دانش پیش نیاز
قبل از شروع به درک Azure Databricks، باید موارد زیر را داشته باشیم:
- دانش اولیه رایانش ابری و خدمات آن
- دانش اولیه Microsoft Azure
- دانش اولیه هوش مصنوعی و الگوریتم ها
زمینه
من می خواهم قبل از ورود به یادگیری ماشینی Azure اطلاعات کوتاهی در مورد "هوش مصنوعی و یادگیری ماشین چیست" ارائه دهم.
هوش مصنوعی
- به عبارت ساده، «هوش مصنوعی» (AI) ایجاد مصنوعی سیستمی است مانند یک انسان که می تواند مشاهده کند، عکس العمل نشان دهد، یاد بگیرد، برنامه ریزی کند و دستورالعمل ها را پردازش کند و اطلاعاتی را بر روی آن ارائه دهد.
- این یک فناوری به سرعت در حال ظهور و فناوری مبتنی بر اینترنت است.
- گاهی هوش مصنوعی را یادگیری ماشینی نیز می نامند.
معرفی
فراگیری ماشین
- یادگیری ماشین چیز جدیدی نیست. زیر مجموعه هوش مصنوعی (AI) است.
- الگوریتم دنباله ای از فعالیت ها / اقدامات / مراحلی است که برای حل یک مسئله استفاده می شود.
- پیاده سازی الگوریتم و مدل های آن را در دنیای کامپیوتر یادگیری ماشین می نامند.
- امروزه، توسعه یک الگوریتم جدید برای دستور دادن به رایانه برای اجرای آن، سنگ بنای فناوری پیشرفته است.
- مهم
- یادگیری ماشینی یک تکنیک علم داده است که به رایانه ها اجازه می دهد تا از داده های موجود برای پیش بینی رفتارها، نتایج و روندهای آینده استفاده کنند.
- یادگیری ماشین بر روی مدل ریاضی کار می کند و با استفاده از داده های نمونه ساخته می شود.
- یادگیری ماشینی توانایی یادگیری و بهبود تجربه را بدون برنامهریزی صریح دارد.
- مثال ها
- چگونه یک سیستم ایمیل ایمیل های اسپم را ردیابی می کند.
- چگونه یک سیستم خرید آنلاین محصول مشابه مورد نظر شما را نشان می دهد.
- انواع
- یادگیری نظارت شده - ما مدل را با مجموعه داده ها آموزش داده ایم.
- یادگیری بدون نظارت - مدل یادگیری ماشینی داده ها را یاد می گیرد و الگوها و روابط را در داده ها پیدا می کند. بر اساس الگو و روابط مدل آموزش داده می شود.
- یادگیری تقویتی – مدل یادگیری ماشینی بهترین نتیجه را خواهد یافت. روی روش آزمون و خطا کار می کند. هنگامی که مدل آموزش داده شد، برای پیشبینی دادههای جدید آماده است.
چگونه کار می کند؟
- در سطح بالا، یک الگوریتم ماشین یک داده مدل را بر اساس داده های آزمایشی موجود به عنوان ورودی ایجاد می کند.
- داده های ورودی جدید را فشار می دهد سپس الگوریتم یادگیری ماشین بر اساس مدلی که در مرحله 1 در بالا آماده شده بود، پیش بینی می کند.
- این پیشبینی ارزیابی میشود و در صورت پذیرش، الگوریتمی به کار گرفته میشود.
- اگر پیشبینی پذیرفته نشود، یادگیری ماشین دوباره با دادههای آموزشی بزرگتر آموزش داده میشود.
- سرویس یادگیری ماشین لاجورد،
- Microsoft Azure پلت فرم مبتنی بر ابر را برای پیاده سازی و استقرار یادگیری ماشین فراهم می کند.
- با استفاده از ویژگی Microsoft Azure ML، می توانیم داده ها را آماده کنیم، مدل را آموزش دهیم، مدل را آزمایش کنیم، مدل را مستقر کنیم، مدل را مدیریت و ردیابی کنیم.
- ما می توانیم با استفاده از Azure ML ML را به ابر بزرگ کنیم.
- Azure ML از فناوری های منبع باز مانند PyTorch، TensorFlow و scikit-learn پشتیبانی می کند.
- این فناوری را می توان در هر نوع ML که در بالا ذکر شد استفاده کرد.
- از Azure Machine Learning Python SDK با بستههای Python منبع باز استفاده کنید یا از رابط بصری استفاده کنید.
- این یک رابط بصری برای آزمایش و استقرار با کشیدن-n-drop دارد.
- Microsoft Azure دارای استودیوی یادگیری ماشینی Azure برای پیاده سازی، آزمایش، آموزش و استقرار ML است. استودیوی یادگیری ماشین مکانی مشترک برای علم داده، تجزیه و تحلیل پیشبینیکننده، منابع ابری و ملاقات دادههای شماست.
![یادگیری ماشین لاجورد](http://pezhvak24.ir/dl/10kcor/cscd/article/azure-machine-learning/Images/AML1.jpg)
منبع تصویر - اسناد مایکروسافت
- ما می توانیم الگوریتم و مدل ML را با استفاده از ابزار پیاده سازی کنیم،
- رابط بصری (ماژولهای Drag-n-drop)
- نوت بوک های Jupyter (ما می توانیم از SDK استفاده کنیم)
- پسوند کد ویژوال استودیو
![یادگیری ماشین لاجورد](http://pezhvak24.ir/dl/10kcor/cscd/article/azure-machine-learning/Images/AML2.jpg)
منبع تصویر - اسناد مایکروسافت
لینک های مرجع
- https://en.wikipedia.org/wiki/Machine_learning
- https://www.internetsociety.org/resources/doc/2017/artificial-intelligence-and-machine-learning-policy-paper/?gclid=EAIaIQobChMIn56dqfXA4wIVENbACh0njwYVEAAYAyAAEgJYRfD_
- https://www.expertsystem.com/machine-learning-definition/
- https://www.edureka.co/blog/what-is-machine-learning/
- https://docs.microsoft.com/en-us/azure/machine-learning/service/overview-what-is-azure-ml