Inledning

När du uppmanas att skapa en maskininlärningsmodell vet du sällan i förväg vilken algoritm eller förbearbetningssteg som ger dig bästa resultat. Att hitta rätt kombination kräver experimentering.

Azure Machine Learning ger dig två sätt att experimentera effektivt. Automatisk maskininlärning (AutoML) söker igenom algoritmer och förbearbetar konfigurationer automatiskt och kör flera träningsjobb parallellt. Med Jupyter Notebooks kan du skriva och iterera på din egen träningskod, medan MLflow spårar varje körning så att du kan jämföra resultat.

I den här modulen går du igenom tre faser av experimentering. Först använder du AutoML för att snabbt identifiera den optimala algoritmen och funktionaliseringsmetoden. Sedan använder du en interaktiv notebook-fil för att fortsätta experimentera och spåra dina resultat med MLflow. Slutligen jämför du prestandamått och den ansvarsfulla AI-instrumentpanelen över alla dina tränade modeller för att välja den bästa.

Utbildningsmål

I den här modulen lär du dig att:

• Förbered dina data för att använda AutoML för klassificering.
• Konfigurera och kör ett AutoML-experiment.
• Utvärdera och jämför AutoML-modeller.
• Konfigurera MLflow för modellspårning i notebook-filer.
• Använd MLflow för modellspårning i notebook-filer.
• Utvärdera en tränad modell med instrumentpanelen Ansvarsfull AI.

Vi börjar med att utforska hur AutoML förbereder dina data innan träningen börjar.