はじめに

  • 2 分

機械学習モデルの構築を求められたら、どのアルゴリズムまたは前処理手順によって最適な結果が得られるかを事前に把握することはほとんどありません。 適切な組み合わせを見つけるには、実験が必要です。

Azure Machine Learning には、効率的に実験する 2 つの方法があります。 自動機械学習 (AutoML) は、アルゴリズムと前処理構成を自動的に検索し、複数のトレーニング ジョブを並列で実行します。 Jupyter Notebook を 使用すると、独自のトレーニング コードを記述して反復処理できます。一方、 MLflow はすべての実行を追跡して結果を比較できます。

このモジュールでは、3 つのフェーズの実験を行います。 最初に、AutoML を使用して、最適なアルゴリズムと特徴付けアプローチをすばやく特定します。 次に、対話型ノートブックを使用して、MLflow を使用して実験を続け、結果を追跡します。 最後に、トレーニングしたすべてのモデルでパフォーマンス メトリックと責任ある AI ダッシュボードを比較し、最適なものを選択します。

学習の目的

このモジュールでは、次の方法を学習します。

  • 分類に AutoML を使用するようにデータを準備します。
  • AutoML 実験を構成して実行します。
  • AutoML モデルを評価して比較します。
  • ノートブックでモデル追跡用に MLflow を構成します。
  • ノートブックでのモデル追跡には MLflow を使用します。
  • 責任ある AI ダッシュボードを使用して、トレーニング済みのモデルを評価します。

まず、トレーニングを開始する前に、AutoML でデータがどのように準備されるかを調べてみましょう。