Introduction

Gdy zostaniesz poproszony o zbudowanie modelu uczenia maszynowego, rzadko wiadomo z góry, który algorytm lub kroki wstępnego przetwarzania dadzą najlepsze wyniki. Znalezienie odpowiedniej kombinacji wymaga eksperymentowania.

Usługa Azure Machine Learning oferuje dwa sposoby efektywnego eksperymentowania. Zautomatyzowane uczenie maszynowe (AutoML) wyszukuje algorytmy i konfiguracje przetwarzania wstępnego automatycznie, uruchamiając równolegle wiele zadań szkoleniowych. Notesy Jupyter umożliwiają pisanie i iterowanie własnego kodu szkoleniowego, a platforma MLflow śledzi każdy przebieg, aby można było porównać wyniki.

W tym module przepracujesz trzy fazy eksperymentowania. Najpierw używasz rozwiązania AutoML do szybkiego identyfikowania optymalnego algorytmu i podejścia do cechowania. Następnie użyjesz interaktywnego notesu, aby kontynuować eksperymentowanie i śledzić wyniki za pomocą biblioteki MLflow. Na koniec porównasz metryki wydajności i pulpit nawigacyjny odpowiedzialnej sztucznej inteligencji we wszystkich wytrenowanych modelach, aby wybrać najlepszy.

Cele nauczania

Z tego modułu dowiesz się, jak wykonywać następujące czynności:

• Przygotuj dane do używania rozwiązania AutoML do klasyfikacji.
• Konfigurowanie i uruchamianie eksperymentu zautomatyzowanego uczenia maszynowego.
• Ocenianie i porównywanie modeli automatycznego uczenia maszynowego.
• Skonfiguruj MLflow do śledzenia modeli w notatnikach.
• Użyj biblioteki MLflow do śledzenia modeli w notesach.
• Oceń wytrenowany model przy użyciu pulpitu Odpowiedzialnej Sztucznej Inteligencji.

Zacznijmy od zapoznania się ze sposobem przygotowywania danych przez rozwiązanie AutoML przed rozpoczęciem trenowania.