Bu yazımızda Azure Machine Learning Studio üzerinde Automated Machine Learning (kısa adıyla AutoML) konusunun ilk parçasını ele alacağız. Azure ML Studio içinde yer alan en temel işlevlerden biri olan otomatikleştirilmiş makine öğrenimi, veri bilimcilerine “minimum tasarım ve kod” ile çoğunlukla sınıflandırma (classification) ve regresyon (regression) teknikleri kullanarak tahmin yapma fırsatı sunuyor. Azure AutoML’e geçmeden önce bahsi geçen sınıflandırma ve regresyon kavramlarından kısaca bahsedelim.
Hem sınıflandırma, hem de regresyon; supervised yani gözetimli öğrenim tekniğine dayanır. Supervised Learning yani gözetimli öğrenim tekniği; önceden toplanmış bir veri kümesi içinden (training data) bir grup verinin makinenin öğrenimi için ayrılmasının ardından, kalan grubun da öğrenilen ilk veri kümesi baz alınarak doğru tahmin yapılıp yapılmadığına ilişkin test amaçlı kullanılması ve tahminlerin öğrenilen ilk veri kümesine dayanarak yapılması esasına dayanır. Elimizdeki veri kümesi örnekleri; hasta verileri, otomobil özellikleri, uçak rötar kayıtları, çalışan gelir bilgileri gibi çeşitli bilgiler olabilir. Yapılacak olan tahminler de buna paralel olarak kişinin hasta olup olmadığı veya hasta ise ne hastası olduğu, verdiğiniz bilgilere göre sizin otomobilinizin tahmini fiyatı, uçağınızın rötar yapma olasılığı veya sahip olduğunuz özelliklere göre potansiyel aylık geliriniz olabilir. Eğer yapılacak olan tahmin sayısal ise yani fiyat, ücret v.b. bir bilgi ise yapacağımız çalışmaya regresyon (regression), evet / hayır (hasta veya hasta değil gibi bir tahminleme) veya önceden tanımlı bir sınıf ise (örneğin kalp hastası veya böbrek hastası olarak sınıflandırılmak) o zaman da sınıflandırma yani classification adı verilir.
Her iki teknikte de kullanılacak olan training datasının yani veri kümesinin sonucu etkileyen faktörleri içermesi, farklı türlerdeki veri çeşitliliğine sahip olması (geneli temsil) ve yeterli düzeyde veriden oluşması gereklidir. Örneğin diyabetli hastaları tahminleyecek olan bir algoritmayı besleyecek olan veri kümesinde diyabetliliği etkileyen faktörlerin yer alması (örneğin beden kitle indeksi, etken kan değerleri, boy, kilo, yaş, cinsiyet gibi..), yeterli miktarda kişiden veri toplanmış olması ve bu kişilerin de olabildiğince farklı kitlelerden olması ve bütünü temsil edebilmesi beklenir. Aksi halde makinenin öğrenmesi yetersiz olacaktır. Bu bağlamda yapılacak olan çalışmalarda ilgili sektörden bir uzman ile (subject matter expert, kısa adıyla SME); veri bilimcisinin birlikte çalışması ideal durumdur. Toplanacak olan verilerin çeşidi, kalitesi ve bütünü temsilinden uzman; bu verilerin işlenerek algoritmalara tabi tutulmasından ise veri bilimcisi sorumlu olacaktır. Verilerin değerlendirilmesinde her iki sorumlu da ortaklaşa yorumlar yapabilirler.
Verilerin hazırlanması takiben Azure Machine Learning Studio içinde yapılması gerekenleri sıralayalım. Öncelikle henüz Azure ML servisinizi oluşturmadıysanız portal.azure.com adresindeki aboneliğiniz içinden Azure ML Studio kaynağınızı oluşturup işlem sonunda Open Azure ML Studio linkine tıklayarak çalışma alanınızı (Azure ML Workspace) açmanız gerekmektedir.
Azure ML Studio içinde yapılması gereken öncelikli işlem bir compute resource yani algoritmaların üzerinde çalışacağı bir tür sanal makine oluşturmaktır. Bu bağlamda Azure ML Studio’da sol menüde yer alan Compute linkine tıklayarak Compute Instance seçerek devam edelim. Diğer seçeneklerden Compute Cluster ve diğerlerine daha sonra değineceğiz. Model oluşturmak için instance açmak bize yeterli olacaktır. Compute instance’ınıza bir isim verin (önerilen bir isim geldiyse onu tutabilirsiniz); konfigürasyon olarak da şimdilik minimum konfigürasyonu tercih edin . Makinenizin oluşturulması ve başlatılması birkaç dakika alabilir. Tüm Azure kaynaklarında olduğu gibi ML Compute kaynaklarının da kullanılmadığı zaman kapatılması (durdurulması) maliyetler açısından önemlidir. İşiniz bittiğinde mutlaka makinenizi durdurun.
Bir sonraki adımda veri kaynağı oluşturma ve AutoML işlemlerini adım adım yürüterek model çıktılarını yorumlayacağız.
Bu konuyla ilgili sorularınızı alt kısımda bulunan yorumlar alanını kullanarak sorabilirsiniz.
Referanslar
TAGs: Azure Machine Learning Studio, AutoML, Machine Learning
