探索 Azure Machine Learning 工作區

Azure Machine Learning 提供資料科學平台來定型和管理機器學習模型。 在此實驗室中，您將建立 Azure Machine Learning 工作區，並探索各種使用工作區的方式。 實驗室旨在介紹 Azure Machine Learning 和開發人員工具的各種核心功能。 如果您想要更深入地了解功能，還有其他實驗室可供探索。

在您開始使用 Intune 之前

您將需要具有系統管理層級存取權的 Azure 訂用帳戶。

佈建 Azure Machine Learning 工作區

Azure Machine Learning 工作區 提供一個集中位置，可用來管理您需要定型和管理模型的所有資源和資產。 您可以在 Azure 入口網站中使用互動式介面來佈建工作區，或使用 Azure CLI 搭配 Azure Machine Learning 延伸模組。 在大部分的生產案例中，最好使用 CLI 將佈建自動化，讓您可將資源部署併入可重複的開發與作業 (DevOps) 程序。

在此練習中，您將使用 Azure 入口網站佈建 Azure Machine Learning 以探索所有選項。

  1. 登入 https://portal.azure.com/。
  2. 使用下列設定建立新的 Azure Machine Learning 資源：
    • 訂用帳戶：您的 Azure 訂用帳戶**
    • 資源群組：rg-dp100-labs
    • 工作區名稱：mlw-dp100-labs
    • 區域：選取最接近您所在位置的地理區域
    • 儲存體帳戶：記下將為您的工作區建立的預設新儲存體帳戶**
    • 金鑰保存庫：記下將為您的工作區建立的預設新金鑰保存庫**
    • Application Insights：記下將為您的工作區建立的預設新 Application Insights 資源**
    • 容器登錄：無 (在您第一次將模型部署到容器時，系統將會自動建立一個**)
  3. 等候工作區及其相關聯的資源建立完成 - 這通常需要大約 5 分鐘的時間。

注意：在建立 Azure Machine Learning 工作區後，您可以使用一些進階選項來限制透過私人端點的存取，並指定資料加密的自訂金鑰。 我們不會在此練習中使用這些選項，但請您記得並留意這些選項！

探索 Azure Machine Learning 工作室

Azure Machine Learning 工作室是一個 Web 型入口網站，您可透過它來存取 Azure Machine Learning 工作區。 您可使用 Azure Machine Learning Studio 來管理工作區內的所有資產和資源。

  1. 移至名為 rg-dp100-labs 的資源群組。
  2. 確認資源群組包含您的 Azure Machine Learning 工作區、Application Insights、Key Vault 和儲存體帳戶。
  3. 選取您的 Azure Machine Learning 工作區。
  4. 從 [概觀]** 頁面選取 [啟動工作室]**。 另一個索引標籤會在瀏覽器中開啟，以開啟 Azure Machine Learning 工作室。
  5. 關閉任何出現在工作室中的快顯視窗。
  6. 請注意工作室左側顯示的不同頁面。 如果功能表中只顯示符號，請選取 ☰ 圖示以展開功能表，並探索頁面的名稱。
  7. 請注意 [撰寫]** 區段，其中包含 [筆記本]、[自動化 ML]** 和 [設計工具]**。 這些是您可以在 Azure Machine Learning 工作室中建立自己的機器學習模型的三種方式。
  8. 請注意 [資產]** 區段，其中包含 [資料]、[作業]** 及 [模型]**。 在定型或評分模型時，會取用或建立資產。 資產用於定型、部署及管理您的模型，並可設定版本以追蹤您的歷程記錄。
  9. 請注意 [管理]** 區段，其中包含 [計算]**。 這些是定型或部署機器學習模型所需的基礎結構資源。

使用 AutoML 定型模型

若要探索 Azure Machine Learning 工作區中的資產和資源使用方式，讓我們嘗試並定型模型。

使用 AutoML** 選項，快速定型及尋找**工作的最佳模型。

注意：整個過程中可能會出現快顯項目來引導您使用工作室。 您可以關閉並忽略所有快顯項目，並將焦點放在此實驗室的指示。

  1. 下載將用於 https://github.com/MicrosoftLearning/mslearn-azure-ml/raw/refs/heads/main/Labs/02/diabetes-data.zip 並擷取壓縮檔案的定型數據。
  2. 回到 Azure Machine Learning 工作室，從 Studio 左側的功能表中選取 [AutoML] 頁面。
  3. 選取 [+ 新增自動化 ML 作業]。
  4. 在 [ 基本設定 ] 步驟中，為您的訓練作業和實驗提供唯一的名稱，或使用指派的預設值。 選取 [下一步]。
  5. 在 [工作類型與數據 ] 步驟中，選取 **[ 分類] 作為工作類型，然後選取 **[+ 建立] 以新增訓練數據。
  6. 在 [ 建立數據資產 ] 頁面上的 [數據類型 ] 步驟中，為您的數據資產命名（例如 training-data），然後選取 [ 下一步]。
  7. 在 [數據源] 步驟中，選取 [從本機檔案 ] 上傳您先前下載的定型數據。 選取 [下一步]。
  8. 在 [目的地記憶體類型] 步驟中，確認已選取 Azure Blob 儲存體 作為數據存放區類型，且已選取 workspaceblobstore。 選取 [下一步]。
  9. 在 MLTable 選取步驟中 ，選取 **[上傳資料夾]，然後選取您從稍早下載的壓縮檔擷取**的資料夾。 選取 [下一步]。
  10. 檢閱數據資產的設定，然後選取 [ 建立]。
  11. 回到 [ 工作類型與數據] 步驟，選取您剛才上傳的數據 ，然後選取 [ 下一步]。

提示：您可能需要再次選取 分類 工作類型，再移至下一個步驟。

  1. 在 [工作設定 ] 步驟中，選取 [糖尿病][布爾值] 作為您的目標數據行，然後開啟 [檢視其他組態設定] 選項。
  2. 在 [ 其他組態 ] 窗格中，將主要計量變更為 [精確度]，然後選取 [ 儲存]。
  3. 展開 [ 限制] 選項並設定下列屬性：
    • 最大試用版：10
    • 實驗逾時（分鐘）：60
    • 反覆專案逾時（分鐘）：15
    • 啟用早期終止：已核取
  4. 針對 [ 測試數據]，選取 [定型測試分割 ]，並確認 數據的 百分比測試為 10。 選取 [下一步]。
  5. 在 [計算] 步驟中，確認計算類型為無服務，且選取的虛擬機大小Standard_DS3_v2**。 選取 [下一步]。

注意：計算執行個體和叢集是以標準 Azure 虛擬機器映像為基礎。 在此練習中 ，建議使用Standard_DS3_v2 映射，以達到成本和效能的最佳平衡。 如果您的訂用帳戶具有不包含此映像的配額，請選擇替代映像；但請記得，較大的映像可能會產生較高的成本，而較小的映像可能不足以完成工作。 或者，請要求您的 Azure 系統管理員擴大您的配額。

  1. 檢閱您的所有設定，然後選取 [ 提交訓練作業]。

使用作業來檢視您的歷程記錄

提交作業之後，系統會將您重新導向至作業的頁面。 作業可讓您追蹤您執行的工作負載，且彼此比較。 作業屬於實驗，可讓您將作業執行分組在一起。

  1. 請注意，在 [概觀 ] 參數中，您可以找到作業的狀態、建立者、建立作業的時間，以及執行所花費的時間（以及其他專案）。

  2. 訓練工作需要 10-20 分鐘才能完成。 完成時，您也可以檢視每個個別元件執行的詳細數據，包括輸出。 您可以隨意探索作業頁面，以瞭解模型的定型方式。

    Azure 機器學習 會自動追蹤作業的屬性。 藉由使用作業，您可以輕鬆地檢視歷程記錄，以瞭解您或同事已完成的工作。 在實驗期間，作業可協助追蹤您定型的不同模型，以比較和識別最佳模型。 在生產期間，作業可讓您檢查自動化工作負載是否如預期般執行。

刪除 Azure 資源

當您完成探索 Azure Machine Learning 時，應該刪除您所建立的資源，以避免產生不必要的 Azure 成本。

  1. 關閉 [Azure Machine Learning 工作室] 索引標籤，然後返回 Azure 入口網站。
  2. 在 Azure 入口網站的 [首頁]** 上，選取 [資源群組]**。
  3. 選取 rg-dp100-labs 資源群組。
  4. 在資源群組的 [概觀]** 頁面頂端，選取 [刪除資源群組]**。
  5. 輸入資源群組名稱以確認要刪除，然後選取 [刪除]**。