Introdução
Quando você é solicitado a criar um modelo de machine learning, raramente sabe antecipadamente qual algoritmo ou etapas de pré-processamento lhe darão os melhores resultados. Encontrar a combinação certa requer experimentação.
O Azure Machine Learning oferece duas maneiras de experimentar com eficiência. O AutoML (machine learning automatizado) pesquisa algoritmos e configurações de pré-processamento automaticamente, executando vários trabalhos de treinamento em paralelo. Os jupyter notebooks permitem que você escreva e itere em seu próprio código de treinamento, enquanto o MLflow acompanha cada execução para que você possa comparar os resultados.
Neste módulo, você trabalhará em três fases de experimentação. Primeiro, você usa o AutoML para identificar rapidamente o algoritmo e a abordagem de extração de características ideais. Em seguida, você usa um notebook interativo para continuar experimentando e acompanhar seus resultados com o MLflow. Por fim, você compara as métricas de desempenho e o painel de IA Responsável em todos os seus modelos treinados para selecionar o melhor.
Objetivos de aprendizagem
Neste módulo, você saberá como:
- Prepare seus dados para usar o AutoML para classificação.
- Configurar e executar um experimento de AutoML.
- Avaliar e comparar modelos AutoML.
- Configure o MLflow para acompanhamento de modelos em notebooks.
- Use o MLflow para acompanhamento de modelos em notebooks.
- Avalie um modelo treinado usando o painel de IA Responsável.
Vamos começar explorando como o AutoML prepara seus dados antes do início do treinamento.