Azure Fundamentals · 课时

Azure 机器学习工作室

熟悉 Azure Machine Learning Studio，在表格数据集上运行自动化机器学习实验，并将最佳模型部署为实时评分终结点。

Azure 机器学习工作室 是 CoddyKit 上的免费 Azure Fundamentals 课时。这是第 3 节课，共 4 节。你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。这是 Azure Fundamentals 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 Azure Fundamentals 课程共包含 4 节课。

什么是 Azure 机器学习？

Azure 机器学习（Azure ML） 是一个托管云平台，支持完整的机器学习生命周期，包括数据准备、实验跟踪、模型训练、评估、部署和监视。Azure AI 服务提供预构建的 AI 功能，而 Azure ML 则允许您使用自己的数据，借助任意机器学习框架训练自己的模型，例如 scikit-learn、TensorFlow、PyTorch、XGBoost 等。对于在 Azure 中工作的数据科学家和机器学习工程师而言，这是首选平台。

Azure 机器学习工作区

Azure 机器学习工作区 是顶层资源，用于关联所有机器学习资源，包括计算群集、数据集、实验、模型和部署。创建工作区时，Azure 会自动预配关联的存储帐户（用于存储数据）、密钥保管库（用于存储机密）、Application Insights（用于监视部署），以及可选的容器注册表（用于自定义环境）。机器学习项目中的所有内容都位于同一个工作区中，从而简化协作和治理。

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

Azure 机器学习工作室界面

Azure 机器学习工作室是 Azure 机器学习工作区的基于 Web 的用户界面，地址为 ml.azure.com。它将工作组织成多个部分：笔记本（用于交互式编码的 Jupyter 环境）、自动化机器学习（无需编写代码的模型训练）、设计器（用于构建拖放式管道）、作业（训练运行历史和指标）、模型（模型注册表）、终结点（已部署的模型 API）以及数据（数据集管理）。工作室同时面向数据科学家和机器学习工程师设计。

自动化机器学习（AutoML）

自动化机器学习会自动完成选择算法和超参数的迭代过程。您需要提供带标签的数据集，指定任务类型（分类、回归或时间序列预测），选择目标列，并设置时间预算。AutoML 会并行训练数百个候选模型，逐一评估后返回排名列表。最佳模型会自动注册到模型注册表中，并且只需单击一次即可部署。即使没有机器学习专业知识，也能获得可用的模型。

# 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

计算目标

Azure 机器学习支持多种用于训练和推理的计算目标。计算实例是用于交互式笔记本开发的单节点托管虚拟机。计算群集是可自动缩放的多节点群集（空闲时缩减到 0），用于运行训练作业。无服务器计算无需管理群集——您提交作业后，Azure 机器学习会自动选择并预配计算资源。对于推理，您可以部署到托管在线终结点（实时）、批处理终结点或Azure Kubernetes Service。

# 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

实验跟踪和 MLflow

Azure 机器学习已与开源机器学习实验跟踪库 MLflow 集成。使用 mlflow.log_metric() 和 mlflow.log_param() 记录指标、参数和项目时，Azure 机器学习会自动将它们存储在工作区的实验历史记录中。您可以在工作室中比较不同实验的运行结果，以确定最佳超参数组合。MLflow 模型记录功能（mlflow.sklearn.log_model()）还可以直接将模型注册到 Azure 机器学习模型注册表。

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)

负责任的 AI 仪表板

Azure 机器学习工作室包含负责任的 AI 仪表板，可以分析训练好的模型的公平性、可解释性和错误情况。错误分析组件会找出测试数据集中模型表现最差的子群体。可解释性组件（使用 SHAP 或 LIME）会显示哪些特征对模型预测的影响最大。公平性评估会检查不同人口统计群体之间的预测错误率是否存在差异，帮助您在部署前识别并缓解偏差。

将模型部署为实时终结点

若要部署训练好的模型以进行实时推理，您需要在 Azure 机器学习中创建一个托管在线终结点。一个终结点可以包含一个或多个部署，每个部署都是模型的一个版本，并拥有自己的计算配置。您需要指定模型、评分脚本（入口点）和计算实例类型。为了安全地推出新模型版本，可以在不同部署之间拆分流量（例如将 90% 的流量分配给蓝色部署，10% 分配给绿色部署）。终结点会公开一个 HTTPS REST 应用程序接口。

# 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

用于大规模评分的批处理终结点

批处理终结点会在大型数据集上异步运行推理，而不是一次为一条记录评分。您可以提交一个指向输入数据集（位于 Azure Blob Storage 中）的批处理作业，终结点会在计算群集上并行处理数据。结果会写入输出位置。批量推理非常适合每日客户流失预测、每月信用风险评分或每夜对新上传内容进行图像分类等场景——这些场景对单个请求的延迟要求不高，但重视吞吐量。

数据漂移和模型监视

部署后，随着现实世界中的数据模式发生变化，模型准确率可能会逐渐下降，这种现象称为数据漂移或模型漂移。Azure 机器学习提供模型监视功能，会将生产推理数据与训练基线进行比较，并在统计漂移超过阈值时发出警报。您可以将监视作业安排为每天或每周运行。检测到明显漂移时，说明应使用近期数据重新训练模型，以保持预测质量。

用于自动化的机器学习管道

Azure 机器学习管道会将多步骤机器学习工作流编排为可重复使用、可参数化的管道，其中包括数据预处理、特征工程、模型训练、评估和条件部署。每个步骤都在自己的计算目标上运行。管道可以按计划运行（例如每周使用新数据重新训练），由 Azure Data Factory 触发，或通过 REST 应用程序接口调用。已发布的管道会在工作区中进行版本控制，从而为受监管行业提供可重现的机器学习实验和可审计性。

快速检查

测试您对本课 Microsoft Azure 基础知识（AZ-900）概念的理解。

课程回顾

在本课中，您学习了以下内容：Azure 机器学习工作室为从数据到已部署模型的完整机器学习生命周期提供统一的用户界面；AutoML无需机器学习专业知识即可自动选择算法并调整超参数；托管在线终结点和批处理终结点可以将训练好的模型部署为 REST 应用程序接口，以进行实时评分或大规模异步评分。接下来，我们将学习 Azure OpenAI Service，了解如何将大型语言模型集成到应用程序中。

常见问题解答

「Azure 机器学习工作室」课时是免费的吗？

是的 — 「Azure 机器学习工作室」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 Azure Fundamentals 课程的其余内容，请升级到 CoddyKit PRO。 Azure Fundamentals 课程共包含 4 节课。

「Azure 机器学习工作室」这节课中我会学到什么？

熟悉 Azure Machine Learning Studio，在表格数据集上运行自动化机器学习实验，并将最佳模型部署为实时评分终结点。你通过在浏览器中直接运行的动手代码来练习 Azure Fundamentals，全天候 AI 导师会在你学习这节课的过程中回答你的问题。

学习 Azure Fundamentals 需要有经验吗？

无需任何先前经验。CoddyKit 上的 Azure Fundamentals 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。这是第 3 节课，共 4 节。

「Azure 机器学习工作室」课时需要多长时间？

大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。

我能在这节 Azure Fundamentals 课中编写并运行代码吗？

能。每节 Azure Fundamentals 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。

此课程中的所有课时

← 返回 Azure Fundamentals