Treinar o modelo

Há muitos serviços disponíveis para treinar modelos de aprendizado de máquina. O serviço que usa depende de fatores como:

• Que tipo de modelo precisa de treinar,
• Quer precise de controlo total sobre o treino do modelo,
• Quanto tempo quer investir no treino do modelo,
• Quais serviços já estão dentro da sua organização,
• Com qual linguagem de programação te sentes confortável.

No Azure, há vários serviços disponíveis para treinar modelos de aprendizado de máquina. Alguns serviços comumente usados são:

Ícone	Descrição
	O Azure Machine Learning oferece muitas opções diferentes para treinar e gerenciar seus modelos de aprendizado de máquina. Você pode optar por trabalhar com o Studio para uma experiência baseada em interface do usuário ou gerenciar suas cargas de trabalho de aprendizado de máquina com o Python SDK ou CLI para uma experiência code-first. Saiba mais sobre o Azure Machine Learning.
	O Azure Databricks é uma plataforma de análise de dados que pode utilizar para engenharia de dados e ciência de dados. O Azure Databricks usa a computação distribuída do Spark para processar os seus dados de forma eficiente. Pode optar por treinar e gerir modelos com o Azure Databricks ou integrando o Azure Databricks com outros serviços, como o Azure Machine Learning. Saiba mais sobre o Azure Databricks.
	O Microsoft Fabric é uma plataforma de análise integrada projetada para simplificar fluxos de trabalho de dados entre analistas de dados, engenheiros de dados e cientistas de dados. Com o Microsoft Fabric, pode preparar dados, treinar um modelo, usar o modelo treinado para gerar previsões e visualizar os dados em relatórios do Power BI. Saiba mais sobre o Microsoft Fabric e, especificamente, sobre os recursos de ciência de dados no Microsoft Fabric.
	Foundry Tools é uma coleção de modelos pré-construídos de aprendizagem automática que pode usar para tarefas comuns de aprendizagem automática, como a deteção de objetos em imagens. Os modelos são oferecidos como uma interface de programação de aplicações (API), para que você possa integrar facilmente um modelo com a sua aplicação. Alguns modelos podem ser personalizados com os seus próprios dados de treino, economizando tempo e recursos para treinar um novo modelo do zero. Saiba mais sobre Foundry Tools.

Recursos e capacidades do Azure Machine Learning

Vamos nos concentrar no Azure Machine Learning. O Microsoft Azure Machine Learning é um serviço de nuvem para treinamento, implantação e gerenciamento de modelos de aprendizado de máquina. Ele foi projetado para ser usado por cientistas de dados, engenheiros de software, profissionais de devops e outros para gerenciar o ciclo de vida de ponta a ponta de projetos de aprendizado de máquina.

O Azure Machine Learning suporta tarefas, incluindo:

• Explorar dados e prepará-los para modelagem.
• Treinamento e avaliação de modelos de machine learning.
• Registo e gestão de modelos treinados.
• Implantação de modelos treinados para uso por aplicativos e serviços.
• Rever e aplicar princípios e práticas responsáveis de IA.

O Azure Machine Learning fornece os seguintes recursos e capacidades para dar suporte a cargas de trabalho de aprendizado de máquina:

• Armazenamento e gerenciamento centralizados de conjuntos de dados para treinamento e avaliação de modelos.
• Recursos de computação sob demanda nos quais você pode executar trabalhos de aprendizado de máquina, como o treinamento de um modelo.
• Aprendizado de máquina automatizado (AutoML), que facilita a execução de vários trabalhos de treinamento com diferentes algoritmos e parâmetros para encontrar o melhor modelo para seus dados.
• Ferramentas visuais para definir pipelines orquestrados para processos como treinamento de modelos ou inferência.
• Integração com estruturas comuns de aprendizado de máquina, como MLflow, que facilitam o gerenciamento de treinamento, avaliação e implantação de modelos em escala.
• Suporte integrado para visualização e avaliação de métricas para IA responsável, incluindo explicabilidade de modelo, avaliação de equidade e outros.

Em seguida, vamos ver como podemos começar a usar o Azure Machine Learning em uma interface de usuário.