Incepeti cu MicrosoftML – Machine Learning Server

• 22.09.2017
• 4 minute de citit

In acest articol

MicrosoftML adauga transformari de date de ultima generatie, algoritmi de invatare automata si modele pre-instruite la functionalitatea R si Python. Cele Transformarile de date furnizate de MicrosoftML va permit sa compuna un set personalizat de transformate intr – o conducta , care sunt aplicate datelor dumneavoastra inainte de formare sau de testare. Scopul principal al acestor transformari este de a va permite sa va formatati datele.

Functiile MicrosoftML sunt furnizate prin pachetul MicrosoftML instalat cu Machine Learning Server, Microsoft R Client si SQL Server Machine Learning Services.

Functiile ofera algoritmi de invatare automata rapida si scalabila , care va permit sa abordati sarcini obisnuite de invatare automata, cum ar fi clasificarea, regresia si detectarea anomaliilor. Acesti algoritmi de inalta performanta sunt multi-threaded, dintre care unii executa pe disc, astfel incat sa poata scala pana la 100 de GB pe un singur nod. Sunt potrivite in special pentru manipularea unui corpus mare de date text sau date categorice de inalta dimensiune. Va permite sa rulati aceste functii local pe masini Windows sau Linux sau pe clustere Azure HDInsight (Hadoop / Spark).

Modele pre-instruite pentru analiza sentimentului si caracterizarea imaginii pot fi, de asemenea, instalate si implementate cu MicrosoftML. Pentru mai multe informatii despre modelele si exemplele pre-instruite, consultati mostrele R pentru MicrosoftML si exemplele Python pentru MicrosoftML.

Potriviti algoritmii cu sarcinile de invatare automata

Potrivirea transformarilor de date si a algoritmilor de invatare automata cu sarcini adecvate in domeniul stiintei datelor este esentiala pentru proiectarea aplicatiilor inteligente de succes.

Sarcini de invatare automata

De MicrosoftML implementeaza algoritmi de pachete care pot efectua o varietate de sarcini de invatare asistata:

• clasificare binara : algoritmi care invata sa prezica careia dintre cele doua clase apartine o instanta de date. Acestea ofera invatare supravegheata in care intrarea unui algoritm de clasificare este un set de exemple etichetate. Fiecare exemplu este reprezentat ca un vector de caracteristica si fiecare eticheta este un numar intreg de valoare 0 sau 1. Iesirea unui algoritm de clasificare binara este un clasificator, care poate fi utilizat pentru a prezice eticheta noilor instante neetichetate.
• clasificare multi-clasa : algoritmi care invata sa prezica categoria unei instante de date. Acestea ofera invatare supravegheata in care intrarea unui algoritm de clasificare este un set de exemple etichetate. Fiecare exemplu este reprezentat ca un vector de caracteristica si fiecare eticheta este un numar intreg intre 0 si k-1, unde k este numarul de clase. Iesirea unui algoritm de clasificare este un clasificator, care poate fi folosit pentru a prezice eticheta unei noi instante neetichetate.
• regresie : algoritmi care invata sa prezica valoarea unei variabile dependente dintr-un set de variabile independente conexe. Algoritmii de regresie modeleaza aceasta relatie pentru a determina modul in care se modifica valorile tipice ale variabilelor dependente pe masura ce valorile variabilelor independente sunt variate. Acestea ofera invatare supravegheata in care intrarea unui algoritm de regresie este un set de exemple cu variabile dependente de valori cunoscute. Iesirea unui algoritm de regresie este o functie, care poate fi utilizata pentru a prezice valoarea unei noi instante de date ale carei variabile dependente nu sunt cunoscute.
• detectarea anomaliilor : algoritmi care identifica valori aberante care nu apartin unei anumite clase tinta sau care se conformeaza unui model asteptat. Detectarea anomaliilor dintr-o clasa este un tip de invatare nesupravegheata, deoarece datele de intrare contin doar date provenite din clasa tinta si nu contin cazuri de anomalii de la care sa inveti.

Algoritmi de invatare automata

Tabelul urmator rezuma algoritmii MicrosoftML, sarcinile pe care le accepta, scalabilitatea acestora si enumera cateva exemple de aplicatii.

Algoritm (R / Python) Sarcina ML acceptata Scalabilitate Exemple de aplicatii rxFastLiner () /

rx_fast-linear () Clasificare binara a

modelului liniar rapid

(SDCA), regresie liniara #cols: ~ 1B;

# randuri: ~ 1B;

Procesor: predictie implicita ipoteca multi-proc, filtrare e-mail spam rxOneClassSvm () /

rx_oneclass-svm ()

coli de detectare anomalie OneClass SVM: ~ 1K;

#rows: legat de RAM;

CPU: single-proc Detectie frauda card de credit rxFastTrees () /

rx_fast-trees ()

Clasificare binara Fast Tree, regresie #cols: ~ 50K;

#rows: legat de RAM;

CPU: predictie de faliment multi-proc rxFastForest () /

rx_fast-forest ()

Clasificare binara Fast Forest, regresie #cols: ~ 50K;

#rows: legat de RAM;

CPU: Multi-proc Churn Prediction rxNeuralNet () /

rx_neural_network ()

Neural Network binary and multiclass classification, regression #cols: ~ 10M;

#rows: Inf;

CPU: multi-proc CUDA GPU Verifica recunoasterea semnaturii, OCR, Click Prediction rxLogisticRegression () /

rx_logistic-regression ()

Regresie logistica clasificare binara si multiclassa #cols: ~ 100M;

#rows: Inf pentru CPU single-proc

#rows: RAM-bound pentru CPU multi-proc. Clasificarea sentimentelor din feedback

Datele se transforma

MicrosoftML ofera, de asemenea, transformari pentru a va ajuta sa va personalizati datele pentru invatarea automata. Acestea sunt folosite pentru a va curata, cearta, instrui si puncta datele. Pentru o descriere a transformarilor, consultati Transformari R de invatare automata si Python de invatare automata transforma documentatia de referinta.

Pasii urmatori

Pentru documentatie de referinta despre transformarile si functiile individuale R in ajutorul produsului, consultati MicrosoftML: algoritmi de invatare automata.

Pentru documentatie de referinta despre transformarile si functiile individuale Python in ajutorul produsului, consultati MicrosoftML: algoritmi de invatare automata.

Pentru indrumari la alegerea algoritmului corespunzator de invatare automata din pachetul MicrosoftML, consultati Foaia de cheat: Cum sa alegeti un algoritm MicrosoftML.

Vezi si

Server de invatare automata

Esantioane R pentru MicrosoftML

Exemple de Python pentru MicrosoftML