Tutorial: Prever a procura usando machine learning automatizado sem código no Estúdio do Azure Machine Learning

Aprenda a criar um modelo de previsão de séries temporais sem escrever uma única linha de código usando machine learning automatizada no Estúdio do Azure Machine Learning. Este modelo prevê a procura de aluguer para um serviço de partilha de bicicletas.

Você não escreve nenhum código neste tutorial. Em vez disso, usas a interface do estúdio para realizar o treino. Você aprende a fazer as seguintes tarefas:

Para experimentar aprendizagem automática automática para outros tipos de modelos, veja:

• Para obter um exemplo sem código de um modelo de classificação, consulte Tutorial: Criar um modelo de classificação com ML automatizado no Azure Machine Learning.
• Para um exemplo de modelo de deteção de objetos centrado no código, veja Tutorial: Treinar um modelo de deteção de objetos com AutoML e Python.

Pré-requisitos

• Uma área de trabalho do Azure Machine Learning. Consulte Criar recursos do espaço de trabalho.

• Descarregue o ficheiro de dados bike-no.csv.

Iniciar sessão no estúdio

Para este tutorial, cria o seu experimento automatizado de ML executado no Estúdio do Azure Machine Learning. Estúdio do Azure Machine Learning é uma interface web consolidada que inclui ferramentas de aprendizagem automática para executar cenários de ciência de dados para profissionais de ciência de dados de todos os níveis de competência.

1. Inicie sessão no Estúdio do Azure Machine Learning.

2. Selecione sua assinatura e o espaço de trabalho que você criou.

Criar uma experimentação

1. Na secção de Autoria no menu esquerdo, selecione ML Automatizado:

   

2. Selecione Novo trabalho de ML automatizado para iniciar o processo Submeter um trabalho de ML automatizado.

   Por predefinição, o processo seleciona a opção Treinar automaticamente no separador Método de treinamento e prossegue para as definições de configuração.

3. Na guia Configurações básicas, insira valores para as configurações necessárias, incluindo o Nome do trabalho e o Nome do experimento. Para este tutorial, use automl-bikeshare como nome do experimento. Você também pode fornecer valores para as configurações opcionais, conforme desejado.

4. Selecione Seguinte para continuar.

Configure o tipo de tarefa e o conjunto de dados

No separador Tipo de Tarefa & dados , especifique o ativo de dados para a experiência e o modelo de aprendizagem automática a usar para treinar os dados. Neste tutorial, usa o ficheirobike-no.csv . Se não descarregaste o ficheiro, descarrega-o agora.

1. No formulário Tipo de tarefa e dados, selecione Previsão de séries temporais como tipo de tarefa.

2. Selecione Criar para criar um novo asset de dados a partir do ficheiro descarregado.

3. Na página de Tipo de Dados , introduza um nome para o seu conjunto de dados e forneça uma descrição opcional. Defina o tipo de conjunto de dados para Tabular. Selecione Seguinte para continuar.

4. Na página Fonte de dados, selecione De arquivos locais.

Aparecem opções adicionais no menu esquerdo para configurar a fonte de dados.

1. Selecione Avançar para continuar para a página Tipo de armazenamento de destino, onde você especifica o local do Armazenamento do Azure para carregar seu ativo de dados.

   1. Para o tipo de Datastore, selecione Armazenamento de Blobs do Azure.
   2. Na lista de datastores, selecione o datastore predefinido que o processo de criação do espaço de trabalho configura automaticamente: workspaceblobstore.
   3. Selecione Seguinte.

2. Na página Seleção de ficheiros e pastas, utilize o menu pendente Carregar ficheiros ou pasta e selecione a opção Carregar ficheiros.

   1. Selecione o ficheiro bike-no.csv no seu computador local. Este ficheiro é o que descarregaste como pré-requisito.

   2. Após o carregamento dos ficheiros, selecione Seguinte.

3. Verifique os dados carregados na página de Definições para garantir a precisão. Os campos na página são pré-preenchidos com base no tipo de ficheiro dos seus dados:

   Campo	Descrição	Valor do tutorial
   Formato de ficheiro	Define o layout e o tipo de dados armazenados em um arquivo.	Delimitado
   Delimitador	Um ou mais caracteres para especificar o limite entre regiões separadas e independentes em texto sem formatação ou outros fluxos de dados.	Vírgula
   Codificação	Identifica qual tabela de esquema de bit a caractere usar para ler seu conjunto de dados.	UTF-8
   Cabeçalhos de coluna	Indica como os cabeçalhos do conjunto de dados, se houver, são tratados.	Apenas o primeiro ficheiro tem cabeçalhos
   Saltar filas	Indica quantas linhas, se houver, são ignoradas no conjunto de dados.	Nenhuma

4. Selecione Avançar para continuar na página Esquema . Esta página também é pré-preenchida com base nas suas seleções de Configurações .

   1. Para este tutorial, escolhe ignorar as colunas casual e registered. Estas colunas são uma divisão da coluna cnt , por isso não as incluas.

   2. Também para este tutorial, deixe os valores predefinidos para as Propriedades e o Tipo.

   3. Selecione Seguinte para continuar até à página Avaliar + criar .

5. Revise as definições do seu ativo de dados. Se tudo parecer bem, selecione Criar para criar o asset de dados.

Configurar as definições de tarefas e previsões

Quando o ativo de dados está pronto, o Machine Learning Studio volta ao separador Tipo de tarefa e dados do processo Submeter uma tarefa de ML automatizado. O novo recurso de dados aparece na página.

Siga estas etapas para concluir a configuração do trabalho:

1. Expanda o menu suspenso Selecionar tipo de tarefa e escolha Previsão de séries temporais.

2. Depois de especificar o modelo de treino, selecione o seu conjunto de dados na lista. Selecione Avançar para continuar na guia Configurações da tarefa .

3. Na lista suspensa da coluna Alvo, selecione a coluna cnt a utilizar nas previsões do modelo.

4. Selecione data como coluna de tempo e deixe identificadores de séries temporais em branco.

5. A Frequência é a frequência com que os seus dados históricos são recolhidos. Mantenha a opção Deteção automática selecionada.

6. O horizonte de previsão é o período de tempo no futuro que você deseja prever. Desmarque Autodetect e digite 14 no campo.

7. Deixar Ativar aprendizagem profunda desselecionado.

8. Selecione Exibir definições de configuração adicionais e preencha os campos da seguinte maneira. Estas definições ajudam-no a controlar melhor o trabalho de treino e a especificar as definições para a sua previsão. Caso contrário, são aplicados valores predefinidos com base na seleção do experimento e nos dados.

   Configurações adicionais	Descrição	Valor do tutorial
   Métrica primária	Métrica de avaliação pela qual o algoritmo de aprendizagem automática é medido.	Erro quadrático médio da raiz normalizada
   Explicar o melhor modelo	Mostra automaticamente a explicabilidade no melhor modelo criado pelo ML automatizado.	Ativar
   Modelos bloqueados	Algoritmos que pretende excluir do trabalho de formação	Árvores aleatórias extremas
   Configurações de previsão adicionais	Essas configurações ajudam a melhorar a precisão do seu modelo. Atrasos alvo previstos: até que ponto queres construir os atrasos da variável alvo Janela rolante alvo: especifica o tamanho da janela rolante sobre a qual são geradas características, como máximo, mínimo e soma.	Defasagem da meta prevista: Nenhuma Tamanho da janela rolante alvo: Nenhum
   Limits	Se um critério for cumprido, o trabalho de formação termina.	Ensaios simultâneos máximos: 6 Limiar de pontuação métrica: Nenhum Tempo de espera do experimento (minutos): 180

9. No formulário de validação e teste [Opcional ]:

   1. Selecione a validação cruzada k-fold como tipo de validação.

   2. Selecione 5 como o seu número de validações cruzadas.

10. Selecione Guardar.

Configurar o alvo de computação

Depois de carregares e configurares os teus dados, configura o teu alvo de computação remota.

1. Preenche o formulário de Computação da seguinte forma:

   1. Utilize a lista pendente Select compute type para selecionar cluster de computação como o seu tipo de computação.

   2. Selecione +Novo para configurar o destino de computação. O ML automatizado suporta apenas a computação do Azure Machine Learning.

      1. Preencha o formulário Selecionar máquina virtual para configurar a sua capacidade de computação:

         Campo	Descrição	Valor do tutorial
         Escalão de máquina virtual	Selecione a prioridade que seu experimento deve ter	Dedicado
         Tipo de máquina virtual	Selecione o tipo de máquina virtual para o seu cálculo	CPU (Unidade Central de Processamento)
         Tamanho da máquina virtual	Selecione o tamanho da máquina virtual para sua computação. Uma lista de tamanhos recomendados é fornecida com base em seus dados e tipo de experimento.	Standard_DS12_V2

      2. Selecione Seguinte para preencher o formulário Configurar definições :

         Campo	Descrição	Valor do tutorial
         Nome da computação	Um nome exclusivo que identifica seu contexto de computação.	computador de bicicleta
         Nós mín./máx.	Para criar o perfil dos dados, deve especificar um ou mais nós.	Número mínimo de nós: 1 Número máximo de nós: 6
         Segundos ociosos antes de reduzir a escala	Tempo ocioso antes que o cluster seja automaticamente reduzido para a contagem mínima de nós.	120 (padrão)
         Definições avançadas	Configurações para configurar e autorizar uma rede virtual para seu experimento.	Nenhuma

      3. Selecione Criar para criar o alvo de computação.

         Este passo demora alguns minutos a completar.

      4. Após a criação, selecione o seu novo destino de cálculo na lista suspensa.

   3. Selecione Avançar para continuar na página Revisão. Revise o resumo das suas definições de configuração para o trabalho.

Executar experimentação

Para executar o seu experimento, selecione Enviar trabalho de formação. O ecrã Detalhes do trabalho abre com o Estado do trabalho na parte superior, ao lado do número do trabalho. Esse status é atualizado à medida que o experimento progride. Notificações também aparecem no canto superior direito do estúdio para informar o estado da sua experiência.

Explorar modelos

Aceda ao separador Modelos + tarefas subordinadas para ver os algoritmos (modelos) testados. Por padrão, os modelos são ordenados por pontuação métrica à medida que são concluídos. Neste tutorial, o modelo que obtiver a pontuação mais alta com base na métrica de erro quadrático médio da raiz normalizada escolhida aparece no topo da lista.

Enquanto aguarda a conclusão de todos os modelos de experimento, selecione o Nome do algoritmo de um modelo concluído para explorar seus detalhes de desempenho.

O exemplo seguinte mostra a seleção de um modelo da lista de modelos que o trabalho criou. Depois, seleciona os separadores Visão Geral e Métricas para visualizar as propriedades, métricas e gráficos de desempenho do modelo selecionado.

Implementar o modelo

O machine learning automatizado no Estúdio do Azure Machine Learning ajuda-o a implementar o melhor modelo para um endpoint online em tempo real em poucos passos. Implantação é a integração do modelo para que ele possa prever novos dados e identificar potenciais áreas de oportunidade.

Para este experimento, a implementação num endpoint em tempo real significa que a empresa de partilha de bicicletas tem agora uma solução web escalável para prever a procura de aluguer de bicicletas partilhadas.

Quando implementas a partir da página de ML Automatizado , não precisas de preparar um script ou ambiente de pontuação. O Azure Machine Learning gera automaticamente ambos e aloja o modelo num endpoint online totalmente gerido.

Quando o trabalho terminar, selecione o Trabalho 1 no topo do ecrã para voltar à página do trabalho principal.

Na secção de resumo do melhor modelo , o melhor modelo no contexto desta experiência é selecionado com base na métrica de erro quadrático médio da raiz normalizada .

Implante este modelo. A implantação leva alguns minutos para ser concluída. O processo de implementação regista o modelo, gera automaticamente o script de pontuação e o ambiente, e provisiona o endpoint online.

1. Selecione o melhor modelo para abrir a página específica do modelo.

2. Selecione Implantar>Ponto de extremidade em tempo real.

   O Azure Machine Learning gera o modelo e o ambiente necessários para a implementação.

3. No assistente de implementação, forneça os seguintes valores. Mantém os valores predefinidos para quaisquer campos que não estejam listados.

   Campo	Valor
   Nome do ponto final	Insira um nome único, como bikeshare-endpoint.
   Nome da implementação	Insira um nome, como bikeshare-deploy.
   Máquina virtual	Manter o tamanho predefinido recomendado para a máquina virtual.
   Contagem de instâncias	1
   Tipo de autenticação	Mantém o padrão (autenticação baseada em chaves).

4. Conclua os passos restantes no assistente e, em seguida, selecione Deploy.

   Uma notificação confirma que a implantação começou com sucesso. Acompanhe o progresso no painel de resumo do Modelo em Estado de Implementação.

Quando a implementação tem sucesso, tens um endpoint operacional em tempo real que gera previsões.

Para saber mais sobre como consumir o seu novo endpoint e testar as suas previsões utilizando o suporte integrado ao Azure Machine Learning do Power BI, veja Próximos passos.

Para mais opções de implementação, incluindo a CLI do Azure e o Python SDK, veja Deploy an AutoML model to a online endpoint.

Limpar recursos

Os arquivos de implantação são maiores do que os arquivos de dados e experimentos, portanto, custam mais para armazenar. Exclua apenas os arquivos de implantação para minimizar os custos para sua conta ou se quiser manter seus arquivos de espaço de trabalho e experimento. Caso contrário, apaga todo o grupo de recursos se não planeias usar nenhum dos ficheiros.

Eliminar o endpoint em tempo real

Se quiseres manter o grupo de recursos e o espaço de trabalho para outros tutoriais e exploração, elimina apenas o endpoint em tempo real do Estúdio do Azure Machine Learning. Eliminar o endpoint também elimina a implementação associada.

1. Vá para o estúdio do Azure Machine Learning. Vá para o seu espaço de trabalho e, à esquerda, por baixo do painel Ativos, selecione Pontos finais.

2. Seleciona o endpoint que queres eliminar e seleciona Eliminar.

3. Selecione Continuar.

Eliminar o grupo de recursos

Se você não planeja usar nenhum dos recursos que criou, exclua-os para não incorrer em cobranças:

1. No portal do Azure, na caixa de pesquisa, insira Grupos de recursos e selecione-o nos resultados.

2. Na lista, selecione o grupo de recursos que você criou.

3. Na página Visão geral, selecione Excluir grupo de recursos.

   

4. Insira o nome do grupo de recursos. Em seguida, selecione Eliminar.

Próximos passos

Neste tutorial, você usou o ML automatizado no estúdio de Aprendizado de Máquina do Azure para criar e implantar um modelo de previsão de séries temporais que prevê a demanda de aluguel de compartilhamento de bicicletas.

• Saiba mais sobre o aprendizado de máquina automatizado.
• Para obter mais informações sobre métricas e gráficos de classificação, consulte o artigo Compreender os resultados do aprendizado de máquina automatizado.
• Para mais informações sobre as perguntas frequentes sobre previsões.