Azure Machine Learningチュートリアルのバックアップ(No.3)

場所（リージョン）
- データ・パープライン系は「West US 2」辺りが良いかも。
- リージョン別の Azure 製品 | Microsoft Azure
  https://azure.microsoft.com/ja-jp/global-infrastructure/services/?products=databricks

その他、ストレージ系

ストレージ・アカウント
新規

キー・コンテナー
新規

Application Insight
新規

コンテナ・レジストリ
新規（なしのままでもOK
・osscjpdevinfraacr
・標準

ネットワーク
- ○：パブリック・エンドポイント
- プライベート・エンドポイント

詳細
既定値

[作成]ボタンを押下
ワークスペースの作成には数分かかる。
- 「デプロイが完了しました」が表示されたら、
- [リソースに移動]ボタンを押下する。
- [スタジオの起動]ボタンを押下する。
- Azure Machine Learning Studioに移動する。
- スタジオ起動後、右上の「⚙」メニューから言語の設定が可能。

使用量 + クォータ
- Azure Machine Learningのリソース画面で設定可能
- インスタンス、クラスタ作成の時、適宜、増やす必要がある。

エンドポイントの保護
パブリック・エンドポイントの場合
- IPアドレス制限
- Azure ADの認証が必要

IaC化

Azure CLIで

PowerShellで

参考

参考

↑

インスタンス †

Azure Machine Learning Studioから

作成開始の方法
- 左メニューから[コンピューティング]に移動し、
- [コンピューティングインスタンス]タブから[新規]を押下。

値を指定

コンピューティング名
myazmlcompとか

仮想マシンの種類
(CPU)　or GPU

仮想マシンのサイズ
既定値

詳細 > 設定の構成
既定値

[作成]ボタンを押下
コンピューティングインスタンスの作成には数分かかる。

↑

クラスタ †

Azure Machine Learning Studioから

作成開始の方法
- 左メニューから[コンピューティング]に移動し、
- [コンピューティングクラスタ]タブから[新規]を押下。

値を指定

場所
ワークスペースの場所

バーチャルマシン層
(専用)　or 低優先度

仮想マシンの種類
(CPU)　or GPU

仮想マシンのサイズ
既定値

設定の構成

コンピューティング名
myazmlclstとか

ノード数
・最小：0
・最大：1（クォータによって可変

スケールダウンする前のアイドル時間 (秒)
既定値（120秒

[作成]ボタンを押下
コンピューティングクラスタの作成には数分かかる。

↑

データを用いた学習と推論 †

↑

Automated ML（自動機械学習で、 †

↑

タイタニック生存者予測 †

https://aka.ms/titanic0611

をデータセットとして使用。

データセット

作成開始の方法
- 左メニューから[データセット]に移動し[データセットの作成]を押下。
- [ローカルファイルから]を選択して、以下の手順でアップロード

値を指定

基本情報・名前：Titanic.csv
・データセットの種類：表形式
・説明：任意の文字列
・[次へ]ボタンを押下

データストアとファイルの選択
・[参照] -> [ファイルの参照]でアップロード
・[次へ]ボタンを押下

設定とプレビュー
・設定とプレビューを確認
・必要に応じて設定を修正
・[次へ]ボタンを押下

スキーマ
・スキーマを確認
・必要に応じてスキーマを修正
　・スキーマの変更
　・列の論理削除
・[次へ]ボタンを押下

詳細の確認
・詳細を確認
・[作成]ボタンを押下

学習と推論

作成開始の方法
- 左メニューから[自動 ML]に移動し[新しい自動 MLの実行]を押下。
- 以下の手順で[新しい自動 MLの実行]を作成。

値を指定

データセットの選択
・データセットを選択
・[次へ]ボタンを押下

実行の構成
・実験名 -> 新規作成 -> 新しい実験名：Titanic-AutoML
・ターゲット列：Survived (Integer)
・コンピューティングの種類を選択：コンピューティングクラスタ
・Azure ML コンピューティング XXXを選択する：myazmlclst
・[次へ]ボタンを押下

タスクと設定の選択
・タスクと設定の選択：(分類)、回帰、時系列の予測
・追加の構成設定を表示する -> 終了条件 -> トレーニングジョブ時間 (時間単位)：0.5
・特徴量化設定の表示 -> 手動での特徴量の設定（除外、型指定、補完方法）

[オプション] 検証とテスト
・変更なし
・[終了]ボタンを押下

実験の実行画面に飛ぶ。
- 詳細
- データガードレール
- モデル
- 出力とロク
- 子の実行
- スナップショット

↑

定期預金申込予測 †

https://automlsamplenotebookdata.blob.core.windows.net/automl-sample-notebook-data/bankmarketing_train.csv

をデータセットとして使用。

↑

自転車シェアリング需要予測 †

https://github.com/Azure/azureml-examples/blob/main/python-sdk/tutorials/automl-with-azureml/forecasting-bike-share/bike-no.csv

をデータセットとして使用。

↑

Designer（GUI機械学習で、 †

↑

自動車価格の予測 †

Automobile price predictionサンプルを選択

プロジェクト・テンプレートの選択

作成開始の方法
左メニューから[デザイナー]に移動し[サンプルの表示数を増やす]を押下。

Regression - Automobile Price Prediction (Basic)を選択
（コレはAzure MLのプロジェクト・テンプレートのようなモノか？

データセット

パイプラインの編集
- 学習データを[視覚化（データを表示する）]から確認
- 必要なら、データセットの差し替えが可能。
  （登録済みDatasetsから追加＆差替）

学習と推論

パイプラインの編集
- パイプラインを確認（特徴量選択 -> 欠損値の補完 -> データ分割）
- 学習のアルゴリズムを確認（線形回帰のアルゴリズム）

コンピューティング環境の設定
・「⚙」メニューからコンピューティング環境の設定が可能。
・既定のコンピューティング先
　・コンピューティングの種類を選択：コンピューティングクラスタ
　・Azure ML コンピューティング XXXを選択する：myazmlclst

[送信]ボタンを押下
・実験名 -> 新規作成 -> 新しい実験名：APP-AutoML
・[送信]ボタンを押下

↑

Notebooks（コーディング環境で、 †

Automobile price predictionサンプルを選択

プロジェクト・テンプレートの選択

作成開始の方法左メニューから[Notebooks]に移動、

[ファイル]タブからフォルダを作成
[サンプル]タブからフォルダにサンプルをクローン

データセット
学習と推論

↑

VNET †

↑

... †

↑

参考 †

Azure Machine Learning の Private Link 対応
https://zenn.dev/keonabut/articles/ad61e4d1da7ceb90862a
仮想ネットワーク (Vnet) 上で Azure Machine Learning を使用する方法について | Japan Machine Learning Support Blog
https://jpmlblog.github.io/blog/2020/10/28/AML-use-behind-vnet/

↑