دروس Azure: توقع أسعار الغاز باستخدام Azure Machine Learning Studio

ماذا لو كان بإمكانك توقع ما إذا كان السهم الذي تختاره سيرتفع أو ينخفض ​​خلال الشهر المقبل؟ أو إذا كان فريق كرة القدم المفضل لديك سيفوز أو يخسر مباراته القادمة؟ كيف يمكنك عمل مثل هذه التوقعات؟ ربما يمكن أن يوفر التعلم الآلي جزءًا من الإجابة. Cortana ، المساعد الشخصي الرقمي الجديد المدعوم من Bing والذي يأتي مع Windows Phone 8.1 ، توقع بدقة 15 من أصل 16 مباراة في كأس العالم 2014 FIFA.

في هذا البرنامج التعليمي Azure ، سوف نستكشف ميزات وقدرات Azure Machine Learning من خلال حل إحدى المشكلات التي نواجهها في حياتنا اليومية.

من وجهة نظر مطور التعلم الآلي ، يمكن تقسيم المشكلات إلى مجموعتين - تلك التي يمكن حلها باستخدام الأساليب القياسية ، وتلك التي لا يمكن حلها باستخدام الأساليب القياسية. لسوء الحظ ، تنتمي معظم مشاكل الحياة الواقعية إلى المجموعة الثانية. هذا هو المكان الذي يلعب فيه التعلم الآلي. الفكرة الأساسية هي استخدام الآلات للعثور على أنماط ذات معنى في البيانات التاريخية واستخدامها لحل المشكلة.

المشكلة

ربما تكون أسعار الغاز أحد العناصر الموجودة بالفعل في ميزانية معظم الناس. يمكن أن تؤثر الزيادة أو النقصان المستمران على أسعار البقالة والخدمات الأخرى أيضًا. هناك الكثير من العوامل التي يمكن أن تؤثر على أسعار الغاز ، من الأحوال الجوية إلى القرارات السياسية والرسوم الإدارية ، إلى العوامل التي لا يمكن التنبؤ بها تمامًا مثل الكوارث الطبيعية أو الحروب.

تتمثل خطة هذا البرنامج التعليمي لتعلم الآلة في Azure في التحقق من بعض البيانات التي يمكن الوصول إليها والعثور على الارتباطات التي يمكن استغلالها لإنشاء نموذج تنبؤ.

Azure Machine Learning Studio

Azure Machine Learning Studio هو بيئة تطوير متكاملة (IDE) قائمة على الويب لتطوير تجارب البيانات. إنه مترابط بشكل وثيق مع بقية خدمات Azure السحابية مما يبسط تطوير ونشر نماذج وخدمات التعلم الآلي.

إنشاء التجربة

هناك خمس خطوات أساسية لإنشاء مثال للتعلم الآلي. سوف نفحص كل خطوة من هذه الخطوات من خلال تطوير نموذج التنبؤ الخاص بنا لأسعار الغاز.

الحصول على البيانات

يعد جمع البيانات من أهم الخطوات في هذه العملية. تعد ملاءمة البيانات ووضوحها أساسًا لإنشاء نماذج تنبؤ جيدة. يوفر Azure Machine Learning Studio عددًا من نماذج مجموعات البيانات. يمكن العثور على مجموعة رائعة أخرى من مجموعات البيانات على archive.ics.uci.edu/ml/datasets.html.

بعد جمع البيانات ، نحتاج إلى تحميلها إلى الاستوديو من خلال آلية تحميل البيانات البسيطة الخاصة بهم:

بمجرد التحميل ، يمكننا معاينة البيانات. تُظهر الصورة التالية جزءًا من بياناتنا التي حمّلناها للتو. هدفنا هنا هو توقع السعر أسفل العمود المسمى E95.

خطوتنا التالية هي إنشاء تجربة جديدة عن طريق سحب وإفلات الوحدات من اللوحة الموجودة على اليسار في منطقة العمل.

البيانات قبل المعالجة

تتضمن المعالجة المسبقة للبيانات المتاحة تعديل البيانات المتاحة حسب احتياجاتك. الوحدة الأولى التي سنستخدمها هنا هي "الإحصاء الوصفي". يحسب البيانات الإحصائية من البيانات المتاحة. إلى جانب وحدة "الإحصاء الوصفي" ، فإن إحدى الوحدات الشائعة الاستخدام هي "تنظيف البيانات المفقودة". الهدف من هذه الخطوة هو إعطاء معنى للقيم المفقودة (الفارغة) عن طريق استبدالها بقيمة أخرى أو إزالتها بالكامل.

تحديد ملامح

تم تطبيق وحدة أخرى في هذه الخطوة في برنامجنا التعليمي وهي وحدة "تحديد الميزات المستندة إلى التصفية". تحدد هذه الوحدة ميزات مجموعة البيانات الأكثر صلة بالنتائج التي نريد توقعها. في هذه الحالة ، كما ترى في الصورة أدناه ، فإن السمات الأربع الأكثر صلة بقيم "E95" هي "EDG BS" و "النفط" و "USD / HRK" و "EUR / USD".

نظرًا لأن "EDG BS" قيمة "مخرجات" أخرى لا يمكن استخدامها لعمل تنبؤات ، فسنختار اثنين فقط من الميزات المهمة المتبقية - أي سعر النفط وسعر العملة تحت عمود USD / HRK.

عينة من مجموعة البيانات بعد المعالجة موضحة أدناه:

اختيار وتطبيق الخوارزمية

خطوتنا التالية هي تقسيم البيانات المتاحة باستخدام وحدة "Split". سيتم استخدام الجزء الأول من البيانات (80٪ في حالتنا) لتدريب النموذج والباقي يستخدم لتسجيل النموذج المدرب.

الخطوات التالية هي أهم الخطوات في عملية التعلم الآلي Azure بأكملها. تقبل الوحدة النمطية "Train Model" اثنين من معلمات الإدخال. الأول هو بيانات التدريب الأولية ، والآخر هو خوارزمية التعلم. هنا ، سوف نستخدم خوارزمية "الانحدار الخطي". يعد ناتج وحدة "نموذج القطار" أحد معلمات الإدخال لوحدة "نموذج النتيجة". الآخر هو باقي البيانات المتاحة. يضيف نموذج النقاط عمودًا جديدًا إلى مجموعة البيانات الخاصة بنا ، تسميات النقاط. تكون القيم الموجودة ضمن عمود "التسميات المسجلة" أقرب إلى قيم قيم E95 المقابلة لها عندما تعمل خوارزمية التعلم المطبقة جيدًا مع البيانات المتاحة.

تعطينا وحدة تقييم النموذج تقييمًا للنموذج المدرّب معبراً عنه بالقيم الإحصائية. إذا نظرنا إلى "معامل التحديد" ، يمكننا أن نستنتج أن هناك حوالي 80٪ فرصة للتنبؤ بالسعر الصحيح باستخدام هذا النموذج.

الآن ، من الجدير محاولة استخدام وحدة "انحدار الشبكة العصبية". سنحتاج إلى إضافة وحدتي "نموذج تدريب" و "نموذج نقاط" جديدتين وربط المخرجات بوحدة "نموذج التقييم" الحالية.

تتطلب وحدة "انحدار الشبكة العصبية" مزيدًا من التكوين. نظرًا لأن هذه هي الوحدة النمطية الأكثر أهمية في التجربة بأكملها ، فهي المكان الذي يجب أن نركز فيه جهودنا ، ونقوم بتعديل وتجربة الإعدادات واختيار خوارزمية التعلم المناسبة ككل.

في هذه الحالة ، تعطينا وحدة التقييم مقارنة بين النموذجين المدربين لدينا. مرة أخرى ، بناءً على معامل التحديد ، نرى أن الشبكات العصبية توفر تنبؤات أقل دقة قليلاً.

في هذه المرحلة يمكننا حفظ النماذج المدربة المختارة لاستخدامها في المستقبل.

عندما يكون لدينا نموذج مدرب ، يمكننا المضي قدمًا في إنشاء "تجربة تسجيل النقاط". يمكن القيام بذلك عن طريق إنشاء تجربة جديدة من البداية أو باستخدام مساعد Azure Machine Learning Studio. ما عليك سوى اختيار النموذج المدرب والنقر على "إنشاء تجربة تسجيل النقاط". الوحدات الجديدة التي نحتاجها هنا هي "مدخلات خدمة الويب" و "مخرجات خدمة الويب". سنضيف وحدة "أعمدة المشروع" لتحديد قيم المدخلات والمخرجات. قيم الإدخال هي النفط و USD / HRK ، ويتم توقع قيمة الإنتاج ضمن عمود "الملصقات المحسوبة" من ناتج "نموذج النتيجة".

توضح الصورة أدناه تجربة التسجيل لدينا بعد هذه التعديلات القليلة وبعد توصيل وحدات "إدخال خدمة الويب" و "إخراج خدمة الويب" وفقًا لذلك.

تأتي ميزة المساعد الأنيق الأخرى للعب في هذه المرحلة. باستخدام "Publish Web Service" ، يمكنك إنشاء خدمة ويب بسيطة مستضافة على البنية التحتية السحابية لـ Azure.

توقع البيانات الجديدة

أخيرًا ، يمكننا اختبار خدمة الويب الخاصة بالتنبؤ باستخدام نموذج اختبار بسيط.

خاتمة

من خلال هذا البرنامج التعليمي البسيط للتعلم الآلي ، أوضحنا كيفية إنشاء خدمة ويب تنبؤ تعمل بكامل طاقتها. يمكن أن يكون Azure Machine Learning Studio المدمج في النظام الأساسي Azure أداة قوية جدًا لإنشاء تجارب البيانات. إلى جانب Machine Learning Studio ، هناك حلول أخرى للتعلم الآلي مثل Orange و Tiberious. بغض النظر عن بيئة التطوير التي تحبها ، فإنني أشجعك على استكشاف التعلم الآلي والعثور على عالم البيانات بداخلك.