Chap.O 基礎 & 簡介：

Prat1. Azure Machine Learning

什麼是 Azure Machine Learning?

Azure Machine Learning 是建立在雲端上，專門用於負載機器學習龐大計算量的一個平台。

其圖中流程大為以下：

1. Compute：在雲端上建立一個計算用虛擬機。
2. Data Storage & connectivity： 資料存儲與連結虛擬機。
3. ML workflow orchestration：就是先前提過的機器學習 10 步驟。
4. Model registration & management：將開發完成的模型註冊以便從開發端連接到上線機台。
5. Metrics & Monitoring：模型上線後的運行流量、效能評估與監控...等。
6. Model deployment：將註冊完成後的模型部屬到上線機台。

1-1. Machine Learning Context

1. Data

A. Storage 資料存儲

1. Storage：存儲服務。
2. Data Lake Store：對特定行業（網購、監控等）大數據，提供「待分析的原始資料」的暫存服務。
3. SQL Database：提供存儲 SQL 資料服務。
4. Cosmos DB：提供存儲 no-SQL（半結構性）資料服務。

B. Transfer and Transform 轉移與轉換

將原始數據 ETL 到儲存體的服務。

1. Azure Data Factory：提供完全受控的無伺服器資料整合服務。
2. Azure HDInsight：提供開放原始碼分析服務，如 Hadoop、Apache Spark、R 等。
3. Azure Databricks：提供資料進行最佳化的分析平台。

2. Azure Machine Learning

1. Data Scientist：對數據做初期分析、刪減、遞補、訓練模型。
2. App Developer：建立模型、開發應用程式。
3. Software Engineer/Operator：依照服務部屬模型、編排 ML 的執行及整合其排程。

3. ML-Powered Apps

A. Apps services

將開發完成的應用程式部屬到伺服器的服務。

B. Container Deployment

部屬並控管容器的服務。

1-2. Machine Learning Operationalizatoin (ML Ops)

基於 DevOps 將 ML 的流程（資料分析到產出模型）產線化，從而加快開發速度。

1. Infrastructure-as-code 和配置管理
2. 版本控制與追蹤
3. 持續集成 (Continuous integration, CI) 和持續交付 (Continuous delivery, CD)
4. 持續監控

1-3. Access Control Permissions

1. 用戶登錄 Azure Active Directory (AAD) 並獲取 token.
2. Token 會授予 Azure ML workspace 的訪問權限.
3. 用 RBAC 來管控訪問資源的權限
4. 透過 SSH ，可對計算資源權限做選擇性的開放
5. 部署服務端點的訪問權限，可使用密鑰 (key) 或 token-based

1-4. Machine Learning Designer