Recompile experimentos do Estúdio (clássico) Azure Machine Learning

Importante

O suporte para o Azure Machine Learning Studio (clássico) terminará em 31 de agosto de 2024. Recomendamos que você faça a transição para o Azure Machine Learning até essa data.

Desde 1º de dezembro de 2021, não é possível criar recursos (workspace e plano do serviço Web) do Azure Machine Learning Studio (clássico). Até 31 de agosto de 2024, você poderá continuar usando os experimentos e os serviços Web existentes do Machine Learning Studio (clássico). Para saber mais, veja:

• Migrar do Machine Learning Studio (clássico) para o Azure Machine Learning
• O que é Azure Machine Learning?

A documentação do Machine Learning Studio (clássico) está sendo desativada e pode não ser atualizada no futuro.

Neste artigo, você aprende a recompilar um experimento do Estúdio ML (clássico) no Azure Machine Learning. Veja mais informações sobre a migração do Estúdio (clássico) no artigo de visão geral da migração.

Os experimentos do Estúdio (clássico) são semelhantes aos pipelines no Azure Machine Learning. No entanto, no Azure Machine Learning, os pipelines são criados no mesmo back-end que alimenta o SDK. Isso significa que você tem duas opções para o desenvolvimento de machine learning: o designer com interface do tipo "arrastar e soltar" ou os SDKs com foco em código.

Para obter mais informações sobre como criar pipelines com o SDK, confira O que são pipelines do Azure Machine Learning.

Pré-requisitos

• Uma conta do Azure com uma assinatura ativa. Crie uma conta gratuitamente.
• Um Workspace do Azure Machine Learning. Criar recursos do workspace.
• Um experimento do Estúdio (clássico) para migrar.
• Carregue o conjunto de dados no Azure Machine Learning.

Recompilar o pipeline

Depois de migrar o conjunto de dados para o Azure Machine Learning, você pode recriar seu experimento.

No Azure Machine Learning, o grafo visual é chamado de rascunho de pipeline. Nesta seção, você recriará o experimento clássico como um rascunho de pipeline.

1. Acesse o Estúdio do Azure Machine Learning (ml.azure.com)

2. No painel de navegação à esquerda, selecione Designer>Módulos pré-criados fáceis de usar

3. Recompile manualmente o experimento com componentes do designer.

   Confira a tabela de mapeamento de módulo para localizar os módulos de substituição. Muitos dos módulos mais populares do Estúdio (clássico) têm versões idênticas no designer.

   Importante

   Se o experimento usa o módulo Executar Script de R, você precisa seguir algumas etapas adicionais para migrá-lo. Para obter mais informações, confira Migrar módulos de Script R.

4. Ajuste os parâmetros.

   Selecione cada módulo e ajuste os parâmetros no painel de configurações do módulo à direita. Use os parâmetros para recriar a funcionalidade do experimento do Estúdio (clássico). Veja mais informações sobre cada módulo na referência de módulo.

Enviar um trabalho e verificar os resultados

Depois de recriar o experimento do Estúdio (clássico), é hora de enviar um trabalho de pipeline.

O trabalho de pipeline é executado em um destino de computação conectado ao seu workspace. Você pode definir um destino de computação padrão para o pipeline inteiro ou especificar destinos de computação por módulo.

Depois que você envia um trabalho a partir de um rascunho de pipeline, ele se transforma em um trabalho de pipeline. Cada trabalho de pipeline é gravado e registrado no Azure Machine Learning.

Para definir um destino de computação padrão para o pipeline inteiro:

1. Selecione o Ícone de engrenagem ao lado do nome do pipeline.
2. Selecione Selecionar o destino de computação.
3. Selecione uma computação ou crie uma computação seguindo as instruções na tela.

Agora que o destino de computação está instalado, você pode enviar um trabalho de pipeline:

1. Na parte superior da tela, selecione Enviar.

2. Selecione Criar para criar um experimento.

   Os experimentos organizam trabalhos de pipeline semelhantes juntos. Se você executar um pipeline várias vezes, poderá selecionar o mesmo experimento para trabalhos sucessivos. Isso é útil para registro em log e acompanhamento.

3. Insira o nome do experimento. Em seguida, selecione enviar.

   O primeiro trabalho pode levar até 20 minutos. Como as configurações de computação padrão têm um tamanho de nó mínimo de 0, o designer precisa alocar recursos depois de ficar ocioso. Os trabalhos seguintes levam menos tempo, já que os nós já foram alocados. Para acelerar o tempo de execução, você pode criar um recurso de computação com um tamanho de nó mínimo de 1 ou mais.

Após a conclusão do trabalho, você pode verificar os resultados de cada módulo:

1. Clique com o botão direito do mouse no módulo cuja saída você deseja ver.

2. Selecione Visualizar, Exibir saída ou Exibir log.

   • Visualizar: visualize o conjunto de dados de resultados.
   • Exibir saída: abre um link para a localização de armazenamento de saída. Use isso para explorar ou baixar a saída.
   • Exibir log: exibe logs de driver e do sistema. Use 70_driver_log para ver informações relacionadas ao script enviado pelo usuário, como erros e exceções.

Importante

Os componentes do designer usam pacotes python de software livre para implementar algoritmos de aprendizado de máquina. No entanto, o Studio (clássico) usa uma biblioteca C# interna da Microsoft. Portanto, o resultado da previsão pode variar entre o designer e o Studio (clássico).

Salvar modelo treinado para usar em outro pipeline

Às vezes, talvez você queira salvar o modelo treinado em um pipeline e usar o modelo em outro pipeline mais tarde. No Studio (clássico), todos os modelos treinados são salvos na categoria "Modelos treinados" na lista de módulos. No designer, os modelos treinados são automaticamente registrados como conjunto de um arquivo com um nome gerado pelo sistema. A Convenção de nomenclatura segue o padrão "MD - nome preliminar do pipeline - nome do componente - ID do modelo treinado".

Para dar um nome significativo a um modelo treinado, você pode registrar a saída do componente modelo de treinamento como um conjunto de dado de arquivo. Atribua o nome desejado, por exemplo, modelo-regressão-linear.

Você pode encontrar o modelo treinado na categoria "DataSet" na lista de componentes ou pesquisá-lo por nome. Em seguida, conecte o modelo treinado a um componente de modelo de Pontuação para usá-lo para previsão.

Próximas etapas

Neste artigo, você aprendeu a recompilar um experimento do Estúdio (clássico) no Azure Machine Learning. A próxima etapa é recompilar serviços Web no Azure Machine Learning.

Confira os outros artigos da série de migração do Estúdio (clássico):

1. Visão geral da migração.
2. Migrar um conjunto de dados.
3. Recompilar um pipeline de treinamento do Estúdio (clássico).
4. Recompilar um serviço Web do Studio (clássico).
5. Integrar um serviço Web do Azure Machine Learning a aplicativos cliente.
6. Migrar módulos Executar Script R.