README.md

מדע הנתונים בענן: הדרך של "קוד נמוך/ללא קוד"

מדע הנתונים בענן: קוד נמוך - סקיצה מאת @nitya

תוכן עניינים:

• מדע הנתונים בענן: הדרך של "קוד נמוך/ללא קוד"
  • שאלון לפני השיעור
  • 1. מבוא
    • 1.1 מה זה Azure Machine Learning?
    • 1.2 פרויקט חיזוי כשל לבבי:
    • 1.3 מאגר הנתונים של כשל לבבי:
  • 2. אימון מודל בקוד נמוך/ללא קוד ב-Azure ML Studio
    • 2.1 יצירת סביבת עבודה ב-Azure ML
    • 2.2 משאבי מחשוב
      • 2.2.1 בחירת האפשרויות הנכונות עבור משאבי המחשוב שלך
      • 2.2.2 יצירת אשכול מחשוב
    • 2.3 טעינת מאגר הנתונים
    • 2.4 אימון בקוד נמוך/ללא קוד עם AutoML
  • 3. פריסת מודל בקוד נמוך/ללא קוד וצריכת נקודת קצה
    • 3.1 פריסת מודל
    • 3.2 צריכת נקודת קצה
  • 🚀 אתגר
  • שאלון לאחר השיעור
  • סקירה ולימוד עצמי
  • מטלה

שאלון לפני השיעור

1. מבוא

1.1 מה זה Azure Machine Learning?

פלטפורמת הענן Azure כוללת יותר מ-200 מוצרים ושירותי ענן שנועדו לעזור לך להביא פתרונות חדשים לחיים. מדעני נתונים משקיעים מאמצים רבים בחקר ועיבוד מקדים של נתונים, ובניסיון של סוגים שונים של אלגוריתמים לאימון מודלים כדי לייצר מודלים מדויקים. משימות אלו גוזלות זמן רב ולעיתים קרובות מנצלות באופן לא יעיל חומרת מחשוב יקרה.

Azure ML היא פלטפורמה מבוססת ענן לבנייה ותפעול של פתרונות למידת מכונה ב-Azure. היא כוללת מגוון רחב של תכונות ויכולות שמסייעות למדעני נתונים להכין נתונים, לאמן מודלים, לפרסם שירותי חיזוי ולנטר את השימוש בהם. החשוב מכל, היא עוזרת להם להגדיל את היעילות על ידי אוטומציה של משימות רבות שגוזלות זמן רב באימון מודלים; והיא מאפשרת להם להשתמש במשאבי מחשוב מבוססי ענן שמסוגלים להתמודד עם כמויות גדולות של נתונים תוך חיוב רק בעת השימוש בפועל.

Azure ML מספקת את כל הכלים שמפתחים ומדעני נתונים צריכים עבור תהליכי העבודה שלהם בלמידת מכונה. אלו כוללים:

• Azure Machine Learning Studio: פורטל אינטרנטי ב-Azure Machine Learning שמציע אפשרויות בקוד נמוך וללא קוד לאימון מודלים, פריסה, אוטומציה, מעקב וניהול נכסים. הסטודיו משתלב עם Azure Machine Learning SDK לחוויית עבודה חלקה.
• Jupyter Notebooks: מאפשרים אב טיפוס מהיר ובדיקת מודלים של למידת מכונה.
• Azure Machine Learning Designer: מאפשר גרירה ושחרור של מודולים לבניית ניסויים ולאחר מכן פריסת צינורות עבודה בסביבה של קוד נמוך.
• ממשק משתמש של למידת מכונה אוטומטית (AutoML): מאיץ משימות חוזרות ונשנות בפיתוח מודלים של למידת מכונה, ומאפשר בניית מודלים בקנה מידה גבוה, יעילות ופרודוקטיביות, תוך שמירה על איכות המודל.
• תיוג נתונים: כלי למידת מכונה מסייע לתיוג אוטומטי של נתונים.
• הרחבת למידת מכונה ל-Visual Studio Code: מספקת סביבת פיתוח מלאה לבנייה וניהול של פרויקטים בלמידת מכונה.
• CLI ללמידת מכונה: מספק פקודות לניהול משאבי Azure ML משורת הפקודה.
• שילוב עם מסגרות קוד פתוח כמו PyTorch, TensorFlow, Scikit-learn ועוד רבים אחרים לאימון, פריסה וניהול תהליך למידת המכונה מקצה לקצה.
• MLflow: ספרייה בקוד פתוח לניהול מחזור החיים של ניסויי למידת מכונה. MLFlow Tracking הוא רכיב של MLflow שמאפשר רישום ומעקב אחר מדדי האימון שלך ופרטי המודל, ללא קשר לסביבת הניסוי שלך.

1.2 פרויקט חיזוי כשל לבבי:

אין ספק שבנייה ועבודה על פרויקטים היא הדרך הטובה ביותר לבחון את הכישורים והידע שלך. בשיעור זה, נחקור שתי דרכים שונות לבניית פרויקט מדע נתונים לחיזוי התקפי כשל לבבי ב-Azure ML Studio, דרך קוד נמוך/ללא קוד ודרך Azure ML SDK כפי שמוצג בתרשים הבא:

לכל דרך יש יתרונות וחסרונות משלה. הדרך של קוד נמוך/ללא קוד קלה יותר להתחלה מכיוון שהיא כוללת אינטראקציה עם ממשק משתמש גרפי (GUI), ללא צורך בידע מוקדם בקוד. שיטה זו מאפשרת בדיקה מהירה של היתכנות הפרויקט ויצירת POC (הוכחת היתכנות). עם זאת, ככל שהפרויקט גדל ודברים צריכים להיות מוכנים לייצור, לא ניתן ליצור משאבים דרך ממשק משתמש גרפי בלבד. יש צורך באוטומציה תכנותית של הכל, החל מיצירת משאבים ועד לפריסת מודל. כאן נכנס לתמונה הידע בשימוש ב-Azure ML SDK.

	קוד נמוך/ללא קוד	Azure ML SDK
מומחיות בקוד	לא נדרשת	נדרשת
זמן פיתוח	מהיר וקל	תלוי במומחיות בקוד
מוכן לייצור	לא	כן

1.3 מאגר הנתונים של כשל לבבי:

מחלות לב וכלי דם (CVDs) הן הגורם מספר 1 למוות ברחבי העולם, ומהוות 31% מכלל מקרי המוות בעולם. גורמי סיכון סביבתיים והתנהגותיים כמו שימוש בטבק, תזונה לא בריאה והשמנת יתר, חוסר פעילות גופנית ושימוש מזיק באלכוהול יכולים לשמש כמאפיינים למודלים הערכה. היכולת להעריך את הסבירות להתפתחות מחלת לב וכלי דם יכולה להיות שימושית מאוד במניעת התקפים אצל אנשים בסיכון גבוה.

Kaggle הפכה את מאגר הנתונים של כשל לבבי לזמין לציבור, ואנו נשתמש בו בפרויקט זה. ניתן להוריד את מאגר הנתונים עכשיו. זהו מאגר נתונים טבלאי עם 13 עמודות (12 מאפיינים ועמודת יעד אחת) ו-299 שורות.

	שם משתנה	סוג	תיאור	דוגמה
1	age	מספרי	גיל המטופל	25
2	anaemia	בוליאני	ירידה בתאי דם אדומים או בהמוגלובין	0 או 1
3	creatinine_phosphokinase	מספרי	רמת אנזים CPK בדם	542
4	diabetes	בוליאני	האם המטופל סובל מסוכרת	0 או 1
5	ejection_fraction	מספרי	אחוז הדם שיוצא מהלב בכל התכווצות	45
6	high_blood_pressure	בוליאני	האם המטופל סובל מלחץ דם גבוה	0 או 1
7	platelets	מספרי	טסיות בדם	149000
8	serum_creatinine	מספרי	רמת קריאטינין בסרום בדם	0.5
9	serum_sodium	מספרי	רמת נתרן בסרום בדם	jun
10	sex	בוליאני	אישה או גבר	0 או 1
11	smoking	בוליאני	האם המטופל מעשן	0 או 1
12	time	מספרי	תקופת מעקב (ימים)	4
----	-------------------------	----------------	---------------------------------------------------------	-------------------
21	DEATH_EVENT [יעד]	בוליאני	האם המטופל מת במהלך תקופת המעקב	0 או 1

לאחר שיש לך את מאגר הנתונים, נוכל להתחיל את הפרויקט ב-Azure.

2. אימון מודל בקוד נמוך/ללא קוד ב-Azure ML Studio

2.1 יצירת סביבת עבודה ב-Azure ML

כדי לאמן מודל ב-Azure ML, תחילה עליך ליצור סביבת עבודה ב-Azure ML. סביבת העבודה היא המשאב ברמה העליונה עבור Azure Machine Learning, המספקת מקום מרכזי לעבוד עם כל הפריטים שאתה יוצר בעת השימוש ב-Azure Machine Learning. סביבת העבודה שומרת היסטוריה של כל ריצות האימון, כולל יומנים, מדדים, פלט ותמונת מצב של הסקריפטים שלך. אתה משתמש במידע זה כדי לקבוע איזו ריצת אימון מייצרת את המודל הטוב ביותר. למידע נוסף

מומלץ להשתמש בדפדפן העדכני ביותר שתואם למערכת ההפעלה שלך. הדפדפנים הבאים נתמכים:

• Microsoft Edge (הגרסה החדשה של Microsoft Edge, גרסה עדכנית. לא Microsoft Edge legacy)
• Safari (גרסה עדכנית, רק ב-Mac)
• Chrome (גרסה עדכנית)
• Firefox (גרסה עדכנית)

כדי להשתמש ב-Azure Machine Learning, צור סביבת עבודה במנוי Azure שלך. לאחר מכן תוכל להשתמש בסביבת עבודה זו לניהול נתונים, משאבי מחשוב, קוד, מודלים ופריטים אחרים הקשורים לעומסי העבודה שלך בלמידת מכונה.

הערה: המנוי שלך ב-Azure יחויב בסכום קטן עבור אחסון נתונים כל עוד סביבת העבודה של Azure Machine Learning קיימת במנוי שלך, ולכן אנו ממליצים למחוק את סביבת העבודה של Azure Machine Learning כאשר אינך משתמש בה יותר.

1. היכנס ל-פורטל Azure באמצעות האישורים של Microsoft המשויכים למנוי Azure שלך.

2. בחר ＋Create a resource

   

   חפש Machine Learning ובחר את האריח Machine Learning

   

   לחץ על כפתור יצירה

   

   מלא את ההגדרות כדלקמן:

   • מנוי: מנוי Azure שלך
   • קבוצת משאבים: צור או בחר קבוצת משאבים
   • שם סביבת עבודה: הזן שם ייחודי לסביבת העבודה שלך
   • אזור: בחר את האזור הגיאוגרפי הקרוב אליך ביותר
   • חשבון אחסון: שים לב לחשבון האחסון החדש שייווצר עבור סביבת העבודה שלך
   • Key vault: שים לב לכספת המפתחות החדשה שתיווצר עבור סביבת העבודה שלך
   • Application insights: שים לב למשאב Application Insights החדש שייווצר עבור סביבת העבודה שלך
   • Container registry: אין (אחד ייווצר אוטומטית בפעם הראשונה שתפרוס מודל למיכל)

   

   • לחץ על create + review ולאחר מכן על כפתור create

3. המתן ליצירת סביבת העבודה שלך (זה עשוי לקחת כמה דקות). לאחר מכן עבור אליה בפורטל. תוכל למצוא אותה דרך שירות Azure Machine Learning.

4. בעמוד סקירה כללית של סביבת העבודה שלך, הפעל את Azure Machine Learning Studio (או פתח לשונית חדשה בדפדפן ונווט ל-https://ml.azure.com), והיכנס ל-Azure Machine Learning Studio באמצעות חשבון Microsoft שלך. אם תתבקש, בחר את ספריית Azure והמנוי שלך, ואת סביבת העבודה של Azure Machine Learning שלך.

5. ב-Azure Machine Learning Studio, לחץ על סמל ☰ בפינה השמאלית העליונה כדי לצפות בעמודים השונים בממשק. תוכל להשתמש בעמודים אלו לניהול המשאבים בסביבת העבודה שלך.

תוכל לנהל את סביבת העבודה שלך באמצעות פורטל Azure, אך עבור מדעני נתונים ומהנדסי תפעול למידת מכונה, Azure Machine Learning Studio מספק ממשק משתמש ממוקד יותר לניהול משאבי סביבת העבודה.

2.2 משאבי מחשוב

משאבי מחשוב הם משאבים מבוססי ענן שעליהם ניתן להפעיל תהליכי אימון מודלים וחקר נתונים. ישנם ארבעה סוגים של משאבי מחשוב שניתן ליצור:

• Compute Instances: תחנות עבודה לפיתוח שמדעני נתונים יכולים להשתמש בהן לעבודה עם נתונים ומודלים. זה כולל יצירת מכונה וירטואלית (VM) והפעלת מופע מחברת. לאחר מכן תוכל לאמן מודל על ידי קריאה לאשכול מחשוב מתוך המחברת.
• Compute Clusters: אשכולות ניתנים להרחבה של מכונות וירטואליות לעיבוד לפי דרישה של קוד ניסוי. תזדקק לכך בעת אימון מודל. אשכולות מחשוב יכולים גם להשתמש במשאבי GPU או CPU מיוחדים.
• Inference Clusters: יעדי פריסה לשירותי חיזוי שמשתמשים במודלים שאומנו.
• מחשוב מצורף: קישורים למשאבי מחשוב קיימים ב-Azure, כמו מכונות וירטואליות או אשכולות Azure Databricks.

2.2.1 בחירת האפשרויות הנכונות עבור משאבי המחשוב שלך

ישנם מספר גורמים חשובים שיש לקחת בחשבון בעת יצירת משאב מחשוב, והבחירות הללו יכולות להיות קריטיות.

האם אתה זקוק ל-CPU או GPU?

CPU (יחידת עיבוד מרכזית) הוא מעגל אלקטרוני שמבצע הוראות של תוכנית מחשב. GPU (יחידת עיבוד גרפית) הוא מעגל אלקטרוני ייעודי שיכול לבצע קוד גרפי בקצב גבוה מאוד.

ההבדל העיקרי בין ארכיטקטורת CPU ל-GPU הוא ש-CPU מיועד לטפל במגוון רחב של משימות במהירות (נמדד במהירות שעון ה-CPU), אך מוגבל בכמות המשימות שיכולות לפעול במקביל. GPUs מיועדים לעיבוד מקבילי ולכן הם טובים יותר למשימות של למידה עמוקה.

CPU	GPU
זול יותר	יקר יותר
רמת מקביליות נמוכה יותר	רמת מקביליות גבוהה יותר
איטי יותר באימון מודלים של למידה עמוקה	אופטימלי ללמידה עמוקה

גודל האשכול

אשכולות גדולים יותר יקרים יותר אך יובילו לתגובה מהירה יותר. לכן, אם יש לך זמן אך לא מספיק כסף, כדאי להתחיל עם אשכול קטן. לעומת זאת, אם יש לך כסף אך מעט זמן, כדאי להתחיל עם אשכול גדול יותר.

גודל VM

בהתאם למגבלות הזמן והתקציב שלך, תוכל לשנות את גודל ה-RAM, הדיסק, מספר הליבות ומהירות השעון. הגדלת כל הפרמטרים הללו תהיה יקרה יותר, אך תביא לביצועים טובים יותר.

מופעים ייעודיים או בעדיפות נמוכה?

מופע בעדיפות נמוכה פירושו שהוא ניתן לקטיעה: למעשה, Microsoft Azure יכולה לקחת את המשאבים הללו ולהקצות אותם למשימה אחרת, ובכך להפריע לעבודה. מופע ייעודי, או לא ניתן לקטיעה, פירושו שהעבודה לעולם לא תופסק ללא רשותך.
זהו שיקול נוסף של זמן מול כסף, שכן מופעים ניתנים לקטיעה זולים יותר ממופעים ייעודיים.

2.2.2 יצירת אשכול מחשוב

ב-Azure ML workspace שיצרנו קודם, עבור אל "מחשוב" ותוכל לראות את משאבי המחשוב השונים שדיברנו עליהם (כלומר מופעי מחשוב, אשכולות מחשוב, אשכולות הסקה ומחשוב מצורף). עבור הפרויקט הזה, נצטרך אשכול מחשוב לאימון המודל. בסטודיו, לחץ על תפריט "מחשוב", לאחר מכן על לשונית "אשכול מחשוב" ולחץ על כפתור "+ חדש" כדי ליצור אשכול מחשוב.

1. בחר את האפשרויות שלך: ייעודי מול עדיפות נמוכה, CPU או GPU, גודל VM ומספר ליבות (תוכל לשמור על ההגדרות המוגדרות כברירת מחדל לפרויקט זה).
2. לחץ על כפתור "הבא".

3. תן לאשכול שם מחשוב.
4. בחר את האפשרויות שלך: מספר מינימלי/מקסימלי של צמתים, שניות במצב סרק לפני הקטנה, גישת SSH. שים לב שאם מספר הצמתים המינימלי הוא 0, תחסוך כסף כשהאשכול במצב סרק. שים לב שככל שמספר הצמתים המקסימלי גבוה יותר, כך האימון יהיה קצר יותר. המספר המקסימלי המומלץ של צמתים הוא 3.
5. לחץ על כפתור "צור". שלב זה עשוי להימשך מספר דקות.

מעולה! עכשיו כשיש לנו אשכול מחשוב, נצטרך לטעון את הנתונים ל-Azure ML Studio.

2.3 טעינת מערך הנתונים

1. ב-Azure ML workspace שיצרנו קודם, לחץ על "Datasets" בתפריט השמאלי ולחץ על כפתור "+ Create dataset" כדי ליצור מערך נתונים. בחר באפשרות "From local files" ובחר את מערך הנתונים של Kaggle שהורדנו קודם.

   

2. תן למערך הנתונים שם, סוג ותיאור. לחץ על "הבא". העלה את הנתונים מהקבצים. לחץ על "הבא".

   

3. בסכימה, שנה את סוג הנתונים ל-Boolean עבור התכונות הבאות: anaemia, diabetes, high blood pressure, sex, smoking, ו-DEATH_EVENT. לחץ על "הבא" ולאחר מכן על "צור".

   

מעולה! עכשיו כשמערך הנתונים במקום ואשכול המחשוב נוצר, נוכל להתחיל באימון המודל!

2.4 אימון ללא קוד/עם מעט קוד באמצעות AutoML

פיתוח מודלים מסורתי של למידת מכונה דורש משאבים רבים, ידע מקצועי וזמן רב כדי לייצר ולהשוות עשרות מודלים.
למידת מכונה אוטומטית (AutoML) היא תהליך של אוטומציה של המשימות החוזרות והזוללות זמן בפיתוח מודלים של למידת מכונה. היא מאפשרת למדעני נתונים, אנליסטים ומפתחים לבנות מודלים בקנה מידה גבוה, ביעילות ובפרודוקטיביות, תוך שמירה על איכות המודל. היא מקצרת את הזמן הנדרש ליצירת מודלים מוכנים לייצור, בקלות וביעילות. למידע נוסף

1. ב-Azure ML workspace שיצרנו קודם, לחץ על "Automated ML" בתפריט השמאלי ובחר את מערך הנתונים שהעלית זה עתה. לחץ על "הבא".

   

2. הזן שם ניסוי חדש, עמודת יעד (DEATH_EVENT) ואשכול המחשוב שיצרנו. לחץ על "הבא".

   

3. בחר "Classification" ולחץ על "סיום". שלב זה עשוי להימשך בין 30 דקות לשעה, בהתאם לגודל אשכול המחשוב.

   

4. לאחר שהריצה הושלמה, לחץ על לשונית "Automated ML", לחץ על הריצה שלך, ולחץ על האלגוריתם בכרטיס "Best model summary".

   

כאן תוכל לראות תיאור מפורט של המודל הטוב ביותר ש-AutoML יצר. תוכל גם לחקור מודלים אחרים שנוצרו בלשונית "Models". קח כמה דקות לחקור את המודלים בלשונית "Explanations (preview)". לאחר שבחרת את המודל שברצונך להשתמש בו (כאן נבחר במודל הטוב ביותר שנבחר על ידי AutoML), נראה כיצד ניתן לפרוס אותו.

3. פריסת מודל ללא קוד/עם מעט קוד וצריכת נקודת קצה

3.1 פריסת מודל

ממשק למידת המכונה האוטומטית מאפשר לפרוס את המודל הטוב ביותר כשירות אינטרנט בכמה שלבים פשוטים. פריסה היא שילוב המודל כך שיוכל לבצע תחזיות על סמך נתונים חדשים ולזהות אזורי הזדמנות פוטנציאליים. עבור פרויקט זה, פריסה לשירות אינטרנט פירושה שאפליקציות רפואיות יוכלו לצרוך את המודל כדי לבצע תחזיות חיות על הסיכון של מטופלים ללקות בהתקף לב.

בתיאור המודל הטוב ביותר, לחץ על כפתור "Deploy".

15. תן שם, תיאור, סוג מחשוב (Azure Container Instance), הפעל אימות ולחץ על "Deploy". שלב זה עשוי להימשך כ-20 דקות להשלמה. תהליך הפריסה כולל מספר שלבים, כולל רישום המודל, יצירת משאבים והגדרתם לשירות האינטרנט. הודעת סטטוס תופיע תחת "Deploy status". לחץ על "רענן" באופן תקופתי כדי לבדוק את סטטוס הפריסה. הפריסה הושלמה ופועלת כאשר הסטטוס הוא "Healthy".

16. לאחר שהפריסה הושלמה, לחץ על לשונית "Endpoint" ולחץ על נקודת הקצה שפרסת זה עתה. כאן תוכל למצוא את כל הפרטים שאתה צריך לדעת על נקודת הקצה.

מדהים! עכשיו כשיש לנו מודל שפורס, נוכל להתחיל בצריכת נקודת הקצה.

3.2 צריכת נקודת קצה

לחץ על לשונית "Consume". כאן תוכל למצוא את נקודת הקצה של REST ואת סקריפט הפייתון באפשרות הצריכה. קח זמן לקרוא את קוד הפייתון.

סקריפט זה ניתן להרצה ישירות מהמחשב המקומי שלך ויצרוך את נקודת הקצה שלך.

קח רגע לבדוק את שתי שורות הקוד הללו:

url = 'http://98e3715f-xxxx-xxxx-xxxx-9ec22d57b796.centralus.azurecontainer.io/score'
api_key = '' # Replace this with the API key for the web service

המשתנה url הוא נקודת הקצה של REST שנמצאה בלשונית הצריכה, והמשתנה api_key הוא המפתח הראשי שנמצא גם הוא בלשונית הצריכה (רק במקרה שהפעלת אימות). כך הסקריפט יכול לצרוך את נקודת הקצה.

18. בהרצת הסקריפט, תראה את הפלט הבא:

    b'"{\\"result\\": [true]}"'

זה אומר שהתחזית לכשל לבבי עבור הנתונים שניתנו היא נכונה. זה הגיוני כי אם תסתכל מקרוב על הנתונים שנוצרו אוטומטית בסקריפט, הכל מוגדר ל-0 ושקר כברירת מחדל. תוכל לשנות את הנתונים לדוגמה הבאה:

data = {
    "data":
    [
        {
            'age': "0",
            'anaemia': "false",
            'creatinine_phosphokinase': "0",
            'diabetes': "false",
            'ejection_fraction': "0",
            'high_blood_pressure': "false",
            'platelets': "0",
            'serum_creatinine': "0",
            'serum_sodium': "0",
            'sex': "false",
            'smoking': "false",
            'time': "0",
        },
        {
            'age': "60",
            'anaemia': "false",
            'creatinine_phosphokinase': "500",
            'diabetes': "false",
            'ejection_fraction': "38",
            'high_blood_pressure': "false",
            'platelets': "260000",
            'serum_creatinine': "1.40",
            'serum_sodium': "137",
            'sex': "false",
            'smoking': "false",
            'time': "130",
        },
    ],
}

הסקריפט יחזיר:
python b'"{\\"result\\": [true, false]}"'

ברכות! זה עתה צרכת את המודל שפורס ואימנת אותו ב-Azure ML!

הערה: לאחר שתסיים את הפרויקט, אל תשכח למחוק את כל המשאבים.

🚀 אתגר

בחן מקרוב את ההסברים והפרטים של המודלים המובילים ש-AutoML יצר. נסה להבין מדוע המודל הטוב ביותר טוב יותר מהאחרים. אילו אלגוריתמים הושוו? מה ההבדלים ביניהם? מדוע המודל הטוב ביותר מבצע טוב יותר במקרה זה?

שאלון לאחר ההרצאה

סקירה ולמידה עצמית

בשיעור זה למדת כיצד לאמן, לפרוס ולצרוך מודל לחיזוי סיכון לכשל לבבי בצורה ללא קוד/עם מעט קוד בענן. אם עדיין לא עשית זאת, העמק בהסברים של המודלים ש-AutoML יצר ונסה להבין מדוע המודל הטוב ביותר טוב יותר מאחרים.

תוכל להעמיק עוד בלמידת מכונה אוטומטית ללא קוד/עם מעט קוד על ידי קריאת תיעוד זה.

משימה

פרויקט מדעי נתונים ללא קוד/עם מעט קוד ב-Azure ML

---

כתב ויתור:
מסמך זה תורגם באמצעות שירות תרגום מבוסס בינה מלאכותית Co-op Translator. בעוד אנו שואפים לדיוק, יש לקחת בחשבון שתרגומים אוטומטיים עשויים להכיל שגיאות או אי-דיוקים. המסמך המקורי בשפתו המקורית נחשב למקור הסמכותי. למידע קריטי, מומלץ להשתמש בתרגום מקצועי על ידי בני אדם. איננו נושאים באחריות לכל אי-הבנה או פרשנות שגויה הנובעת משימוש בתרגום זה.