مقدمة
عندما يطلب منك بناء نموذج تعلم آلي، نادرا ما تعرف مسبقا أي خوارزمية أو خطوات معالجة مسبقة ستعطيك أفضل النتائج. إيجاد التركيبة المناسبة يتطلب تجربة وتجربة.
يمنحك Azure Machine Learning طريقتين للتجربة بكفاءة. يبحث التعلم الآلي الآلي (AutoML) تلقائيا عبر الخوارزميات وتكوينات المعالجة المسبقة، ويشغل عدة وظائف تدريبية بالتوازي. تتيح لك دفاتر Jupyter كتابة وتطوير كود التدريب الخاص بك، بينما يقوم MLflow بتتبع كل جولة لتتمكن من مقارنة النتائج.
في هذه الوحدة، تمر بثلاث مراحل من التجريب. أولا، تستخدم AutoML لتحديد الخوارزمية المثلى وطريقة التخصيص بسرعة. ثم تستخدم دفتر ملاحظات تفاعلي لمواصلة التجربة وتتبع نتائجك باستخدام MLflow. وأخيرا، تقارن مقاييس الأداء ولوحة تحكم الذكاء الاصطناعي المسؤول بين جميع النماذج المدربة لاختيار الأفضل.
الأهداف التعليمية
في هذه الوحدة النمطية، تتعلم كيفية:
- جهز بياناتك لاستخدام AutoML للتصنيف.
- قم بتكوين وتشغيل تجربة AutoML.
- قيم وقارن نماذج AutoML.
- قم بتكوين MLflow لتتبع النماذج في دفاتر الملاحظات.
- استخدم MLflow لتتبع النماذج في دفاتر الملاحظات.
- قيم نموذجا مدربا باستخدام لوحة تحكم الذكاء الاصطناعي المسؤول.
لنبدأ باستكشاف كيفية تحضير AutoML لبياناتك قبل بدء التدريب.