ทำความรู้จักกับ Azure Machine Learning Studio

Yothin Kittithorn
Data Cafe Thailand
Published in
3 min readMay 11, 2020

ปฏิเสธไม่ได้เลยว่า สาย Data อย่างเราๆถ้าได้รู้จักกับ Machine Learning แล้ว ก็ต้องอยากลองทำเป็นธรรมดา

ติดที่ว่าสำหรับ Business User บางคนที่ไม่ถนัดการ Coding แล้ว การทำ Machine Learning ดูจะเป็นเรื่องยากพอสมควร

วันนี้ จะมาขอแนะนำเครื่องมือตัวหนึ่ง ที่ทั้งฟรีและดี สำหรับมือใหม่อยากลองใช้ Machine Learning กัน

Microsoft Azure Machine Learning Studio เป็นเครื่องมือหนึ่งในตระกูล Azure (ใครถนัดอ่าน อะซัวร์ เอเชอร์ หรืออะไรก็ว่าไป) ที่จะให้คุณได้สร้างและทดลอง predictive analytics บนข้อมูลของคุณเองแบบลากวาง (Drag-and-Drop)

ตัวอย่างหน้าตา Microsoft Azure Machine Learning Studio เห็นได้ว่าไม่ต้อง Coding ก็ทำ Machine Learning ได้

เจ้า Azure Machine Learning Studio ตัวนี้ มีความสามารถหลากหลายประการทั้ง

  1. การนำเข้าข้อมูลในแหล่งต่างๆ ทั้งจากไฟล์ข้อมูลในเครื่องของคุณเอง หรือข้อมูลที่อยู่บน Azure Service
  2. การทำ Data Transformation ให้พร้อมก่อนนำข้อมูลไปเข้า Model เช่น Join Data, Remove Duplicate, Split Train-Test, Normalize Data ,PCA
  3. Machine Learning ทั้งในส่วนของ Structure Data ที่ทำได้ทั้ง Regression / Classification / Clustering / Anomaly Detection
    และส่วนของ Unstructure Data ที่สามารถจัดการได้ทั้ง Image และ Text
    รวมทั้ง Statistics Model บางส่วนก็มีให้เลือกใช้ด้วย (ปรับ Parameter ได้ด้วย)
  4. มีขั้นตอน Evaluate ผลของ Model และการ Score ผลลัพธ์ของ Model พร้อมแสดงผลลัพธ์ในรูปแบบของผลสรุปค่าสำคัญต่างๆและ Visualize ข้อมูลให้เห็นชัดเจนขึ้น
  5. สายที่ Advance ขึ้นสามารถใช้ Python / R เพิ่มเติมได้ในโปรแกรมเดียว

และอื่นๆอีกมากมาย

ข้อดีของ Microsoft Azure Machine Learning Studio คือ

  • ฟรี !!! ใช้งานได้ฟรี ขอแค่ Sign up ก่อนใช้งานก็เข้าใช้ได้เลย
  • ใช้งานง่าย เรียนรู้ได้ไม่ยาก (ถ้ามีพื้นฐาน Machine Learning แล้ว)
  • สามารถทดลองทำ Model ได้โดยไม่ต้องเขียน Code มี GUI ให้ใช้ ปรับแต่งง่าย
  • การแสดงผลลัพธ์ออกมาให้เห็นภาพชัดเจน คำนวณค่าสำคัญๆออกมาให้หมด
  • สามารถ Export ผลลัพธ์ไปใช้ต่อได้
แสดงผลค่าสำคัญๆในการ Evaluate model ให้ ปรับ Threshold ได้อีกต่างหาก

แต่ต้องยอมรับว่า Microsoft Azure Machine Learning Studio ก็มีข้อจำกัดบางอย่างเช่นกัน เช่น

  • จำกัดขนาดของข้อมูลได้ไม่เกิน 10GB
  • ปรับแต่งการประมวลผลไม่ได้มาก
  • ไม่ Support การทำ Automated model training และ hyperparameter tuning

แต่ข้อจำกัดเหล่านี้ สามารถแก้ไขได้โดยใช้ Azure Machine Learning ซึ่งเป็น Tool คนละตัวกับเจ้า Studio แต่อาจมีค่าใช้จ่ายเพิ่มอีกเล็กน้อย

ทั้งนี้ อีกหนึ่งความท้าทายในการใช้งาน Microsoft Azure Machine Learning Studio คือผู้ใช้ ควร มีพื้นฐาน Machine Learning ทั้ง Process การทำ Machine Learning และ เข้าใจ Algorithm ของ Model ด้วย

มาลองใช้กัน

1.เริ่มแรก ให้ไปที่ https://studio.azureml.net/
2.กดไปที่ Sign In

3. Login ด้วย Microsoft Account (ถ้ายังไม่มี สมัครได้ทั้งสร้างอีเมล์ใหม่เป็น @outlook.com หรือใช้ Email ของบริษัทก็ได้)

4.หลังจาก Login จะเข้าสู่หน้าจอหลักของโปรแกรม

สำหรับผู้เริ่มใช้งานแล้ว อยากให้ลองสร้าง Experiment จาก Template ที่มีอยู่แล้วมาเพื่อลองสังเกตการทำงานของโปรแกรมดู โดยทำได้ตามขั้นตอนดังนี้

  1. คลิกไปที่ NEW มุมซ้ายล่าง
  2. เลือกไปที่เมนู Experiment ทางด้านซ้าย และเลือก Sample ที่สนใจ จากนั้นกด “OPEN IN STUDIO (Classic)”

เพียงเท่านี้ Microsoft Azure Machine Learning Studio จะทำการสร้าง ตัวอย่าง Experiment ตามที่เราเลือกเอาไว้ให้เราได้ลองจัดการกับโมเดลดู

ตัวอย่างหน้าตา Flow การ Train Model

เราสามารถกดคำสั่ง “Run” เพื่อลองให้ข้อมูลไหลมาตาม Flow ดังกล่าว

หลังจากกดรันแล้ว โปรแกรมจะนำ Flow ที่เราสั่ง Run ไปมาทำการเตรียมตาม Step ที่ระบุไว้ รอไปเรื่อยๆจนกว่าจะ Run เสร็จ (หรือมี Error)

รอให้ Run สำเร็จอย่างใจจดใจจ่อ

หลังจากโปรแกรม Run เสร็จเรียบร้อยแล้ว เราสามารถคลิกขวาที่ “Evaluate Model” เลือก “Evaluation Results” และเลือก “Visualize”

โปรแกรมจะทำการสรุปผล Model ที่เรากด Run มาเมื่อสักครู่ให้

เป็นยังไงครับ Quick Tour แบบเร็วๆ ไม่ยากเลยใช่ไหม
(ใช่สิเพราะยังไม่ได้ทำอะไรเลย …)

สำหรับใครที่พอมีพื้นฐาน Machine Learning อยู่บ้าง ลองลากวางเองกันได้เลยครับ ใช้เวลาเรียนรู้ซักพัก แต่มั่นใจว่าจะใช้เป็นได้ในเวลาไม่นาน (เพราะใช้ง่ายจริงๆ)

แต่สำหรับใครที่ยังไม่ Comfort มากนัก ไม่เป็นไรครับ อดใจรอซักนิด

ตอนหน้าจะมาสอนทำ Machine Learning ด้วย Microsoft Azure Machine Learning Studio แบบ Step-by-Step เลย

--

--