dani-peixoto/mslearn-bike-automl

Repositório criado para subir o desafio "Trabalhando com Machine Learning na Prática do Azure ML"

Trabalhando com Machine Learning na Prática do Azure ML

Tip

O aprendizado de máquina automatizado permite que você experimente vários algoritmos e parâmetros para treinar vários modelos e identificar o melhor para seus dados. Nesse passo a passo, você usará um conjunto de dados de detalhes históricos de aluguel de bicicletas para treinar um modelo que prevê o número de aluguel de bicicletas esperado em um determinado dia, com base em características sazonais e meteorológicas.

Warning

O processo de treinamento do modelo costuma demorar em média 15 minutos, mas pode se estender. Caso demore mais que 1 hora para concluir é recomendável refazer o processo.

Uso

Criar um novo trabalho automatizado, treinar, criar modelo, implantar, testar o modelo e o serviço implantado.

Processo

Crie um espaço de trabalho do Azure Machine Learning

1. Entre no portal do Azure com suas credenciais da Microsoft;

2. Selecione + Criar um recurso, pesquise Machine Learning e crie um novo recurso do Azure Machine Learning com as seguintes configurações:

   • Assinatura: sua assinatura do Azure;
   • Grupo de recursos: Crie ou selecione um grupo de recursos;
   • Nome: Insira um nome exclusivo para seu espaço de trabalho;
   • Região: Selecione a região geográfica mais próxima;
   • Conta de armazenamento: observe a nova conta de armazenamento padrão que será criada para seu espaço de trabalho;
   • Cofre de chaves: Observe o novo cofre de chaves padrão que será criado para seu espaço de trabalho;
   • Insights de aplicativos: observe o novo recurso padrão de insights de aplicativos que será criado para seu espaço de trabalho;
   • Registro de contêiner: Nenhum ( um será criado automaticamente na primeira vez que você implantar um modelo em um contêiner);
   • Selecione Revisar + criar e selecione Criar. Aguarde a criação do seu espaço de trabalho (pode demorar alguns minutos) e, em seguida, vá para o recurso implantado;
   • Selecione Launch Studio (ou abra uma nova guia do navegador e navegue até Azure Machine Learning Studio usando sua conta da Microsoft).
   • Feche todas as mensagens exibidas;

3. No estúdio Azure Machine Learning, você deverá ver seu espaço de trabalho recém-criado. Caso contrário, selecione Todos os espaços de trabalho no menu à esquerda e selecione o espaço de trabalho que você acabou de criar.

Use aprendizado de máquina automatizado para treinar um modelo

1. No Azure Machine Learning Studio, veja a página Automated ML (em Authoring).

2. Crie um novo trabalho de ML automatizado com as seguintes configurações, usando Next conforme necessário para avançar pela interface do usuário:

   Configurações básicas

   • Nome do trabalho: mslearn-bike-automl;

   • Novo nome do experimento: mslearn-bike-rental;

   • Descrição: Aprendizado de máquina automatizado para previsão de aluguel de bicicletas;

   • Marcadores: nenhum;

     Tipo de tarefa e dados:

     • Selecione o tipo de tarefa: Regressão;
     • Selecionar conjunto de dados: crie um novo conjunto de dados com as seguintes configurações:

     Tipo de dados:

     • Nome : aluguel de bicicletas;
     • Descrição : dados históricos de aluguel de bicicletas;
     • Tipo : Tabular;

     Fonte de dados:

     • Selecione "Dos arquivos da web";

     URL da Web:

     • URL da Web: https://aka.ms/bike-rentals;
     • Ignorar validação de dados: não selecionar;

     Configurações:

     • Formato de arquivo : Delimitado;
     • Delimitador : Vírgula;
     • Codificação : UTF-8;
     • Cabeçalhos de coluna : apenas o primeiro arquivo possui cabeçalhos;
     • Pular linhas : Nenhum;
     • O conjunto de dados contém dados multilinhas : não selecione;

     Esquema:

     • Incluir todas as colunas exceto Caminho;
     • Revise os tipos detectados automaticamente;

     Criar:

     • Selecione Criar. Após a criação do conjunto de dados, selecione o conjunto de dados de aluguel de bicicletas para continuar a enviar o trabalho de ML automatizado;

     Configurações de tarefas:

     • Tipo de tarefa: Regressão;
     • Conjunto de dados: aluguel de bicicletas;
     • Coluna de destino: Aluguéis (inteiro);

     Configurações adicionais:

     • Métrica primária: raiz do erro quadrático médio normalizado;
     • Explique o melhor modelo: Não selecionado;
     • Usar todos os modelos suportados: Desmarcado. Você restringirá o trabalho para tentar apenas alguns algoritmos específicos;
     • Modelos permitidos: Selecione apenas RandomForest e LightGBM — normalmente você gostaria de tentar o máximo possível, mas cada modelo adicionado aumenta o tempo necessário para executar o trabalho;

     Limites: Expanda a seção

     • Máximo de testes: 3;
     • Máximo de testes simultâneos: 3;
     • Máximo de nós: 3;
     • Limite de pontuação da métrica: 0,085 ( para que, se um modelo atingir uma pontuação da métrica de erro quadrático médio normalizado de 0,085 ou menos, o trabalho termina;
     • Tempo limite: 15;
     • Tempo limite de iteração: 15;
     • Habilitar rescisão antecipada: selecionado;

     Validação e teste:

     • Tipo de validação: divisão de validação de treinamento;
     • Porcentagem de dados de validação: 10;
     • Conjunto de dados de teste: Nenhum;

     Calcular:

     • Selecione o tipo de computação: sem servidor;
     • Tipo de máquina virtual: CPU;
     • Camada de máquina virtual: Dedicada;
     • Tamanho da máquina virtual: Standard_DS3_V2*;
     • Número de instâncias: 1;

3. Envie o trabalho para treinamento e espere concluir.

Avalie o melhor modelo

1. Na guia Visão geral do trabalho automatizado de aprendizado de máquina, observe o melhor resumo do modelo.

1. Selecione o texto em Nome do algoritmo do melhor modelo para visualizar seus detalhes.
2. Selecione a guia Métricas e selecione os gráficos residuais e predito_true se eles ainda não estiverem selecionados.
3. Revise os gráficos que mostram o desempenho do modelo. O gráfico de resíduos mostra os resíduos (as diferenças entre os valores previstos e reais) como um histograma. O gráfico predito_true compara os valores previstos com os valores verdadeiros.

Implantar e testar o modelo

1. Na guia melhor modelo treinado pelo seu trabalho automatizado de machine learning, selecione Implantar e use a opção de serviço Web para implantar o modelo com as seguintes configurações: Nome : prever-aluguéis; Descrição : Prever aluguel de bicicletas; Tipo de computação : Instância de Contêiner do Azure; Habilitar autenticação : selecionado;
2. Aguarde o início da implantação – isso pode levar alguns segundos. O status de implantação do endpoint de previsão de aluguel será indicado na parte principal da página como Running.
3. Aguarde até que o status da implantação mude para Succeeded. Isso pode levar de 5 a 10 minutos.

Testar o serviço implantado

Agora você pode testar seu serviço implantado.

1. No estúdio Azure Machine Learning, no menu esquerdo, selecione Endpoints e abra o ponto final em tempo real de previsão de aluguel.

2. Na página do endpoint em tempo real de previsão de aluguel, visualize a guia Teste.

3. No painel Dados de entrada para testar o endpoint, substitua o modelo JSON pelos seguintes dados de entrada:

                                         {
                                           "Inputs": { 
                                           "data": [
                                             {
                                               "day": 1,
                                               "mnth": 1,   
                                               "year": 2022,
                                               "season": 2,
                                               "holiday": 0,
                                               "weekday": 1,
                                               "workingday": 1,
                                               "weathersit": 2, 
                                               "temp": 0.3, 
                                               "atemp": 0.3,
                                               "hum": 0.3,
                                               "windspeed": 0.3 
                                             } 
                                           ]    
                                         },   
                                         "GlobalParameters": 1.0
                                       }
   

4. Clique no botão Testar.

5. Revise os resultados do teste, que incluem um número previsto de aluguéis com base nos recursos de entrada - semelhante a este:

                                       {
                                         "Results": [
                                           444.27799000000000
                                         ]
                                       }
   

Excluir

O serviço web que você criou está hospedado em uma instância de contêiner do Azure. Se não pretender experimentá-lo ainda mais, deverá excluir para evitar cobrança desnecessária de recursos do Azure.

1. No Studio Azure Machine Learning, na guia Endpoints, selecione o ponto de extremidade de previsão de aluguel. Em seguida, selecione Excluir e confirme que deseja excluir o endpoint.
2. Excluir sua computação garante que sua assinatura não será cobrada por recursos de computação. No entanto, será cobrada uma pequena quantia pelo armazenamento de dados, desde que o espaço de trabalho do Azure Machine Learning exista na sua assinatura. Se tiver terminado de explorar o Azure Machine Learning, poderá eliminar o espaço de trabalho Azure Machine Learning e os recursos associados.

Para excluir seu espaço de trabalho:

1. No portal Azure, na página Grupos de recursos, abra o grupo de recursos que especificou ao criar o seu espaço de trabalho Azure Machine Learning.
2. Clique em Excluir grupo de recursos, digite o nome do grupo de recursos para confirmar que deseja excluí-lo e selecione Excluir.

Informações do repositório

Contato