前言

第一次把玩 Azure Machine Learning Studio 十分鐘，就被它的選單給打敗了(實在太多了)，之後，因為被強迫講授此一工具，有一天蹲廁所時，突然靈光乍現，悟出一點小小的心得，希望能將學習路徑記錄下來，與同好分享，也包括掛白板的點滴。 另外，如果時間允許的話，也會介紹『認知服務』(Cognitive Services)，期望能與讀者雙向交流，了解企業實際導入的可能性與眉角。

一年過去，各家認定的AI學習歷程幾乎已經底定，大概可以分為四階段，如下圖：

課程包括以下內容：

1. Python/R 程式設計入門
2. 資料科學入門
3. 『機器學習』(Machine Learning)
4. 『深度學習』(Deep Learning)
5. 其他進階演算法，例如『生成對抗網路』(GAN)、『強化學習』(Reiforcement Learning) ... 等。
6. 實務探討與個案研究

整個學習歷程至少也要一年，需要莫大的恆心與毅力，但是，如果很多人可能只是要作 Executive Review，瞭解 AI 整個運作原理與流程，不想要寫程式，那從 Microsoft Azure Machine Learning Studio 著手，不失為一個很好的方式，因此，筆者就從這一個角度切入，提供一個快速學習的路徑，但是，筆者也會著重在觀念的說明，不會侷限在工具的使用介紹。

另外，由於筆者IT技術出身，又讀了六年統計，應該有時會離題，偶而會談一點程式設計、數學與統計觀念，還請見諒。

Microsoft Azure Machine Learning Studio 是甚麼碗糕?

Microsoft Azure Machine Learning Studio 基本上是一個『機器學習』的快速學習工具，它的優點如下：

1. 免安裝，只要申請帳號就搞定了。
2. 不用寫程式，只要拖曳『功能區塊』，再依據區塊需要，填入相關參數即可，當然，要寫點小程式，也是可以的，Python 或 R，任君選擇。
3. 內建資料集(Datasets)，直接拖曳就可使用，不必解析格式。
4. 內建常用的演算法(Algorithms)，也是直接拖曳就可使用，不必撰寫程式。
5. 可佈署成 Web Services，發佈給他人使用。

『認知服務』(Cognitive Services) 是甚麼碗糕?

認知服務是一個 Turkey Solution，它是已經建構完成的深度學習產品，只要呼叫API，即可做到語音辨識，自然語言處理、圖像辨識等功能，所有模型及資料都在雲端，模型都已經訓練完成，只要使用SDK，上傳資料(音檔、圖檔或文章)，就可以預測資料的類別及詳細資訊，例如人臉辨識，可以偵測照片中的人臉位置、頭髮顏色、性別、喜怒哀樂...等)，企業可以直接導入使用的產品。

機器學習的實施流程

在操作 Microsoft Azure Machine Learning Studio(以下簡稱 ML Studio) 之前，我們先對整個流程要有一清楚的輪廓，否則看到它的選單數目(如下圖)，八成會被嚇跑了(筆者就是落跑者之一)。

筆者落跑之後沒多久，一個不小心被強迫講解此一工具的使用，只好耐住性子猛Ｋ官方文件，但是領悟有限。直到看到下面這張圖，才恍然大悟，只要掌握流程，就可以按圖索驥，一步步往下作。

圖片來源：Free Machine learning diagram

原圖我已經稍作修改，並標註10個步驟，依次為：

1. 匯入資料集(Dataset)。
2. 資料清理(Data Cleaning)。
3. 特徵選擇(Feature Engineering)。
4. 資料切割(Data Split)：切割為訓練資料(Training Data)及測試資料(Test Data)。
5. 選擇演算法(Learning Algorithms)。
6. 模型訓練(Model Training)。
7. 模型計分(Score Model)：計算準確度，衡量模型效能。
8. 模型評估(Evaluate Model)：可比較多個模型優劣。
9. 新資料(New Data)匯入。
10. 預測(Predict)：ML Studio 支援 Web Services 介面。

讓我們開始吧 !!

首先，你必須先申請一個 Azure ML Studio 帳號，微軟很大方，免費註冊沒有試用期，永遠可用，不需信用卡號，網址如下：
https://studio.azureml.net/

1. 若還沒有帳號，選擇『Sign In』下方的『Sign up here』
   

選擇第二個方案。

待續

註冊好了，我們下次就開始依上述10個步驟，開始實作了。