Azure Machine LearningはMicrosoftが提供しているクラウドベースの機械学習のサービスです。

Azure Machine LearningではGUIを使って様々な機械学習の手法を実行することができますがJupyterを使用することも可能となっています。

Azure Machine LearningでJupyter Notebookを使う

Azure Machine LearningのはMicrosoftアカウントをもっていれば無料で試すことができます。Jupyterも無料のプランで使えます。

価格についての詳細は下記のリンクを参照してください。

料金 - Machine Learning | Microsoft Azure

Microsoftアカウント作成

Microsoftアカウントをもっていない場合にはリンク先から作成します。

ホーム｜Microsoft アカウント

ワークスペース作成

下記リンクを開き「Get Started」ボタンをクリックし、Microsoftアカウントにサインインします。

Microsoft Azure Machine Learning Studio

「Workspace Not Found」と表示された画面になったら再びブラウザでMicrosoft Azure Machine Learning Studioを開いて「Get Started」ボタンを押します。

成功していれば無料のワークスペースが作成されており以下のような画面が開きます。

Jupyter Notebookの作成

画面左下の「+NEW」をクリックすると以下のような画面が開くのでNOTEBOOKからPythonのバージョンを選択します。

今回はPython2を選択してみます。Notebookの名前を訊かれるので適当に入力します。

NOTEBOOKSに作成したJupyter Notebookが表示されているのでクリックして開きます。

空のNotebookが開きます。この後は通常通り使用できます。

使用可能なライブラリ

Azure Machine LearningのJupyterはAnacondaを使用しており、以下のリストのパッケージが使用可能となっています。

Anaconda Package List — Continuum documentation

Anacondaのバージョンが2.1と少し古くパッケージによっては最新ではない場合があります。

Azure Machine LearningとJupyter Notebookの連携

Azure Machine LearningのJupyter NotebookにはAzure Machine LearningのPythonクライアントがインストールされています。これを利用してAzure Machine Learningの操作やデータのやり取りが可能です。

Azure/Azure-MachineLearning-ClientLibrary-Python

ワークスペースに接続する

まず現在使用しているワークスペースに接続します。接続のために必要なワークスペースのIDとトークンはstudioのSETTINGSから確認することができます。

from azureml import Workspace
ws = Workspace(
    workspace_id="YOUR_WORKSPACE_ID", 
    authorization_token="YOUR_AUTHORIZATION_TOKEN",
    endpoint="https://studio.azureml.net"
)

データセットを使用する

使用できるデータセットは以下のようにして確認できます。

ws.datasets

使用したいデータセットの名前を指定してデータを取得し、to_dataframeでデータフレームに変換することができます。

df = ws.datasets['Bike Rental UCI dataset'].to_dataframe()

Experimentからデータを取得する

Experimentの中間データをJupyterで取得するためには「Convert to CSV」にデータを入力します。

「Convert to CSV」の出力ポートをクリックし「Generate Data Access Code」を選択すると中間データをデータフレームとして取得するためのコードが表示されます。
（ワークスペースへの接続のコードも表示されますがendpointが設定されていないとエラーがでました。上記のようにendpointを追加したら動きました。）

JupyterのデータをAzure Machine Learningのデータセットに追加する

Jupyterで操作しているデータをAzure Machine Learningのデータセットに追加することができます。

データセットに追加する際にはadd_from_dataframeを使用します。

import pandas as pd
import numpy as np
from sklearn.datasets import load_boston

boston = load_boston()
df = pd.DataFrame(
  np.column_stack([boston.data, boston.target]),
  columns=boston.feature_names
)

dataset = ws.datasets.add_from_dataframe(
    dataframe=df,
    data_type_id='GenericCSV',
    name='boston',
    description=boston.DESCR,
)

Webサービスを作成する

JupyterからWebサービスを作成することもできます。

例えば次のコードを実行するとaddというするWebサービスが作成されます。

from azureml import services

@services.publish(ws.workspace_id, ws.authorization_token)
@services.types(a = float, b = float)
@services.returns(float)
def add(a, b):
    return a + b

既存のWebサービスを使用する

既存のWebサービスをJupyterから使用することもできます。

Jupyterで作成したWebサービスを使用すると認証が通らずうまくいかなかったためGUIで
足し算をするサービスを作成しJupyterから使ってみます。

「Execute Python Script」の中身は次のようになっています。

def azureml_main(dataframe1 = None):
    dataframe1['c'] = dataframe1.a + dataframe1.b
    return dataframe1

これをWebサービスとしてデプロイすると次のように2つの数字を足し算してくれるサービスができます。

このWebサービスをNotebookから使用するためには次のようにデコレータを使って関数を定義します。
urlとapi_keyは作成したWebサービスのダッシュボート、REQUEST/RESPONSEのヘルプページから取得できます。

from azureml import services

url = 'WEB_SERVICE_URL'
api_key = 'WEB_SERVICE_API_KEY'
@services.service(url, api_key)
@services.types(a = float, b = float)
@services.returns(float)
def add(a, b):
    pass

この関数をWebサービスとして使用することができます。（初回は実行まで少し時間がかかります。）

最後に

まだクライアント・Jupyterからできないことも多いですが、今後連携機能が強化されていきそうなので楽しみです。Azure Machine Learningは例が多く用意されているのでJupyterで途中結果を詳しくみたり、グラフを書いたりすると面白そうです。