Introducción
Cuando se le pide que cree un modelo de aprendizaje automático, rara vez sabe por adelantado qué algoritmo o pasos de preprocesamiento le proporcionarán los mejores resultados. La búsqueda de la combinación correcta toma experimentación.
Azure Machine Learning ofrece dos maneras de experimentar de forma eficaz. El aprendizaje automático automatizado (AutoML) busca algoritmos y configuraciones de preprocesamiento automáticamente, ejecutando varios trabajos de entrenamiento en paralelo. Jupyter notebooks le permiten escribir e iterar su propio código de entrenamiento, y MLflow realiza un seguimiento de todas las ejecuciones y comparar los resultados.
En este módulo, trabajará en tres fases de experimentación. En primer lugar, se usa AutoML para identificar rápidamente el algoritmo óptimo y el enfoque de caracterización. A continuación, usará un cuaderno interactivo para seguir experimentando y realizar un seguimiento de los resultados con MLflow. Por último, comparará las métricas de rendimiento y el panel de IA responsable en todos sus modelos entrenados para seleccionar el mejor.
Objetivos de aprendizaje
En este módulo aprenderá a:
- Prepare los datos para usar AutoML para la clasificación.
- Configure y ejecute un experimento de AutoML.
- Evaluar y comparar modelos de AutoML.
- Configura MLflow para el seguimiento de modelos en notebooks.
- Use MLflow para el seguimiento de modelos en cuadernos.
- Evalúe un modelo entrenado mediante el panel de inteligencia artificial responsable.
Comencemos por explorar cómo AutoML prepara los datos antes de que comience el entrenamiento.