Introduzione
Quando viene chiesto di creare un modello di Machine Learning, raramente si sa in anticipo quale algoritmo o procedura di pre-elaborazione offrirà i risultati migliori. Trovare la combinazione corretta richiede sperimentazione.
Azure Machine Learning offre due modi per sperimentare in modo efficiente. Le ricerche automatiche di Machine Learning (AutoML) vengono eseguite automaticamente tramite algoritmi e configurazioni di pre-elaborazione, eseguendo più processi di training in parallelo. I notebook di Jupyter consentono di scrivere e scorrere il codice di training, mentre MLflow tiene traccia di ogni esecuzione in modo da poter confrontare i risultati.
In questo modulo vengono descritte tre fasi di sperimentazione. Prima di tutto, si usa AutoML per identificare rapidamente l'algoritmo ottimale e l'approccio di definizione delle caratteristiche. Si usa quindi un notebook interattivo per continuare a sperimentare e tenere traccia dei risultati con MLflow. Infine, si confrontano le metriche delle prestazioni e il dashboard di intelligenza artificiale responsabile in tutti i modelli sottoposti a training per selezionare quello migliore.
Obiettivi di apprendimento
In questo modulo, imparerai a:
- Preparare i dati per l'uso di AutoML per la classificazione.
- Configurare ed eseguire un esperimento AutoML.
- Valutare e confrontare i modelli AutoML.
- Configurare MLflow per il rilevamento dei modelli nei notebook.
- Usare MLflow per il rilevamento dei modelli nei notebook.
- Valutare un modello sottoposto a training usando il dashboard di intelligenza artificiale responsabile.
Per iniziare, si esaminerà il modo in cui AutoML prepara i dati prima dell'inizio del training.