本文属于【Azure 架构师学习笔记】系列。
本文属于【Azure AI】系列。
前言
在 Azure AI 生态系统中，Azure Machine Learning (Azure ML) 工作区是所有机器学习活动的中心枢纽。上一文已经初步搭建了这个服务，那么现在我们登录进去。
登录进去之后我们可以看到下图所示：
默认目录
类似主页功能， 在 Azure 机器学习中，默认目录是你进行所有操作的基础环境。它包含了工作区、功能存储区、中心和注册表等核心组件。
- 工作区：这是你进行实验、训练模型和部署服务的主要区域。
- 功能存储区：用于存储和管理数据功能，方便数据的预处理和特征工程。
- 中心：提供各种工具和资源，帮助你更高效地管理模型和数据。
- 注册表：用于管理和跟踪模型的版本，确保模型的可追溯性和一致性。
共享资产
在 Azure 机器学习中，共享资产是团队协作和资源共享的重要部分。
- 组件：可以复用的代码模块，帮助你快速构建和部署模型。
- 环境：定义了模型运行时所需的软件和配置，确保模型在不同环境中的稳定运行。
- 模型：训练好的机器学习模型，可以进行版本管理和部署。
- 数据：用于训练和测试模型的数据集，支持数据的版本管理和访问控制。
管理员
管理员负责整个工作区的管理和维护，确保资源的合理分配和使用。
- 配额：管理员可以设置和管理资源配额，避免资源的过度使用，保证系统的稳定运行。
实操演示
接下来快速演示一下，首先我们新建一个工作区：
启动下面红框处的示例：
可以看到有下面的一个快速入门，可以点击"克隆此笔记本"进行开始操作：
克隆之后创建一个计算资源
这里选择最便宜的
按照示例一步一步运行，然后可以看到在作业处已经生成了作业并排队。
作业已经启动运行。
运行成功：
实际运用流程
ML 是通过对数据进行模型训练生成结果的过程，在实际运用中，我们可以按照下面步骤进行服务的使用以便完成我们的目标：
1.数据准备（数据）
- 数据获取：首先，你需要通过"数据"部分来上传或连接到你的数据源。这可以是本地文件、数据库或其他数据存储。
- 数据预处理：使用"Notebooks"或"自动化 ML"来清洗和预处理数据，确保数据的质量和格式适合后续的模型训练。
2. 模型训练（自动化 ML / 设计器）
- 自动化 ML：如果你希望快速得到一个模型，可以使用"自动化 ML"功能。它会自动尝试多种模型和参数组合，找到最佳模型。
- 设计器：对于更复杂的场景，可以使用"设计器"来手动构建机器学习管道。你可以选择不同的算法、调整参数，并可视化地连接各个组件。
3. 模型评估与选择（作业(Job) / 管道）
- 作业(Job)：在训练模型后，你可以通过"作业(Job)"来查看训练过程和结果。这里可以找到模型的性能指标，帮助你评估模型的优劣。
- 管道：使用"管道"来自动化模型训练和评估流程。你可以创建包含数据预处理、模型训练和评估的完整管道，方便重复执行和优化。
4. 模型部署（模型 / 服务终端）
- 模型：在找到满意的模型后，可以在"模型"部分进行模型的注册和管理。
- 服务终端：通过"服务终端"来部署模型，使其可以通过 API 调用。这样，模型就可以集成到实际的应用程序中，进行预测和服务。
5. 监控与优化（正在监视 / 数据标签）
- 正在监视：部署模型后，使用"正在监视"来监控模型的运行状态和性能。这有助于及时发现和解决潜在问题。
- 数据标签：如果模型的预测结果需要进一步优化，可以使用"数据标签"来获取更多标注数据，用于模型的再训练和优化。
6. 资源管理（计算 / 连接服务）
- 计算：管理你的计算资源，确保有足够且合适的计算能力来支持数据处理和模型训练。
- 连接服务：管理与外部服务的连接，如数据存储、监控工具等，确保整个工作流程的顺畅运行。
小结
本文演示了Azure AI体系中一个重要服务Azure ML， 大概浏览了其内部结构，但是要深入使用一个服务，并不是一篇文章可以做到的，所以这里仅是简要演示。
接下来的几篇将会做更加深入的演示，首先是数据工程在AI系统中的设计。