.

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

   Aşağıdaki tabloda önemli farklar özetlemektedir.

   Özellik	Studio (klasik)	Azure Machine Learning
   Sürükle bırak arabirimi	Klasik deneyim	Güncelleştirilmiş deneyim: Azure Machine Learning tasarımcısı
   Kod SDK'ları	Desteklenmez	Azure Machine Learning Python ve R SDK'ları ile tam tümleştirilmiş
   Deneme	Ölçeklenebilir (10 GB eğitim veri sınırı)	İşlem hedefi ile ölçeklendirme
   İşlem hedeflerini eğitme	Özel işlem hedefi, yalnızca CPU desteği	Çok çeşitli özelleştirilebilir eğitim işlem hedefleri; GPU ve CPU desteği içerir
   Dağıtım işlem hedefleri	Özel web hizmeti biçimi, özelleştirilebilir değil	Çok çeşitli özelleştirilebilir dağıtım işlem hedefleri; GPU ve CPU desteği içerir
   Makine öğrenmesi işlem hattı	Desteklenmez	İş akışlarını otomatikleştirmek için esnek, modüler işlem hatları oluşturma
   MLOps	Temel model yönetimi ve dağıtımı; Yalnızca CPU dağıtımları	Varlık sürümü oluşturma (model, veri, iş akışları), iş akışı otomasyonu, CICD araçlarıyla 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 hiper parametre ayarlama	Desteklenmez	Destekleniyor Kod öncelikli ve kod içermeyen seçenekler
   Veri kayması algılama	Desteklenmez	Destekleniyor
   Veri etiketleme projeleri	Desteklenmez	Destekleniyor
   Rol tabanlı erişim denetimi (RBAC)	Yalnızca katkıda bulunan ve sahip rolü	Esnek rol tanımı ve RBAC denetimi
   AI Galerisi	Destekleniyor	Desteklenmiyor Örnek Python SDK not defterleriyle öğrenin

   Not

   Azure Machine Learning'deki tasarımcı özelliği, Studio'ya (klasik) benzer bir sürükle ve bırak deneyimi sağlar. Ancak Azure Machine Learning alternatif olarak kod öncelikli güçlü iş akışları da sağlar. Bu geçiş serisi, Studio (klasik) deneyimine en çok benzediğinden tasarımcıya odaklanır.

3. Kritik Studio (klasik) modüllerinizin Azure Machine Learning tasarımcısında desteklendiğini doğrulayın. Daha fazla bilgi için bkz . Studio (klasik) ve tasarımcı bileşen eşleme tablosu.

4. Azure Machine Learning çalışma alanı oluşturun.

2. Adım: Strateji ve plan tanımlama

1. İş gerekçelerini ve beklenen sonuçları tanımlayın.

2. Eyleme dönüştürülebilir bir Azure Machine Learning benimseme planını iş sonuçlarıyla uyumlu hale getirme.

3. Kişileri, işlemleri ve ortamları değişiklik için hazırlayın.

Stratejinizi tanımlamak için lütfen bulut çözümü mimarınızla birlikte çalışın.

Planlama belgesi şablonu da dahil olmak üzere planlama kaynakları için bkz . Azure Machine Learning Benimseme Çerçevesi.

3. Adım: İlk modelinizi yeniden oluşturun

Bir strateji tanımladıktan sonra ilk modelinizi geçirin.

1. Veri kümesini Azure Machine Learning'e geçirme.

2. Denemeyi yeniden derlemek için Azure Machine Learning tasarımcısını kullanın.

3. Bir web hizmetini yeniden dağıtmak için Azure Machine Learning tasarımcısını kullanın.

   Not

   Bu kılavuz, Azure Machine Learning v1 kavramlarını ve özelliklerini temel alır. Azure Machine Learning'de CLI v2 ve Python SDK v2 bulunur. Studio (klasik) modellerinizi v1 yerine v2 kullanarak yeniden derlemenizi öneririz. Azure Machine Learning v2 ile başlayın.

4. Adım: İstemci uygulamalarını tümleştirme

Yeni Azure Machine Learning uç noktalarınızı kullanmak için Studio (klasik) web hizmetlerini çağıran istemci uygulamalarını değiştirin.

5. Adım: Studio (klasik) varlıklarını temizleme

Ek ücretlerden kaçınmak için Studio (klasik) varlıklarını temizleyin. Azure Machine Learning iş yüklerini doğrulayana kadar varlıkları geri dönüş için saklamak isteyebilirsiniz.

6. Adım: Senaryoları gözden geçirme ve genişletme

1. En iyi yöntemler için model geçişini gözden geçirin ve iş yüklerini doğrulayın.

2. Senaryoları genişletin ve daha fazla iş yükünü Azure Machine Learning'e geçirin.

Studio (klasik) ve tasarımcı bileşen eşlemesi

Azure Machine Learning tasarımcısında Studio (klasik) denemelerini yeniden oluştururken hangi modüllerin kullanılacağını görmek için aşağıdaki tabloya bakın.

Önemli

Tasarımcı, Modülleri Studio (klasik) gibi C# paketleri yerine açık kaynak Python paketleri aracılığıyla uygular. Bu fark nedeniyle tasarımcı bileşenlerinin çıktısı Studio (klasik) karşılıklarından biraz farklı olabilir.

Kategori	Studio (klasik) modülü	Değiştirme tasarımcısı bileşeni
Veri girişi ve çıkışı	- Verileri el ile girin - Verileri dışarı aktarma - Verileri içeri aktarma - Yük eğitilmiş modeli - Sıkıştırılmış veri kümelerini açma	- Verileri el ile girin - Verileri dışarı aktarma - Verileri içeri aktarma
Veri biçimi dönüştürmeleri	- CSV'ye dönüştür - Veri kümesine dönüştürme - ARFF'ye Dönüştür - SVMLight'a Dönüştür - TSV'ye dönüştür	- CSV'ye dönüştür - Veri kümesine dönüştürme
Veri dönüştürme – Düzenleme	- Sütun ekleme - Satır ekleme - SQL dönüştürmesi uygulama - Eksik verileri temizleme - Gösterge değerlerine dönüştürme - Meta verileri düzenleme - Verileri birleştirme - Yinelenen satırları kaldırma - Veri kümesindeki sütunları seçme - Sütun dönüştürmeyi seçme - SMOTE - Kategorik değerleri gruplandırma	- Sütun ekleme - Satır ekleme - SQL dönüştürmesi uygulama - Eksik verileri temizleme - Gösterge değerlerine dönüştürme - Meta verileri düzenleme - Verileri birleştirme - Yinelenen satırları kaldırma - Veri kümesindeki sütunları seçme - Sütun dönüştürmeyi seçme - SMOTE
Veri dönüştürme – Ölçeklendirme ve azaltma	- Clip değerleri - Verileri bölmeler halinde gruplandırma - Verileri normalleştirme - Temel bileşen analizi	- Clip değerleri - Verileri bölmeler halinde gruplandırma - Verileri normalleştirme
Veri dönüştürme – Örnek ve bölme	- Bölüm ve örnek - Verileri bölme	- Bölüm ve örnek - Verileri bölme
Veri dönüştürme – Filtre	- Filtre uygulama - FIR filtresi - IIR filtresi - Ortanca filtre - Hareketli ortalama filtresi - Eşik filtresi - Kullanıcı tanımlı filtre
Veri dönüştürme – Sayılarla öğrenme	- Derleme sayım dönüşümü - Dışarı aktarma sayısı tablosu - İçeri aktarma sayısı tablosu - Birleştirme sayısı dönüşümü - Sayı tablosu parametrelerini değiştirme
Özellik seçimi	- Filtre tabanlı özellik seçimi - Fisher doğrusal ayrımcı analizi - Permütasyon özelliği önemi	- Filtre tabanlı özellik seçimi - Permütasyon özelliği önemi
Model – Sınıflandırma	- Çok sınıflı karar ormanı - Çok sınıflı karar ormanı - Çok sınıflı lojistik regresyon - Çok sınıflı sinir ağı - Bire bir çoklu sınıf - İki sınıf ortalamalı algı - İki sınıf Bayes noktalı makine - İki sınıflı artırılmış karar ağacı - İki sınıflı karar ormanı - İki sınıflı karar ormanı - İki sınıflı yerel olarak derin SVM - İki sınıflı lojistik regresyon - İki sınıf sinir ağı - İki sınıflı destek vektör makinesi	- Çok sınıflı karar ormanı - Çok sınıflı boost karar ağacı - Çok sınıflı lojistik regresyon - Çok sınıflı sinir ağı - Bire bir çoklu sınıf - İki sınıf ortalamalı algı - İki sınıflı artırılmış karar ağacı - İki sınıflı karar ormanı - İki sınıflı lojistik regresyon - İki sınıf sinir ağı - İki sınıflı destek vektör makinesi
Model – Kümeleme	- K ortalamaları kümeleme	- K ortalamaları kümeleme
Model – Regresyon	- Bayes doğrusal regresyonu - Artırılmış karar ağacı regresyonu - Karar ormanı regresyonu - Hızlı orman nicel regresyonu - Doğrusal regresyon - Sinir ağı regresyonu - Sıralı regresyon - Poisson regresyonu	- Artırılmış karar ağacı regresyonu - Karar ormanı regresyonu - Hızlı orman nicel regresyonu - Doğrusal regresyon - Sinir ağı regresyonu - Poisson regresyonu
Model – Anomali algılama	- Tek sınıf SVM - PCA tabanlı anomali algılama	- PCA tabanlı anomali algılama
Machine Learning – Değerlendirme	- Modeli çapraz doğrulama - Modeli değerlendirme - Önereni değerlendir	- Modeli çapraz doğrulama - Modeli değerlendirme - Önereni değerlendir
Makine Öğrenmesi – Eğitim	- Kümeleme süpürme - Anomali algılama modelini eğitin - Kümeleme modelini eğitin - Eşleştirme kutusu önericisi eğit - Modeli eğit - Model hiper parametreleri ayarlama	- Anomali algılama modelini eğitin - Kümeleme modelini eğitin - Modeli eğit - PyTorch modelini eğitme - SVD önericisi eğitin - Geniş ve derin önericisi eğitin - Model hiper parametreleri ayarlama
Machine Learning – Puan	- Dönüştürmeyi uygulama - Kümelere veri atama - Eşleştirme kutusu önerisini puanla - Puan modeli	- Dönüştürmeyi uygulama - Kümelere veri atama - Puan görüntü modeli - Puan modeli - SVD önerisini puanla - Geniş ve derin öneriyi puanla
OpenCV kitaplık modülleri	- Görüntüleri içeri aktarma - Önceden eğitilmiş art arda görüntü sınıflandırması
Python dil modülleri	- Python betiğini yürütme	- Python betiğini yürütme - Python modeli oluşturma
R dili modülleri	- R betiğini yürütme - R modeli oluşturma	- R betiğini yürütme
İstatistiksel işlevler	- Matematik işlemi uygulama - İşlem temel istatistikleri - İşlem doğrusal bağıntısı - Olasılık işlevini değerlendirme - Ayrık değerleri değiştirme - Verileri özetleme - t-Test kullanarak hipotezi test etme	- Matematik işlemi uygulama - Verileri özetleme
Metin analizi	- Dilleri algılama - Metinden anahtar ifadeleri ayıklama - Metinden N-gram özelliklerini ayıklama - Özellik karması - Gizli dirichlet ayırma - Adlandırılmış varlık tanıma - Metni ön işleme - vVowpal Wabbit sürüm 7-10 modelini puanla - Vowpal Wabbit sürüm 8 modelini puanla - Vowpal Wabbit sürüm 7-10 modelini eğitin - Vowpal Wabbit sürüm 8 modelini eğitin	- Word'ü vektöre dönüştürme - Metinden N-gram özelliklerini ayıklama - Özellik karması - Gizli dirichlet ayırma - Metni ön işleme - Vowpal Wabbit modelini puanla - Vowpal Wabbit modelini eğitin
Zaman serisi	- Zaman serisi anomali algılama
Web hizmeti	-Giriş - Çıktı	-Giriş - Çıktı
Görüntü işleme		- Görüntü dönüştürmeyi uygulama - Görüntü dizinine dönüştür - Başlatma görüntüsü dönüştürme - Bölünmüş görüntü dizini - DenseNet görüntü sınıflandırması - ResNet görüntü sınıflandırması

Tek tek tasarımcı bileşenlerini kullanma hakkında daha fazla bilgi için bkz . Algoritma ve bileşen başvurusu.

Bir 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 geçişiniz engellendiyse bir destek bileti oluşturarak bizimle iletişime geçin.

Örnek geçiş

Aşağıdaki geçiş örneği, Studio (klasik) ile Azure Machine Learning arasındaki farklardan bazılarını vurgulamaktadır.

Veri Kümeleri

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

Azure Machine Learning'de veri kümeleri çalışma alanına kaydedilir ve tüm Azure Machine Learning'de kullanılabilir. Azure Machine Learning veri kümelerinin avantajları hakkında daha fazla bilgi için bkz . Azure Machine Learning'deki veriler.

İşlem Hattı

Studio'da (klasik) denemeler , çalışmanızın işleme mantığını içeriyordu. Sürükle ve bırak modülleriyle denemeler oluşturdunuz.

Azure Machine Learning'de işlem hatları, çalışmanız için işleme mantığını içerir. Sürükleyip bırakma modülleriyle veya kod yazarak işlem hatları oluşturabilirsiniz.

Web hizmeti uç noktaları

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

Azure Machine Learning, gerçek zamanlı tahmin için gerçek zamanlı uç noktaları (yönetilen uç noktalar) ve toplu tahmin veya yeniden eğitme için işlem hattı uç noktalarını kullanır.

İlgili içerik

Bu makalede, Azure Machine Learning'e geçiş için üst düzey gereksinimleri öğrendiniz. Ayrıntılı adımlar için Machine Learning Studio (klasik) geçiş serisindeki diğer makalelere bakın:

• Studio (klasik) veri kümesini geçirme
• Studio (klasik) denemeyi yeniden oluşturma
• Studio (klasik) web hizmetini yeniden oluşturma
• İstemci uygulamalarından işlem hattı uç noktalarını kullanma.
• R Betiği Yürütme modüllerini geçirme

Daha fazla geçiş kaynağı için bkz . Azure Machine Learning Benimseme Çerçevesi.