Slide 1

Slide 1 text

Azure Machine Learning ハンズオンシリーズ 基礎編 2021年6月11日(金) 16:00 - 17:30

Slide 2

Slide 2 text

Slack ワークスペース

Slide 3

Slide 3 text

No content

Slide 4

Slide 4 text

No content

Slide 5

Slide 5 text

No content

Slide 6

Slide 6 text

No content

Slide 7

Slide 7 text

Azure Machine Learning

Slide 8

Slide 8 text

Azure M achine Learning service 実験的なモデル開発 ⾃動機械学習 デザイナー Pytyon / R モデル検証 パッケー ジ化と Azure Container Instnaces での検証 モデル学習 コンピュー ティング クラスター モニタリング モデルのモニタリング デプロイ スケー ラブルな kubernetes サ ー ビス へ のデプロイ CI/CD & モデル再学習 GitHub & Azure DevOps 統合・連携

Slide 9

Slide 9 text

Responsible Industry leading MLOps Open & Interoperable For all skill levels あらゆるスキルレベルに対応し、 ML の生産性を向上 機械学習ライフサイクル の運用管理 責任のある ML ソリューションの構築 オープンテクノロジーの採用 と相互運用性の実現

Slide 10

Slide 10 text

https://aka.ms/ml-docs

Slide 11

Slide 11 text

No content

Slide 12

Slide 12 text

Azure Machine Learning Workspace とは? アーキテクチャと主要な概念 - Azure Machine Learning | Microsoft Docs 関連 Azure サービス リソース アセット

Slide 13

Slide 13 text

付属リソース Storage Key Vault Container Registry App Insights モデル推論サービス AKS Cluster ACI 学習データのデータソース Storage Data Lake SQL モデル学習のサービス Compute Instance Compute Clusters 多くの PaaS サービスに 依存している ※ Microsoft Managed のため、Azure Portal からは見えない

Slide 14

Slide 14 text

No content

Slide 15

Slide 15 text

No content

Slide 16

Slide 16 text

No content

Slide 17

Slide 17 text

https://aka.ms/titanic0611

Slide 18

Slide 18 text

No content

Slide 19

Slide 19 text

作成者 • Notebooks - コーディング環境 • Automated ML - 自動機械学習 • Designer - GUI 機械学習プロセス実行 アセット • Datasets - データの登録と管理 • Experiments - 実験記録 • Pipelines - 学習・推論のパイプライン • Models - モデル管理 • Endpoints - エンドポイント管理 管理 (環境・データ) • Compute - 学習・推論の計算環境 • Datastores - データソースの設定 • Data Labeling - ラベリング機能

Slide 20

Slide 20 text

Python & R ユーザも Azure ML studio を併用します

Slide 21

Slide 21 text

ユーザーの入力 特徴量 エンジニアリング アルゴリズム の選択 ハイパーパラメータ のチューニング モデルの リーダーボードと解釈 データセット 設定と制約 76% 34% 82% 41% 88% 72% 81% 54% 73% 88% 90% 91% 95% 68% 56% 89% 89% 79% 順位 モデル スコア 1 95% 2 76% 3 53% … 自動機械学習は、与えられたデータに対して「最高のモデル」を探索するために、 特徴量エンジニアリング、アルゴリズムとハイパーパラメータの選択を自動実行します。

Slide 22

Slide 22 text

• 直感的なマウス操作でパイプライン構築 • 特徴量エンジニアリング • モデル学習 (回帰、分類、クラスタリング) • 推論 (リアルタイム & バッチ) • カスタムモデル・スクリプト (Python, R) 機械学習のモデル構築、テスト、デプロイするためのビジュアルパイプライン ※ 参考 : Azure Machine Learning デザイナー とは https://docs.microsoft.com/ja-jp/azure/machine-learning/concept-designer

Slide 23

Slide 23 text

Python & R の実装をサポートする実験環境

Slide 24

Slide 24 text

• 様々なスペックのVMを選択・起動 • 自動スケールアウト・ダウン • ジョブ管理、スケジュール管理 学習コード train train train ジョブ・スケジュール管理 • Job に必要なライブラリ・データを自動で準備 ・・・ • 低優先度オプション : 80% 割引で利用可能 モデル学習・推論のためのクラウドネイティブなクラスター環境

Slide 25

Slide 25 text

No content

Slide 26

Slide 26 text

Machine Learning Practices & Tips Microsoft Machine Learning Collection Data Scientist 向けページ

Slide 27

Slide 27 text

機械学習プロジェクトを進めるためのガイドブック Machine Learning Best Practices (azure.github.io)

Slide 28

Slide 28 text

microsoft/machine-learning-collection: machine learning tech collections at Microsoft and subsidiaries.

Slide 29

Slide 29 text

Python による機械学習入門 編 2021年6月25日(金) 16:00 - 17:30 https://dllab.connpass.com/event/214093/

Slide 30

Slide 30 text

https://forms.office.com/r/dV5heemZnv

Slide 31

Slide 31 text

No content

Slide 32

Slide 32 text

No content