Introduzione
Soluzioni di machine learning progettate in modo attento costituiscono la base delle applicazioni IA odierne. Dall'analisi predittiva alle raccomandazioni personalizzate e oltre, le soluzioni di machine learning supportano i progressi tecnologici più recenti nella società attraverso l'uso di dati esistenti per produrre nuove informazioni dettagliate.
I data scientist prendere decisioni per affrontare i problemi di Machine Learning in modi diversi. Le decisioni prese influiscono sul costo, la velocità, la qualità e la longevità della soluzione.
In questo modulo si apprenderà come progettare una soluzione di machine learning end-to-end con Microsoft Azure che è possibile usare in un ambiente aziendale. Usando i sei passaggi seguenti come framework, viene illustrato come pianificare, eseguire il training, distribuire e monitorare le soluzioni di machine learning.
- Definire il problema: decidere cosa debba prevedere il modello e quando avrà esito positivo.
- Ottenere i dati: trovare le origini dati e ottenere l'accesso.
- Preparare i dati: esplorare i dati. Pulire e trasformare i dati in base ai requisiti del modello.
- Eseguire il training del modello: scegliere un algoritmo e i valori degli iperparametri in base alla versione di valutazione e all'errore.
- Integrare il modello: distribuire il modello in un endpoint per generare stime.
- Monitorare il modello: tenere traccia delle prestazioni del modello.
Nota
Il diagramma è una rappresentazione semplificata del processo di apprendimento automatico. In genere, il processo è iterativo e continuo. Ad esempio, quando si monitora il modello, è possibile decidere di tornare indietro e ripeterne il training.
Si esaminerà ora come iniziare a usare una soluzione di Machine Learning definendo il problema.