Azure：Azure机器学习服务入门与实践.docx

Azure：Azure 机器学习服务入门与实践

1 Azure 机器学习服务概述

1.1 Azure 机器学习服务简介

Azure 机器学习服务是 Microsoft Azure 平台上的一个全面的机器学习解决

方案，它提供了从数据准备、模型训练、模型部署到模型管理的完整流程。无

论是数据科学家、机器学习工程师还是业务分析师，Azure 机器学习服务都能提

供所需工具，支持从简单的数据分析到复杂的深度学习模型的构建。

序中。

� 模型管理：通过模型注册和版本控制，实现模型的生命周期管理。

1.2 机器学习在 Azure 中的应用场景

Azure 机器学习服务广泛应用于各种场景，包括但不限于：

� 预测分析：基于历史数据预测未来趋势，如销售预测、设备故障

预测等。

� 个性化推荐：通过用户行为数据，提供个性化的产品或内容推荐。

� 自然语言处理：实现文本分析、情感分析、聊天机器人等功能。

� 计算机视觉：图像识别、视频分析，用于安全监控、产品检测等。

1.2.1 示例：使用 Azure 机器学习进行销售预测

import pandas as pd

from azureml.core import Workspace

from azureml.data import SqlDatastore

ws = Workspace.from_config()

sql_ds = SqlDatastore(workspace=ws, name='RetailSalesData')

query = "SELECT * FROM sales WHERE date > '2020-01-01'"

data = sql_ds.to_pandas_dataframe(sql_query=query)

X = data[['date', 'product_category']]

y = data['sales_quantity']

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

model = LinearRegression()

model.fit(X_train, y_train)

y_pred = model.predict(X_test)

mse = mean_squared_error(y_test, y_pred)

model_name = 'SalesPredictionModel'

Model.register(model_path='outputs/model.pkl', model_name=model_name, workspace=ws)

aci_config = AciWebservice.deploy_configuration(cpu_cores=1, memory_gb=1)

service = Model.deploy(workspace=ws, name='sales-prediction-service', models=[model], config

=aci_config)

service.wait_for_deployment(show_output=True)

1.3 Azure 机器学习服务与其他 Azure 服务的集成

Azure 机器学习服务可以无缝集成到 Azure 的其他服务中，如 Azure

import json

def main(req: func.HttpRequest) -> func.HttpResponse:

#

data = req.get_json()

#

response = requests.post('http://<model-service-url>', json=data)

#

prediction = json.loads(response.text)['prediction']

#

return func.HttpResponse(f"Predicted Sales: {prediction}")

2.1 创建 Azure 机器学习工作区

在开始使用 Azure 机器学习服务之前，首先需要创建一个工作区。工作区

是 Azure 机器学习服务的核心概念，它是一个容器，用于存储与你的机器学习

项目相关的所有资源，包括计算资源、数据存储、模型和实验。

2.1.1 步骤 1: 登录 Azure 门户

首先，登录到 Azure 门户，使用你的 Azure 订阅账户。

2.1.2 步骤 2: 创建工作区

1. 在 Azure 门户的左侧菜单中，选择“创建资源”。

2. 在搜索框中输入“机器学习工作区”，然后从结果中选择“机器学

习服务”。

以下是一个 Python 示例，展示如何使用 SDK 来获取和配置工作区。

from azureml.core import Workspace

subscription_id = 'your-subscription-id'

resource_group = 'your-resource-group'

workspace_name = 'your-workspace-name'

ws = Workspace(subscription_id, resource_group, workspace_name)

subscription-id、your-resource-group 和 your-workspace-name 为你的实际 Azure

订阅和工作区信息。

2.3 管理资源

Azure 机器学习工作区允许你管理计算资源、数据存储和模型。以下是一个

示例，展示如何使用 SDK 来管理计算实例。

from azureml.core.compute import ComputeTarget, AmlCompute

from azureml.core.compute_target import ComputeTargetException

ws = Workspace.from_config()

#

compute_config = AmlCompute.provisioning_configuration(vm_size='STANDARD_DS11_V2', m

ax_nodes=4)

compute_target = ComputeTarget.create(ws, 'your-compute-name', compute_config)

compute_target.wait_for_completion(show_output=True)

2.3.1 步骤 1: 获取工作区

使用 Workspace.from_config()方法从本地配置文件中加载工作区信息。

2.3.2 步骤 2: 创建或获取计算实例

使用 ComputeTarget 和 AmlCompute 类来创建或获取计算实例。如果计算