Azure Fundamentals · पाठ

Azure Machine Learning Studio

पाठ 3, कुल 4 में से13 चरण

Azure Machine Learning Studio, CoddyKit पर Azure Fundamentals का एक निःशुल्क पाठ है। यह 4 में से 3वाँ पाठ है। आप नीचे पूरा पाठ निःशुल्क पढ़ सकते हैं—फिर अंतर्निहित कोड संपादक और 24/7 एआई ट्यूटर के साथ ब्राउज़र में इसका व्यावहारिक अभ्यास कर सकते हैं। यह Azure Fundamentals सीखने के मार्ग का हिस्सा है और आपकी प्रगति वेब तथा CoddyKit ऐप पर सिंक होती रहती है। Azure Fundamentals पाठ्यक्रम में कुल 4 पाठ शामिल हैं।

Azure Machine Learning क्या है

Azure Machine Learning (Azure मशीन लर्निंग) पूरे मशीन लर्निंग जीवनचक्र के लिए एक प्रबंधित क्लाउड प्लेटफ़ॉर्म है — डेटा तैयार करना, प्रयोगों का अभिलेखन, मॉडल प्रशिक्षण, मूल्यांकन, परिनियोजन और निगरानी। Azure AI Services के विपरीत (जो पहले से निर्मित AI प्रदान करता है), Azure मशीन लर्निंग आपको अपने डेटा पर किसी भी ML फ़्रेमवर्क का उपयोग करके अपने मॉडल प्रशिक्षित करने देता है: scikit-learn, TensorFlow, PyTorch, XGBoost और अन्य। Azure में काम करने वाले डेटा वैज्ञानिकों और ML इंजीनियरों के लिए यह पसंदीदा प्लेटफ़ॉर्म है।

Azure ML कार्यक्षेत्र

Azure ML कार्यक्षेत्र वह शीर्ष-स्तरीय संसाधन है जो सभी ML संसाधनों को एक साथ जोड़ता है: कंप्यूट क्लस्टर, डेटासेट, प्रयोग, मॉडल और परिनियोजन। जब आप कोई कार्यक्षेत्र बनाते हैं, तो Azure स्वचालित रूप से उससे जुड़े Storage account (डेटा के लिए), Key Vault (गोपनीय जानकारी के लिए), Application Insights (परिनियोजन की निगरानी के लिए) और वैकल्पिक रूप से Container Registry (कस्टम परिवेशों के लिए) का प्रावधान करता है। ML प्रोजेक्ट में सब कुछ एक ही कार्यक्षेत्र के अंदर रहता है, जिससे सहयोग और शासन सरल हो जाते हैं।

# Create an Azure ML workspace
az ml workspace create \
  --name myMLWorkspace \
  --resource-group myRG \
  --location eastus

Azure ML Studio इंटरफ़ेस

Azure ML Studio ml.azure.com पर उपलब्ध Azure ML कार्यक्षेत्र का वेब-आधारित UI है। यह कार्य को इन अनुभागों में व्यवस्थित करता है: Notebooks (इंटरैक्टिव कोडिंग के लिए Jupyter परिवेश), Automated ML (बिना कोड के मॉडल प्रशिक्षण), Designer (खींचकर छोड़ने वाला पाइपलाइन निर्माता), Jobs (प्रशिक्षण रन का इतिहास और मेट्रिक्स), Models (मॉडल रजिस्ट्री), Endpoints (परिनियोजित मॉडल API) और Data (डेटासेट प्रबंधन)। Studio डेटा वैज्ञानिकों और ML इंजीनियरों दोनों के लिए बनाया गया है।

Automated ML (AutoML)

Automated ML एल्गोरिदम और हाइपरपैरामीटर चुनने की दोहराव वाली प्रक्रिया को स्वचालित करता है। आप लेबल वाला डेटासेट देते हैं, कार्य का प्रकार (वर्गीकरण, प्रतिगमन या समय-श्रृंखला पूर्वानुमान) निर्धारित करते हैं, लक्ष्य कॉलम चुनते हैं और समय-सीमा तय करते हैं। AutoML समानांतर रूप से सैकड़ों संभावित मॉडल प्रशिक्षित करता है, प्रत्येक का मूल्यांकन करता है और क्रमबद्ध लीडरबोर्ड लौटाता है। सर्वश्रेष्ठ मॉडल मॉडल रजिस्ट्री में स्वचालित रूप से पंजीकृत हो जाता है और एक क्लिक से परिनियोजित किया जा सकता है। कार्यशील मॉडल प्राप्त करने के लिए ML विशेषज्ञता आवश्यक नहीं है।

# Submit an AutoML job via CLI v2
az ml job create \
  --file automl_job.yaml \
  --resource-group myRG \
  --workspace-name myMLWorkspace

# automl_job.yaml excerpt:
# type: automl
# task: classification
# primary_metric: accuracy
# training_data:
#   path: azureml:myDataset:1
# target_column_name: label
# n_cross_validations: 5

कंप्यूट लक्ष्य

Azure ML प्रशिक्षण और अनुमान के लिए कई कंप्यूट लक्ष्यों का समर्थन करता है। कंप्यूट इंस्टेंस एकल-नोड वाले प्रबंधित VMs हैं, जिनका उपयोग इंटरैक्टिव नोटबुक विकास के लिए किया जाता है। कंप्यूट क्लस्टर स्वतः-स्केल होने वाले बहु-नोड क्लस्टर हैं (निष्क्रिय होने पर 0 तक स्केल होते हैं), जिनका उपयोग प्रशिक्षण कार्यों के लिए किया जाता है। सर्वरलेस कंप्यूट में क्लस्टर प्रबंधन की आवश्यकता नहीं होती — आप कोई कार्य सबमिट करते हैं और Azure ML कंप्यूट को स्वचालित रूप से चुनकर उसका प्रावधान करता है। अनुमान के लिए आप प्रबंधित ऑनलाइन एंडपॉइंट (रीयल-टाइम), बैच एंडपॉइंट या Azure Kubernetes Service पर परिनियोजित कर सकते हैं।

# Create a compute cluster for training
az ml compute create \
  --name myTrainCluster \
  --resource-group myRG \
  --workspace-name myMLWorkspace \
  --type AmlCompute \
  --size Standard_DS3_v2 \
  --min-instances 0 \
  --max-instances 4

प्रयोग ट्रैकिंग और एमएलफ़्लो

Azure ML में एमएलफ़्लो एकीकृत है, जो ओपन-सोर्स ML प्रयोग ट्रैकिंग लाइब्रेरी है। जब आप mlflow.log_metric() और mlflow.log_param() का उपयोग करके मेट्रिक्स, पैरामीटर और कलाकृतियाँ लॉग करते हैं, तो Azure ML उन्हें कार्यक्षेत्र के प्रयोग इतिहास में स्वचालित रूप से संग्रहीत करता है। सर्वश्रेष्ठ हाइपरपैरामीटर संयोजन पहचानने के लिए आप Studio में अलग-अलग प्रयोगों के रन की तुलना कर सकते हैं। MLflow मॉडल लॉगिंग (mlflow.sklearn.log_model()) भी मॉडलों को सीधे Azure ML मॉडल रजिस्ट्री में पंजीकृत करती है।

import mlflow

# In your training script
mlflow.autolog()  # auto-logs params, metrics, and models
with mlflow.start_run():
    # train your model here
    model.fit(X_train, y_train)
    accuracy = model.score(X_test, y_test)
    mlflow.log_metric('accuracy', accuracy)

उत्तरदायी AI डैशबोर्ड

Azure ML Studio में एक उत्तरदायी AI डैशबोर्ड शामिल है, जो आपके प्रशिक्षित मॉडल का निष्पक्षता, व्याख्येयता और त्रुटि विश्लेषण के लिए विश्लेषण करता है। त्रुटि विश्लेषण घटक परीक्षण डेटासेट के उन उपसमूहों की पहचान करता है जहाँ मॉडल का प्रदर्शन सबसे खराब होता है। व्याख्येयता घटक (SHAP या LIME का उपयोग करके) दिखाता है कि कौन-सी विशेषताएँ मॉडल के पूर्वानुमानों को सबसे अधिक प्रभावित करती हैं। निष्पक्षता आकलन जाँचता है कि जनसांख्यिकीय समूहों में पूर्वानुमान त्रुटि दरें अलग-अलग तो नहीं हैं, जिससे आप परिनियोजन से पहले पक्षपात की पहचान कर उसे कम कर सकते हैं।

मॉडल को रीयल-टाइम एंडपॉइंट के रूप में परिनियोजित करना

प्रशिक्षित मॉडल को रीयल-टाइम अनुमान के लिए परिनियोजित करने हेतु आप Azure ML में एक प्रबंधित ऑनलाइन एंडपॉइंट बनाते हैं। किसी एंडपॉइंट में एक या अधिक परिनियोजन होते हैं — प्रत्येक परिनियोजन अपने कंप्यूट कॉन्फ़िगरेशन वाला मॉडल का एक संस्करण होता है। आप मॉडल, एक स्कोरिंग स्क्रिप्ट (प्रवेश बिंदु) और कंप्यूट इंस्टेंस का प्रकार निर्दिष्ट करते हैं। नए मॉडल संस्करणों को सुरक्षित रूप से जारी करने के लिए ट्रैफ़िक को परिनियोजनों के बीच बाँटा जा सकता है (जैसे, 90% नीले को और 10% हरे को)। एंडपॉइंट HTTPS REST API उपलब्ध कराता है।

# Deploy a model to a managed online endpoint
az ml online-endpoint create \
  --name myEndpoint \
  --resource-group myRG \
  --workspace-name myMLWorkspace

az ml online-deployment create \
  --endpoint-name myEndpoint \
  --name blue \
  --model azureml:myModel:1 \
  --instance-type Standard_DS2_v2 \
  --instance-count 1

बड़े पैमाने पर स्कोरिंग के लिए बैच एंडपॉइंट

बैच एंडपॉइंट एक-एक रिकॉर्ड को स्कोर करने के बजाय बड़े डेटासेट पर अतुल्यकालिक रूप से अनुमान चलाते हैं। आप किसी इनपुट डेटासेट (Azure Blob Storage में) की ओर संकेत करने वाला बैच कार्य सबमिट करते हैं और एंडपॉइंट उसे कंप्यूट क्लस्टर में समानांतर रूप से संसाधित करता है। परिणाम आउटपुट स्थान पर लिखे जाते हैं। बैच अनुमान दैनिक ग्राहक-त्याग पूर्वानुमान, मासिक क्रेडिट जोखिम स्कोरिंग या नई सामग्री अपलोड की रात में छवि वर्गीकरण जैसे परिदृश्यों के लिए आदर्श है — जहाँ प्रत्येक अनुरोध की विलंबता महत्वपूर्ण नहीं होती, लेकिन थ्रूपुट महत्वपूर्ण होता है।

डेटा ड्रिफ्ट और मॉडल निगरानी

परिनियोजन के बाद, वास्तविक दुनिया के डेटा पैटर्न बदलने पर समय के साथ मॉडल की सटीकता घट सकती है — इस घटना को डेटा ड्रिफ्ट या मॉडल ड्रिफ्ट कहा जाता है। Azure ML मॉडल निगरानी प्रदान करता है, जो उत्पादन अनुमान डेटा की तुलना प्रशिक्षण आधाररेखा से करती है और सांख्यिकीय ड्रिफ्ट की सीमा पार होने पर चेतावनी देती है। आप निगरानी कार्यों को दैनिक या साप्ताहिक रूप से निर्धारित कर सकते हैं। जब महत्वपूर्ण ड्रिफ्ट का पता चलता है, तो यह पूर्वानुमान की गुणवत्ता बनाए रखने के लिए हाल के डेटा से मॉडल को फिर से प्रशिक्षित करने का संकेत होता है।

स्वचालन के लिए ML पाइपलाइन

Azure ML पाइपलाइन बहु-चरणीय ML कार्यप्रवाह — डेटा पूर्वप्रसंस्करण, फ़ीचर इंजीनियरिंग, मॉडल प्रशिक्षण, मूल्यांकन और सशर्त परिनियोजन — को पुनः उपयोग योग्य, पैरामीटरयुक्त पाइपलाइन के रूप में व्यवस्थित करती हैं। प्रत्येक चरण अपने कंप्यूट लक्ष्य पर चलता है। पाइपलाइन को निर्धारित समय पर चलाया जा सकता है (जैसे, नए डेटा पर साप्ताहिक पुनःप्रशिक्षण), Azure Data Factory द्वारा ट्रिगर किया जा सकता है या REST API के माध्यम से शुरू किया जा सकता है। प्रकाशित पाइपलाइन कार्यक्षेत्र में संस्करणबद्ध होती हैं, जिससे विनियमित उद्योगों के लिए पुनरुत्पाद्य ML प्रयोग और ऑडिट-योग्यता संभव होती है।

त्वरित जाँच

इस पाठ से Microsoft Azure Fundamentals (AZ-900) की अवधारणाओं की अपनी समझ जाँचें।

इंटरैक्टिव पाठ में इसका उत्तर दें

पाठ का पुनरावलोकन

इस पाठ में आपने सीखा: Azure ML Studio डेटा से लेकर परिनियोजित मॉडल तक पूरे ML जीवनचक्र के लिए एकीकृत UI प्रदान करता है, AutoML ML विशेषज्ञता के बिना एल्गोरिदम चयन और हाइपरपैरामीटर ट्यूनिंग को स्वचालित करता है, और प्रबंधित ऑनलाइन तथा बैच एंडपॉइंट प्रशिक्षित मॉडलों को रीयल-टाइम या बड़े पैमाने पर अतुल्यकालिक स्कोरिंग के लिए REST API के रूप में परिनियोजित करते हैं। आगे हम अनुप्रयोगों में बड़े भाषा मॉडलों को एकीकृत करने के लिए Azure OpenAI Service का अध्ययन करेंगे।

शुरुआत निःशुल्क

एआई शिक्षक के साथ Azure Fundamentals सीखें — निःशुल्क

अपने ब्राउज़र में वास्तविक कोड लिखें और चलाएँ, चौबीसों घंटे एआई शिक्षक से तुरंत सहायता पाएँ, और वेब या ऐप पर वहीं से शुरू करें जहाँ आपने छोड़ा था।

पाठ्यक्रम: 30
पाठ: 120

निःशुल्क सीखना शुरू करें पूरा पाठ्यक्रम देखें

अक्सर पूछे जाने वाले प्रश्न

क्या “Azure Machine Learning Studio” पाठ निःशुल्क है?

हाँ—“Azure Machine Learning Studio” का पूरा पाठ यहाँ वेब पर निःशुल्क पढ़ा जा सकता है। इंटरैक्टिव अभ्यास (अंतर्निहित कोड संपादक और 24/7 एआई ट्यूटर) करने और Azure Fundamentals पाठ्यक्रम का बाकी हिस्सा अनलॉक करने के लिए CoddyKit PRO लें। Azure Fundamentals पाठ्यक्रम में कुल 4 पाठ शामिल हैं।

“Azure Machine Learning Studio” में मैं क्या सीखूँगा?

Azure Machine Learning Studio में काम करना सीखें, सारणीबद्ध डेटासेट पर स्वचालित मशीन लर्निंग प्रयोग चलाएँ और सर्वोत्तम मॉडल को रीयल-टाइम स्कोरिंग एंडपॉइंट के रूप में परिनियोजित करें। आप ब्राउज़र में सीधे चलाए जाने वाले व्यावहारिक कोड के साथ Azure Fundamentals का अभ्यास करते हैं, और पाठ पूरा करते समय 24/7 एआई ट्यूटर आपके प्रश्नों के उत्तर देता है।

क्या Azure Fundamentals शुरू करने के लिए मुझे किसी अनुभव की आवश्यकता है?

पहले के अनुभव की आवश्यकता नहीं है। CoddyKit पर Azure Fundamentals शुरुआती से लेकर उन्नत शिक्षार्थियों तक सभी के लिए व्यवस्थित किया गया है, इसलिए आप यहीं से या शुरुआत से सीखना शुरू कर सकते हैं और अपनी गति से आगे बढ़ सकते हैं। यह 4 में से 3वाँ पाठ है।

“Azure Machine Learning Studio” पाठ पूरा करने में कितना समय लगता है?

CoddyKit का अधिकांश पाठ लगभग 5–10 मिनट में पूरा हो जाता है। हर पाठ छोटा और संवादात्मक है, इसलिए आप लगातार प्रगति करते हैं और वेब या ऐप पर वहीं से सीखना जारी रख सकते हैं जहाँ आपने छोड़ा था।

क्या मैं इस Azure Fundamentals पाठ में कोड लिख और चला सकता हूँ?

हाँ। हर Azure Fundamentals पाठ में एक अंतर्निर्मित कोड संपादक शामिल है, जिससे आप सीधे अपने ब्राउज़र में वास्तविक कोड लिख और चला सकते हैं और तुरंत एआई प्रतिक्रिया पा सकते हैं—स्थानीय सेटअप की आवश्यकता नहीं है।

इस पाठ्यक्रम के सभी पाठ

← Azure Fundamentals पर वापस जाएँ