Azure Machine Learning çalışma alanı nedir?

Çalışma alanları, makine öğrenmesi yapıtları oluşturmak ve ilgili işleri gruplandırmak için iş arkadaşlarınızla işbirliği yapılan yerlerdir. Örneğin denemeler, işler, veri kümeleri, modeller, bileşenler ve çıkarım uç noktaları. Bu makalede çalışma alanları, bunlara erişimi yönetme ve çalışmanızı düzenlemek için bunların nasıl kullanılacağı açıklanmaktadır.

Başlamaya hazır mısınız? Çalışma alanı oluşturun.

Çalışma alanı içinde gerçekleştirilen görevler

Makine öğrenmesi ekipleri için çalışma alanı, çalışmalarını düzenlemek için bir yerdir. Çalışma alanından başlatabileceğiniz görevlerden bazıları şunlardır:

• İş oluşturma - İşler, modellerinizi oluşturmak için kullandığınız eğitim çalıştırmalarıdır. Ölçümleri karşılaştırmak için işleri denemeler halinde gruplandırabilirsiniz.
• İşlem hatları yazma - İşlem hatları, modelinizi eğitme ve yeniden eğitme için yeniden kullanılabilir iş akışlarıdır.
• Veri varlıklarını kaydetme - Veri varlıkları, model eğitimi ve işlem hattı oluşturma için kullandığınız verilerin yönetimine yardımcı olur.
• Modelleri kaydetme - Dağıtmak istediğiniz bir modele sahip olduktan sonra kayıtlı bir model oluşturursunuz.

Çalışma alanları, makine öğrenmesi sonuçlarınızı gruplandırmanın yanı sıra kaynak yapılandırmalarını da barındırıyor:

• İşlem hedefleri denemelerinizi çalıştırmak için kullanılır.
• Veri depoları , sizin ve başkalarının veri varlıklarını kullanırken veri kaynaklarına nasıl bağlanabileceğinizi tanımlar.
• Güvenlik ayarları - Ağ, kimlik ve erişim denetimi ve şifreleme ayarları.

Çalışma alanlarını düzenleme

Makine öğrenmesi ekibi liderleri ve yöneticileri için çalışma alanları erişim yönetimi, maliyet yönetimi ve veri yalıtımı için kapsayıcı görevi görür. Çalışma alanlarını düzenlemeye yönelik bazı ipuçları şunlardır:

• Kullanıcılar arasında çalışma alanında izin yönetimi için kullanıcı rollerini kullanın. Örneğin veri bilimcisi, makine öğrenmesi mühendisi veya yönetici.
• Kullanıcı gruplarına erişim atama: Microsoft Entra kullanıcı gruplarını kullanarak her çalışma alanına tek tek kullanıcılar eklemeniz ve aynı kullanıcı grubunun erişmesi gereken diğer kaynaklara eklemeniz gerekmez.
• Proje başına çalışma alanı oluşturma: Çalışma alanı birden çok proje için kullanılabilse de, çalışma alanı başına bir projeyle sınırlandırıldığında proje düzeyinde tahakkuk eden maliyet raporlaması sağlanır. Ayrıca, her projenin kapsamındaki veri depoları gibi yapılandırmaları yönetmenize de olanak tanır.
• Azure kaynaklarını paylaşma: Çalışma alanları, ilişkili birkaç kaynak oluşturmanızı gerektirir. Yinelenen kurulum adımlarını kaydetmek için bu kaynakları çalışma alanları arasında paylaşın.
• Kendi kendine hizmeti etkinleştirme: bt yöneticisi olarak ilişkili kaynakları önceden oluşturun ve güvenli hale getirmek ve veri bilimciler tarafından kendi çalışma alanları oluşturmasına izin vermek için kullanıcı rollerini kullanın.
• Varlıkları paylaşma: Azure Machine Learning kayıt defterlerini kullanarak varlıkları çalışma alanları arasında paylaşabilirsiniz.

İçeriğim çalışma alanında nasıl depolanır?

Çalışma alanınız günlükler, ölçümler, çıkış, köken meta verileri ve betiklerinizin anlık görüntüsüyle tüm eğitim çalıştırmalarının geçmişini tutar. Azure Machine Learning'de görevleri gerçekleştirirken yapıtlar oluşturulur. Meta verileri ve verileri çalışma alanında ve ilişkili kaynaklarında depolanır.

İlişkili kaynaklar

Yeni bir çalışma alanı oluşturduğunuzda verilerinizi depolamak için diğer Azure kaynaklarını getirmeniz gerekir. Sizin tarafınızdan sağlanmazsa, bu kaynaklar Azure Machine Learning tarafından otomatik olarak oluşturulur.

• Azure Depolama hesabı. İş günlükleri gibi makine öğrenmesi yapıtlarını depolar. Varsayılan olarak, bu depolama hesabı çalışma alanına veri yüklediğinizde kullanılır. Azure Machine Learning işlem örneklerinizle birlikte kullanılan Jupyter not defterleri de burada depolanır.

  Önemli

  Mevcut bir Azure Depolama hesabını şu durumda kullanamazsınız:

  • BlobStorage türünde bir hesap
  • Premium hesap (Premium_LRS ve Premium_GRS)
  • Hiyerarşik ad alanına sahip bir hesap (Azure Data Lake Storage 2. Nesil ile kullanılır).

  Bir veri deposu oluşturarak ek depolama alanı olarak premium depolamayı veya hiyerarşik ad alanını kullanabilirsiniz.

  Genel amaçlı sürüm 2'ye yükselttikten sonra depolama hesabında hiyerarşik ad alanını etkinleştirmeyin.

  Mevcut bir genel amaçlı v1 depolama hesabını getirirseniz, çalışma alanı oluşturulduktan sonra bunu genel amaçlı v2'ye yükseltebilirsiniz.

• Azure Container Registry (ACR). Azure Machine Learning aracılığıyla özel ortamlar oluşturduğunuzda oluşturulan docker kapsayıcılarını depolar. AutoML modellerinin ve veri profilinin dağıtılması özel ortamların oluşturulmasını da tetikler.

  Özel docker kapsayıcıları oluşturmanız gerekmiyorsa çalışma alanları bağımlılık olarak ACR olmadan oluşturulabilir. Azure Machine Learning dış kapsayıcı kayıt defterlerinden okuyabilir.

  Özel docker görüntüleri oluşturduğunuzda ACR otomatik olarak sağlanır. Müşteri docker kapsayıcılarının derlenmesini önlemek için Azure rol tabanlı erişim denetimini (Azure RBAC) kullanın.

  Önemli

  Abonelik ayarınız altındaki kaynaklara etiket eklemeyi gerektiriyorsa, etiketleri ACR olarak ayarlayamadığımız için Azure Machine Learning tarafından oluşturulan ACR başarısız olur.

• Azure Uygulaması lication Insights. Çıkarım uç noktalarınızdan tanılama bilgilerini izlemenize ve toplamanıza yardımcı olur.

  Daha fazla bilgi için bkz . Çevrimiçi uç noktaları izleme.

• Azure Key Vault. İşlem hedefleri ve çalışma alanının ihtiyaç duyduğu diğer hassas bilgiler tarafından kullanılan gizli dizileri depolar.

Çalışma alanı oluşturma

Çalışma alanı oluşturmanın birden çok yolu vardır. Başlamak için aşağıdaki seçeneklerden birini kullanın:

• Azure Machine Learning stüdyosu, varsayılan ayarlarla hızla bir çalışma alanı oluşturmanıza olanak tanır.
• Daha fazla güvenlik seçeneği içeren bir nokta ve tıklama arabirimi için Azure portalını kullanın.
• Visual Studio Code'da çalışıyorsanız VS Code uzantısını kullanın.

Tercih ettiğiniz güvenlik ayarlarını kullanarak çalışma alanı oluşturmayı otomatikleştirmek için:

• Azure Resource Manager / Bicep şablonları , Azure kaynaklarını dağıtmak için bildirim temelli bir söz dizimi sağlar. Terraform'un kullanılması alternatif bir seçenektir. Ayrıca bkz . Bicep şablonu veya Terraform şablonu.

• REST API'lerini doğrudan betik ortamında, platform tümleştirmesinde veya MLOps iş akışlarında kullanın.

Çalışma alanı etkileşimi ve yönetimi için araçlar

Çalışma alanınız ayarlandıktan sonra, çalışma alanınızla aşağıdaki yollarla etkileşim kurabilirsiniz:

• Web'de:
  • Azure Machine Learning stüdyosu
  • Azure Machine Learning tasarımcısı

• Azure Machine Learning VS Code Uzantısı

Aşağıdaki çalışma alanı yönetim görevleri her arabirimde kullanılabilir.

Alt kaynaklar

Azure Machine Learning'de işlem kümeleri ve işlem örnekleri oluşturduğunuzda alt kaynaklar oluşturulur.

• VM'ler: İşleri çalıştırmak için kullandığınız işlem örnekleri ve işlem kümeleri için bilgi işlem gücü sağlar.
• Load Balancer: İşlem örneği/kümesi durdurulduğunda bile trafiği yönetmek üzere her işlem örneği ve işlem kümesi için bir ağ yük dengeleyici oluşturulur.
• Sanal Ağ: Bunlar Azure kaynaklarının birbirleriyle, İnternet'le ve diğer şirket içi ağlarla iletişim kurmalarına yardımcı olur.
• Bant genişliği: Bölgeler arasında tüm giden veri aktarımlarını kapsüller.

Sonraki adımlar

Kuruluşunuzun gereksinimlerine yönelik bir çalışma alanı planlama hakkında daha fazla bilgi edinmek için bkz . Azure Machine Learning'i düzenleme ve ayarlama.

Azure Machine Learning'i kullanmaya başlamak için bkz:

• Azure Machine Learning nedir?
• Çalışma alanı oluşturma ve yönetme
• Silme işleminden sonra çalışma alanını kurtarma (geçici silme)
• Azure Machine Learning'i kullanmaya başlama
• Öğretici: Otomatik makine öğrenmesi ile ilk sınıflandırma modelinizi oluşturma