Een beginnersgids voor Azure Machine Learning

Azure Machine Learning (Azure ML) is een uitgebreide clouddienst die is ontworpen voor de levenscyclus van machinelearningprojecten, voor datawetenschappers, machinelearningprofessionals en engineers. Het integreert naadloos met het Azure-ecosysteem en biedt een robuust platform voor het bouwen, uitrollen en beheren van machinelearningmodellen.

Deze blogpost helpt je op weg met de basis van Azure Machine Learning, van de eerste stappen tot het benutten van geavanceerde functies, zodat je dit krachtige platform efficiënt kunt gebruiken. Als je net begint, kun je onze aparte gids voor het instellen en configureren van Azure lezen. 

Beeldbron

Overzicht van Azure Machine Learning

Azure Machine Learning (ML) versnelt de levenscyclus van machine learning en biedt tools voor modeltraining, uitrol en beheer. Het ondersteunt samenwerking, zodat gebruikers via de Machine Learning Studio-UI assets, resources en metriek voor projecten kunnen delen en vinden.

Dit platform is open en interoperabel, met ondersteuning voor gangbare Python-frameworks zoals PyTorch, TensorFlow, scikit-learn en meer, evenals ondersteuning voor R en .NET.

Azure ML onderscheidt zich door beveiliging op ondernemingsniveau, met integraties met Azure Virtual Networks, Azure Key Vault en Azure Container Registry, zodat machinelearningprojecten veilig en samenwerking mogelijk is.

Voor wie is Azure Machine Learning?

Azure Machine Learning is ontworpen voor individuen en teams die MLOps willen integreren om machinelearningmodellen efficiënt uit te rollen in veilige, auditbare productieomgevingen.

Datawetenschappers en ML-engineers hebben toegang tot een pakket tools om hun workflows te stroomlijnen en te verbeteren, zodat ze zich kunnen richten op innovatie in plaats van routinetaken.

Applicatieontwikkelaars profiteren van uitgebreide tools die de naadloze integratie van machinelearningmodellen in applicaties of services mogelijk maken, wat de functionaliteit en gebruikerservaring verbetert.

Voor organisaties die binnen het Microsoft Azure-cloudecosysteem werken, is er het extra voordeel dat ze gebruik kunnen maken van Azure’s vertrouwde beveiligingsraamwerken en toegangsbeheer op basis van rollen.

Stapsgewijze handleiding voor het instellen van je Azure ML-werkruimte

ML-werkruimte maken op Azure

1. Log in op Azure Portal: Meld je aan bij je Azure Portal-account of maak er indien nodig een aan.
2. Zoek Azure Machine Learning: Gebruik de zoekfunctie van de portal om "Machine Learning" te vinden en te selecteren tussen de services.
3. Start het aanmaken van een werkruimte: Klik op "Create" om een nieuwe Machine Learning-werkruimte in te stellen.
4. Basisinstellingen configureren:
1. Abonnement: Kies je Azure-abonnement voor facturering.
2. Resourcegroep: Gebruik een bestaande groep of maak een nieuwe om Azure-resources te organiseren.
3. Naam van de werkruimte: Geef je werkruimte een unieke naam.
4. Regio: Kies een regio, bij voorkeur dicht bij jou of je databronnen.
5. Resourcedetails instellen:
1. Storage-account: Koppel een bestaand of nieuw account voor opslag van projectbestanden.
2. Key Vault: Selecteer of maak een key vault voor het veilig opslaan van secrets.
3. Application Insights: Kies een Application Insights-resource voor monitoring.
4. Container Registry: Specificeer een container registry voor eventuele gecontaineriseerde modellen of services.
6. Controleren en implementeren: Controleer je instellingen en klik vervolgens op "Review + create" zodat Azure je setup kan valideren.

Azure Machine Learning Studio

Azure Machine Learning Studio

Azure Machine Learning Studio is een van de kernonderdelen van Azure Machine Learning (ML). Het is een grafische IDE (integrated development environment) die is ontworpen voor het ontwikkelen en operationaliseren van Machine Learning-workflows op Azure.

Het stroomlijnt het proces van datavoorbereiding tot modeluitrol en biedt een no-code of low-code ervaring waardoor machine learning toegankelijker wordt voor een breder publiek, van beginners tot ervaren datawetenschappers.

De kracht van Azure ML Studio zit in de combinatie van eenvoud en mogelijkheden. Het biedt een gebruiksvriendelijke, drag-and-dropinterface die het maken, trainen en uitrollen van machinelearningmodellen vereenvoudigt zonder diepgaande programmeerkennis.

Tegelijk is het robuust genoeg voor complexe workflows, met functionaliteiten zoals Automated ML (AutoML) en de ML Designer voor meer gecontroleerde, aangepaste pipelineconstructies.

ML Studio integreert ook naadloos met het Azure-ecosysteem en biedt tools voor het monitoren van applicaties en services, het veilig opslaan van secrets en het beheren van compute-resources. Het ondersteunt samenwerking via gedeelde notebooks en experimenten, wat teams helpt effectief samen te werken aan machinelearningprojecten.

Voor datawetenschappers die liever coderen, biedt ML Studio de Azure SDK, waarmee je met Python-code kunt communiceren met ML Studio-resources en -experimenten. Zo overbrug je de no-code/low-code en codegerichte benaderingen van machine learning.

Dankzij deze flexibiliteit kan Azure ML Studio voorzien in uiteenlopende behoeften en voorkeuren: van wie visueel programmeren en drag-and-dropgemak verkiest tot wie de controle en aanpasbaarheid van coderen wil.

Azure Automated Machine Learning (AutoML)

Automated ML (AutoML) is een van de kernonderdelen van Azure Machine Learning. Het staat bekend om het automatisch selecteren van algoritmen en hyperparameters, waardoor het trainingstraject van modellen wordt gestroomlijnd.

Gebruikers geven simpelweg de dataset, de machinelearningtaak (bijv. classificatie, regressie) en enkele optionele parameters op, en Azure ML Studio doet de rest en levert het best presterende model op basis van de opgegeven criteria.

Dit versnelt niet alleen de ontwikkelcyclus, maar democratiseert ook de toegang tot machine learning, zodat gebruikers met uiteenlopende ervaringsniveaus kunnen deelnemen aan ML-projecten.

De AutoML-service gebruiken in Azure ML is eenvoudig. Volg deze stappen:

1. Navigeer: Ga naar "Automated ML" onder het gedeelte "Authoring".
2. Nieuwe job: Klik op "+ New automated ML job".
3. Selecteer data: Kies een bestaande data-asset of maak een nieuwe. Zorg dat deze tabelvormig is en de doelkolom bevat.
4. Experiment instellen: Geef je experiment een naam en kies het computertype voor de job.
5. Taak configureren: Kies je taaktype (classificatie, regressie of forecasting) en configureer instellingen zoals de primaire metriek en geblokkeerde modellen.
6. Starten: Rond je configuratie af en start het experiment.

Machinelearningmodellen ontwikkelen met code in Azure ML

Hoewel de no-code, drag-and-dropinterface van Azure ML Studio voor velen aantrekkelijk is, is die niet altijd toereikend. Voor scenario’s die meer maatwerk en controle vragen, ondersteunt Azure ML ontwikkeling via de SDK, primair met Python.

Hiermee kunnen datawetenschappers en ontwikkelaars hun machinelearningworkflows programmatisch opzetten en beheren, met de flexibiliteit om te integreren met bestaande codebases en geavanceerde ML-technieken te gebruiken.

Via de SDK kun je taken zoals datavoorbereiding, modeltraining, hyperparametertuning en uitrol automatiseren, passend bij complexere projectvereisten.

Met de Azure ML SDK kunnen gebruikers standaard-ML-code schrijven en evalueren in hun lokale ontwikkelomgeving, zoals VS Code.

Zo kun je de rekenkracht van Azure benutten voor het uitvoeren van trainingstaken. Het proces begint met het aanmaken van een ml_client als verbinding met de Azure-werkruimte, zodat je resources kunt beheren en jobs binnen die omgeving kunt orkestreren.

from azure.ai.ml import MLClient
from azure.identity import DefaultAzureCredential


# authenticate
credential = DefaultAzureCredential()


SUBSCRIPTION="<SUBSCRIPTION_ID>"
RESOURCE_GROUP="<RESOURCE_GROUP>"
WS_NAME="<AML_WORKSPACE_NAME>"
# Get a handle to the workspace
ml_client = MLClient(
    credential=credential,
    subscription_id=SUBSCRIPTION,
    resource_group_name=RESOURCE_GROUP,
    workspace_name=WS_NAME,
)

Bekijk de officiële tutorial voor de volledige trainingscode.

Conclusie en vervolgstappen

Azure Machine Learning blinkt uit in het stroomlijnen van de levenscyclus van machinelearningprojecten en biedt een uitgebreid scala aan functies, van modeltraining tot uitrol. Het bedient een breed publiek, van datawetenschappers tot applicatieontwikkelaars, met tools die productiviteit en innovatie stimuleren.

Dankzij de integratie met het Azure-ecosysteem zijn projecten in Azure ML niet alleen geavanceerd, maar ook veilig. Het platform balanceert toegankelijkheid met diepgang, met zowel een gebruiksvriendelijke interface in ML Studio als uitgebreide coderingsmogelijkheden via de SDK. Zo is het een hoeksteen in het machinelearningdomein.

Wil je je kennis van Azure verder verdiepen en je vaardigheden uitbreiden? Verken dan het aanbod aan Azure-gerichte cursussen en certificeringen op DataCamp. Of je nu nieuw bent met Azure of je expertise wilt laten certificeren, bronnen zoals de cursus Introduction to Azure, de certificering Azure Fundamentals en de uitgebreide cursus Azure Architecture and Services bieden waardevolle inzichten.

Voor een meer gestructureerd leerpad biedt de track Azure Fundamentals een zorgvuldig samengestelde reis door de belangrijkste concepten.