Creare e gestire soluzioni di Machine Learning con Azure Machine Learning
Azure Machine Learning è una piattaforma cloud per il training, la distribuzione, la gestione e il monitoraggio dei modelli di Machine Learning. Informazioni su come usare Python SDK di Azure Machine Learning per creare e gestire soluzioni di ML di livello aziendale.
Prerequisiti
Questo percorso di apprendimento presuppone familiarità con i modelli di training di Machine Learning con Python e framework open source, ad esempio Scikit-learn, PyTorch e TensorFlow. Se non si ha esperienza con questi modelli, è consigliabile completare il percorso di apprendimento Creare modelli di Machine Learning prima di iniziare questo percorso.
Moduli in questo percorso di apprendimento
Azure Machine Learning offre una piattaforma basata sul cloud per il training, la distribuzione e la gestione dei modelli di Machine Learning.
Di seguito viene descritto come usare Azure Machine Learning per eseguire il training di un modello e registrarlo in un'area di lavoro.
I dati sono la base del Machine Learning. In questo modulo si apprenderà come usare gli archivi dati e i set di dati in Azure Machine Learning per creare soluzioni scalabili e basate sul cloud di training dei modelli.
Uno dei principali vantaggi del cloud è la possibilità di usare risorse di calcolo scalabili su richiesta per un'elaborazione conveniente di dati di grandi dimensioni. In questo modulo si imparerà a usare il calcolo cloud in Azure Machine Learning per eseguire esperimenti di training su larga scala.
L'orchestrazione del training di Machine Learning con le pipeline è un elemento chiave di DevOps per Machine Learning. In questo modulo verrà illustrato come creare, pubblicare ed eseguire le pipeline per il training dei modelli in Azure Machine Learning.
Di seguito viene descritto come registrare e distribuire modelli di ML con il servizio Azure Machine Learning.
I modelli di Machine Learning vengono spesso usati per generare stime da un numero elevato di osservazioni in un processo batch. A tale scopo è possibile usare Azure Machine Learning per pubblicare una pipeline di inferenza batch.
La scelta dei valori ottimali degli iperparametri per il training del modello può essere complessa e in genere comporta molti tentativi ed errori. Con Azure Machine Learning, è possibile sfruttare gli esperimenti su scala cloud per ottimizzare gli iperparametri.
Di seguito viene descritto come usare il Machine Learning automatizzato in Azure Machine Learning per trovare il modello più adatto per i dati.
Gli scienziati dei dati hanno la responsabilità etica (e spesso legale) di proteggere i dati sensibili. La privacy differenziale è un approccio all'avanguardia che consente un'analisi utile mentre protegge i valori dei dati identificabili singolarmente.
Molte decisioni prese oggi dalle organizzazioni e dai sistemi automatizzati si basano sulle stime effettuate dai modelli di Machine Learning. È sempre più importante poter comprendere i fattori che influenzano le stime effettuate dai modelli.
I modelli di Machine Learning possono spesso contenere una distorsione accidentale che causa iniquità. Con Fairlearn e Azure Machine Learning è possibile rilevare e mitigare l'iniquità dei modelli.
Dopo la distribuzione di un modello di Machine Learning nell'ambiente di produzione, è importante comprendere come viene usato acquisendo e visualizzando i dati di telemetria.
La modifica delle tendenze nei dati nel tempo può ridurre l'accuratezza delle stime effettuate da un modello. Il monitoraggio di questa deriva dei dati è un modo importante per garantire che il modello continui a prevedere in modo accurato.
