Azure Machine Learning için Yeni Başlayanlara Kılavuz

Azure Machine Learning (Azure ML), makine öğrenimi proje yaşam döngüsü için tasarlanmış, veri bilimciler, makine öğrenimi profesyonelleri ve mühendislerine yönelik kapsamlı bir bulut hizmetidir. Azure ekosistemiyle sorunsuz entegre olur ve makine öğrenimi modellerini oluşturmak, dağıtmak ve yönetmek için sağlam bir platform sunar.

Bu blog yazısı, Azure Machine Learning’in temellerinden başlayarak gelişmiş özelliklerinden yararlanmaya kadar sizi yönlendirmeyi amaçlar; böylece bu güçlü platformu verimli bir şekilde kullanacak donanıma sahip olursunuz. Yeni başlıyorsanız, ayrı bir Azure’ı nasıl kurup yapılandıracağınızla ilgili kılavuzumuzu okuyabilirsiniz. 

Görsel Kaynağı

Azure Machine Learning’e Genel Bakış

Azure Machine Learning (ML), makine öğrenimi yaşam döngüsünü hızlandırır; model eğitimi, dağıtımı ve yönetimi için araçlar sunar. Kullanıcıların ML Studio arayüzü üzerinden projelere ait varlıkları, kaynakları ve metrikleri paylaşmasına ve bulmasına olanak tanıyarak iş birliğini destekler.

Bu platform açıktır ve birlikte çalışabilir; PyTorch, TensorFlow, scikit-learn gibi yaygın Python çerçevelerinin yanı sıra R ve .NET desteğini de sunar.

Azure ML, Azure Sanal Ağlar, Azure Key Vault ve Azure Container Registry ile entegrasyon dahil kurumsal düzeyde güvenlik sağlayarak, makine öğrenimi projelerinin güvenli ve iş birlikçi olmasını temin etmesiyle öne çıkar.

Azure Machine Learning kimler içindir?

Azure Machine Learning, MLOps’u entegre ederek makine öğrenimi modellerini güvenli ve denetlenebilir üretim ortamlarında verimli şekilde dağıtmaya odaklanan bireyler ve ekipler için tasarlanmıştır.

Veri bilimciler ve ML mühendisleri, iş akışlarını düzene sokup geliştiren bir araç setine erişerek rutin görevler yerine yeniliğe odaklanabilir.

Uygulama geliştiricileri, makine öğrenimi modellerini uygulama veya hizmetlere sorunsuz şekilde entegre etmeyi kolaylaştıran kapsamlı araçlardan faydalanarak işlevselliği ve kullanıcı deneyimini artırır.

Microsoft Azure bulut ekosistemi içinde faaliyet gösteren kuruluşlar için, Azure’un tanıdık güvenlik çerçevelerinden ve role dayalı erişim kontrollerinden yararlanma avantajı da vardır.

Azure ML Çalışma Alanınızı Adım Adım Kurma Rehberi

Azure’da ML Çalışma Alanı Oluşturma

1. Azure Portal’da oturum açın: Azure Portal hesabınıza giriş yaparak başlayın; gerekirse yeni bir hesap oluşturun.
2. Azure Machine Learning’i bulun: Portalın arama özelliğini kullanarak hizmetler arasında "Machine Learning" seçeneğini bulun ve seçin.
3. Çalışma Alanı Oluşturmayı Başlatın: Yeni bir Machine Learning çalışma alanı kurulumuna başlamak için "Create" düğmesine basın.
4. Temel Ayarları Yapılandırın:
1. Abonelik: Faturalandırma için Azure aboneliğinizi seçin.
2. Kaynak Grubu: Azure kaynaklarını düzenlemek için mevcut bir grubu kullanın veya yeni bir grup oluşturun.
3. Çalışma Alanı Adı: Çalışma alanınıza benzersiz bir ad verin.
4. Bölge: Size veya veri kaynaklarınıza yakın bir bölge seçin.
5. Kaynak Ayrıntılarını Belirleyin:
1. Depolama Hesabı: Proje dosyalarının depolanması için mevcut bir hesabı atayın veya yeni bir hesap oluşturun.
2. Key Vault: Gizleri güvenli şekilde saklamak için bir key vault seçin veya oluşturun.
3. Application Insights: İzleme için bir Application Insights kaynağı tercih edin.
4. Container Registry: Kapsayıcılı modeller veya hizmetler için bir container registry belirtin.
6. Gözden Geçir ve Dağıt: Ayarlarınızı kontrol edin, ardından Azure’un yapılandırmanızı doğrulaması için "Review + create" seçeneğine tıklayın.

Azure Machine Learning Studio

Azure Machine Learning Studio

Azure Machine Learning Studio, Azure Machine Learning’in (ML) temel bileşenlerinden biridir. Azure üzerinde Makine Öğrenimi iş akışlarını geliştirmek ve üretime almak için tasarlanmış, grafik arayüzlü bir tümleşik geliştirme ortamıdır (IDE).

Veri hazırlamadan model dağıtımına kadar süreci sadeleştirir ve no-code veya low-code bir deneyim sunarak makine öğrenimini yeni başlayanlardan deneyimli veri bilimcilere kadar geniş bir kullanıcı kitlesi için erişilebilir kılar.

Azure ML Studio’nun cazibesi, sadelik ve güç dengesinde yatar. Derin programlama bilgisi gerektirmeden makine öğrenimi modellerini oluşturmayı, eğitmeyi ve dağıtmayı kolaylaştıran kullanıcı dostu, sürükle-bırak bir arayüz sağlar.

Bununla birlikte, daha karmaşık iş akışları için de yeterince dayanıklıdır; Otomatik ML (AutoML) ve daha kontrollü, özel hat (pipeline) inşaları için ML Designer gibi işlevler sunar.

ML Studio, Azure ekosistemiyle sorunsuz entegre olur; uygulama ve hizmetleri izleme, gizleri güvenle saklama ve hesaplama kaynaklarını yönetme araçları sağlar. Paylaşılan defterler ve deneyler aracılığıyla iş birliğini destekleyerek ekiplerin makine öğrenimi projelerinde etkili şekilde birlikte çalışmasını kolaylaştırır.

Kod yazmayı tercih eden veri bilimciler için ML Studio, Python kodunun ML Studio kaynakları ve deneyleriyle etkileşim kurmasına olanak tanıyan Azure SDK’sını sunar; bu da no-code/low-code yaklaşımıyla kod merkezli yaklaşım arasında bir köprü oluşturur.

Bu esneklik, görsel programlama ve sürükle-bırak sadeliğini tercih edenlerden, kodlamanın sunduğu kontrol ve özelleştirilebilirliği isteyenlere kadar geniş ihtiyaç ve tercihlere hitap edilmesini sağlar.

Azure Otomatik Makine Öğrenimi (AutoML)

Otomatik ML (AutoML), Azure Machine Learning’in temel bileşenlerinden biridir. Algoritma ve hiperparametre seçimini otomatikleştirme yeteneğiyle bilinir ve model eğitim sürecini sadeleştirir.

Kullanıcılar yalnızca veri kümesini, makine öğrenimi görevini (ör. sınıflandırma, regresyon) ve bazı isteğe bağlı parametreleri belirtir; Azure ML Studio geri kalanını üstlenir ve verilen ölçütlere göre en iyi performans gösteren modeli sunar.

Bu, geliştirme döngüsünü hızlandırmakla kalmaz; aynı zamanda farklı uzmanlık düzeylerine sahip kullanıcıların ML projelerine katılımını mümkün kılarak makine öğrenimine erişimi demokratikleştirir.

Azure ML’de AutoML hizmetini kullanmak oldukça basittir. Şu adımları izleyin:

1. Gezinin: "Authoring" bölümünün altında "Automated ML" sayfasına gidin.
2. Yeni İş: "+ New automated ML job" seçeneğine tıklayın.
3. Veri Seçin: Mevcut bir veri varlığını seçin veya yenisini oluşturun; hedef sütunun bulunduğu tablo biçiminde olmasına dikkat edin.
4. Deney Kurulumu: Deneyinize bir ad verin ve iş için hesaplama türünü seçin.
5. Görevi Yapılandırın: Görev türünü (sınıflandırma, regresyon veya tahminleme) seçin ve birincil metrik ile engellenen modeller gibi ayarları yapılandırın.
6. Başlatın: Yapılandırmanızı tamamlayın ve deneyi başlatın.

Azure ML’de Kodla Makine Öğrenimi Modelleri Geliştirme

Azure ML Studio’nun no-code, sürükle-bırak arayüzü birçok kullanıcı için büyük bir çekim noktası olsa da, her senaryo için yeterli olmayabilir. Daha fazla özelleştirme ve kontrol gerektiren durumlar için Azure ML, öncelikle Python kullanan SDK’sı aracılığıyla geliştirmeyi destekler.

Bu sayede veri bilimciler ve geliştiriciler, makine öğrenimi iş akışlarını programatik olarak oluşturup yönetebilir; mevcut kod tabanlarıyla entegrasyon ve gelişmiş makine öğrenimi tekniklerini kullanma esnekliğine sahip olurlar.

SDK aracılığıyla kullanıcılar, veri hazırlama, model eğitimi, hiperparametre ayarlama ve dağıtım gibi görevleri otomatikleştirerek daha karmaşık proje gereksinimleriyle uyum sağlayabilir.

Azure ML SDK’sını kullanırken, kullanıcılar standart ML kodunu doğrudan yerel geliştirme ortamlarında (ör. VS Code) kullanarak makine öğrenimi modelleri geliştirebilir ve değerlendirebilir.

Bu kurulum, eğitim işlerini yürütmek için Azure’un hesaplama kaynaklarından yararlanmayı sağlar. Süreç, Azure çalışma alanına bağlantı görevi gören bir ml_client oluşturulmasıyla başlar ve bu, söz konusu ortamda kaynakların yönetilmesini ve işlerin orkestrasyonunu kolaylaştırır.

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,
)

Eğitim kodunun tamamını görmek için resmi öğreticiye göz atın.

Sonuç ve Sonraki Adımlar

Azure Machine Learning, model eğitiminden dağıtıma kadar kapsamlı özellikleriyle makine öğrenimi proje yaşam döngüsünü sadeleştirmesiyle öne çıkar. Veri bilimcilerden uygulama geliştiricilere kadar geniş bir kitleye hitap ederek üretkenliği ve yeniliği artıran araçlar sunar.

Azure ekosistemine entegrasyonu sayesinde Azure ML, projelerin yalnızca ileri düzeyde değil, aynı zamanda güvenli olmasını da sağlar. Platform, ML Studio’daki kullanıcı dostu arayüz ile SDK üzerinden kapsamlı kodlama yetenekleri arasında denge kurarak, makine öğrenimi alanında temel bir yapı taşı olarak konumunu pekiştirir.

Azure bilginizi derinleştirmek ve becerilerinizi geliştirmek için DataCamp’te sunulan Azure odaklı kurs ve sertifikaları keşfetmeyi düşünebilirsiniz. Azure’a yeni başlıyor olun ya da uzmanlığınızı belgelendirmek isteyin, Introduction to Azure kursu, Azure Fundamentals sertifikası ve kapsamlı Azure Architecture and Services kursu gibi kaynaklar değerli içgörüler sunar.

Daha yapılandırılmış bir öğrenme yolu için, Azure Fundamentals öğrenme yolu temel kavramlar üzerinden seçilmiş bir yolculuk sunar.