Tutorial: prever o preço do automóvel com o designer (versão prévia)Tutorial: Predict automobile price with the designer (preview)

Aplica-se a: nãoBasic Edition SimEnterprise edition                       (atualizar para o Enterprise)APPLIES TO: noBasic edition yesEnterprise edition                       (Upgrade to Enterprise)

Neste tutorial de duas partes, você aprende a usar o Azure Machine Learning designer para desenvolver e implantar uma solução de análise preditiva que prevê o preço de qualquer carro.In this two-part tutorial, you learn how to use the Azure Machine Learning designer to develop and deploy a predictive analytics solution that predicts the price of any car.

Na parte um, você configura seu ambiente, arrasta módulos para uma tela interativa e os conecta para criar um pipeline de Azure Machine Learning.In part one, you set up your environment, drag modules onto an interactive canvas, and connect them together to create an Azure Machine Learning pipeline.

Na parte um do tutorial, você aprenderá a:In part one of the tutorial, you'll learn how to:

  • Crie um novo pipeline.Create a new pipeline.
  • Importar dados.Import data.
  • Preparar dados.Prepare data.
  • Treinar um modelo de aprendizado de máquina.Train a machine learning model.
  • Avalie um modelo de aprendizado de máquina.Evaluate a machine learning model.

Na parte dois do tutorial, você aprenderá a implantar seu modelo de previsão como um ponto de extremidade inferência em tempo real para prever o preço de qualquer carro com base nas especificações técnicas que você enviar.In part two of the tutorial, you'll learn how to deploy your predictive model as a real-time inferencing endpoint to predict the price of any car based on technical specifications you send it.

Nota

Uma versão completa deste tutorial está disponível como um pipeline de exemplo.A completed version of this tutorial is available as a sample pipeline.

Para encontrá-lo, vá para o designer em seu espaço de trabalho.To find it, go to the designer in your workspace. Na seção novo pipeline , selecione amostra 1-regressão: Previsão de preço de automóvel (básica) .In the New pipeline section, select Sample 1 - Regression: Automobile Price Prediction(Basic).

Criar um novo pipelineCreate a new pipeline

Azure Machine Learning pipelines organizam várias etapas dependentes de aprendizado de máquina e processamento de dados em um único recurso.Azure Machine Learning pipelines organize multiple, dependent machine learning and data processing steps into a single resource. Os pipelines ajudam você a organizar, gerenciar e reutilizar fluxos de trabalho de aprendizado de máquina complexos entre projetos e usuários.Pipelines help you organize, manage, and reuse complex machine learning workflows across projects and users. Para criar um pipeline de Azure Machine Learning, você precisa de um espaço de trabalho do Azure Machine Learning.To create an Azure Machine Learning pipeline, you need an Azure Machine Learning workspace. Nesta seção, você aprenderá a criar esses dois recursos.In this section, you learn how to create both these resources.

Criar um novo espaço de trabalhoCreate a new workspace

Se você tiver um espaço de trabalho Azure Machine Learning com uma Enterprise Edition, pule para a próxima seção.If you have an Azure Machine Learning workspace with an Enterprise edition, skip to the next section.

  1. Entre no portal do Azure usando as credenciais para sua assinatura do Azure.Sign in to the Azure portal by using the credentials for your Azure subscription.

  2. No canto superior esquerdo da portal do Azure, selecione + criar um recurso.In the upper-left corner of the Azure portal, select + Create a resource.

    Criar um novo recurso

  3. Use a barra de pesquisa para localizar Machine Learning.Use the search bar to find Machine Learning.

  4. Selecione Machine Learning.Select Machine Learning.

  5. No painel Machine Learning , selecione criar para começar.In the Machine Learning pane, select Create to begin.

  6. Forneça as seguintes informações para configurar seu novo espaço de trabalho:Provide the following information to configure your new workspace:

    CampoField DescriçãoDescription
    Nome do espaço de trabalhoWorkspace name Insira um nome exclusivo que identifique seu espaço de trabalho.Enter a unique name that identifies your workspace. Neste exemplo, usamos docs-WS.In this example, we use docs-ws. Os nomes devem ser exclusivos em todo o grupo de recursos.Names must be unique across the resource group. Use um nome que seja fácil de lembrar e diferencie os espaços de trabalho criados por outras pessoas.Use a name that's easy to recall and to differentiate from workspaces created by others.
    SubscriçãoSubscription Selecione a subscrição do Azure que pretende utilizar.Select the Azure subscription that you want to use.
    Grupo de recursosResource group Use um grupo de recursos existente em sua assinatura ou insira um nome para criar um novo grupo de recursos.Use an existing resource group in your subscription, or enter a name to create a new resource group. Um grupo de recursos contém recursos relacionados para uma solução do Azure.A resource group holds related resources for an Azure solution. Neste exemplo, usamos docs-AML.In this example, we use docs-aml.
    LocalizaçãoLocation Selecione o local mais próximo de seus usuários e os recursos de dados para criar seu espaço de trabalho.Select the location closest to your users and the data resources to create your workspace.
    Edição do espaço de trabalhoWorkspace edition Selecione Enterprise.Select Enterprise. Este tutorial requer o uso do Enterprise Edition.This tutorial requires the use of the Enterprise edition. A edição Enterprise está em versão prévia e não adiciona custos extras no momento.The Enterprise edition is in preview and doesn't currently add any extra costs.
  7. Depois de concluir a configuração do espaço de trabalho, selecione criar.After you're finished configuring the workspace, select Create.

    Aviso

    Pode levar vários minutos para criar seu espaço de trabalho na nuvem.It can take several minutes to create your workspace in the cloud.

    Quando o processo for concluído, uma mensagem de êxito de implantação será exibida.When the process is finished, a deployment success message appears.

  8. Para exibir o novo espaço de trabalho, selecione ir para o recurso.To view the new workspace, select Go to resource.

Criar o pipelineCreate the pipeline

  1. Entre no ml.Azure.come selecione o espaço de trabalho com o qual você deseja trabalhar.Sign in to ml.azure.com, and select the workspace you want to work with.

  2. Selecione Designer.Select Designer.

    Captura de tela do espaço de trabalho Visual mostrando como acessar o designer

  3. Selecione módulos pré-criados fáceis de usar.Select Easy-to-use prebuilt modules.

  4. Selecione o nome de pipeline padrão pipeline-created-on na parte superior da tela.Select the default pipeline name Pipeline-Created-on at the top of the canvas. Renomeie-o para algo significativo.Rename it to something meaningful. Um exemplo é a previsão de preço de automóvel.An example is Automobile price prediction. O nome não tem de ser exclusivo.The name doesn't need to be unique.

Importar dadosImport data

Há vários exemplos de conjuntos de exemplo incluídos no designer para você experimentar.There are several sample datasets included in the designer for you to experiment with. Para este tutorial, use dados de preço do automóvel (brutos) .For this tutorial, use Automobile price data (Raw).

  1. À esquerda da tela do pipeline há uma paleta de conjuntos de valores e módulos.To the left of the pipeline canvas is a palette of datasets and modules. Selecione conjuntos de valorese, em seguida, exiba a seção amostras para exibir os conjuntos de exemplos de conjunto de linhas disponíveis.Select Datasets, and then view the Samples section to view the available sample datasets.

  2. Selecione os dados de preço do automóvel do conjunto de dados (bruto) e arraste-os para a tela.Select the dataset Automobile price data (Raw), and drag it onto the canvas.

    Arrastar dados para tela

Ver os dadosVisualize the data

Você pode visualizar os dados para entender o DataSet que você usará.You can visualize the data to understand the dataset that you'll use.

  1. Selecione o módulo dados de preço do automóvel (brutos) .Select the Automobile price data (Raw) module.

  2. No painel Propriedades à direita da tela, selecione saídas.In the properties pane to the right of the canvas, select Outputs.

  3. Selecione o ícone de grafo para visualizar os dados.Select the graph icon to visualize the data.

    Ver os dados

  4. Selecione as colunas diferentes na janela de dados para exibir informações sobre cada uma delas.Select the different columns in the data window to view information about each one.

    Cada linha representa um automóvel, e as variáveis associadas a cada automóvel aparecem como colunas.Each row represents an automobile, and the variables associated with each automobile appear as columns. Há 205 linhas e 26 colunas neste conjunto de registros.There are 205 rows and 26 columns in this dataset.

Preparar dadosPrepare data

Os conjuntos de linhas normalmente exigem algum pré-processamento antes da análise.Datasets typically require some preprocessing before analysis. Talvez você tenha notado alguns valores ausentes ao inspecionar o conjunto de um.You might have noticed some missing values when you inspected the dataset. Esses valores ausentes devem ser limpos para que o modelo possa analisar os dados corretamente.These missing values must be cleaned so that the model can analyze the data correctly.

Remover uma colunaRemove a column

Ao treinar um modelo, você precisa fazer algo sobre os dados ausentes.When you train a model, you have to do something about the data that's missing. Nesse conjunto de DataSet, a coluna normalized-derrotas não tem muitos valores, portanto, você exclui a coluna do modelo completamente.In this dataset, the normalized-losses column is missing many values, so you exclude that column from the model altogether.

  1. Digite Select na caixa de pesquisa na parte superior da paleta para localizar o módulo selecionar colunas no conjunto de DataSet .Enter Select in the search box at the top of the palette to find the Select Columns in Dataset module.

  2. Arraste o módulo selecionar colunas no conjunto de DataSet para a tela.Drag the Select Columns in Dataset module onto the canvas. Descarte o módulo abaixo do módulo DataSet.Drop the module below the dataset module.

  3. Conecte o conjunto de dados de preço de automóvel (bruto) ao módulo selecionar colunas no conjunto de dados.Connect the Automobile price data (Raw) dataset to the Select Columns in Dataset module. Arraste a partir da porta de saída do conjunto de dados, que é o pequeno círculo na parte inferior do conjunto de dados na tela, para a porta de entrada de selecionar colunas no DataSet, que é o pequeno círculo na parte superior do módulo.Drag from the dataset's output port, which is the small circle at the bottom of the dataset on the canvas, to the input port of Select Columns in Dataset, which is the small circle at the top of the module.

    Dica

    Você cria um fluxo de dados por meio de seu pipeline ao conectar a porta de saída de um módulo a uma porta de entrada de outro.You create a flow of data through your pipeline when you connect the output port of one module to an input port of another.

    Módulos de conexão

  4. Selecione o módulo selecionar colunas no conjunto de módulos.Select the Select Columns in Dataset module.

  5. No painel Propriedades à direita da tela, selecione parâmetros > Editar coluna.In the properties pane to the right of the canvas, select Parameters > Edit column.

  6. Selecione o + para adicionar uma nova regra.Select the + to add a new rule.

  7. No menu suspenso, selecione excluir e nomes de coluna.From the drop-down menu, select Exclude and Column names.

  8. Insira as perdas normalizadas na caixa de texto.Enter normalized-losses in the text box.

  9. No canto inferior direito, selecione salvar para fechar o seletor de coluna.In the lower right, select Save to close the column selector.

    Excluir uma coluna

    O painel Propriedades mostra que a coluna de perdas normalizadas é excluída.The properties pane shows that the normalized-losses column is excluded.

  10. Selecione o módulo selecionar colunas no conjunto de módulos.Select the Select Columns in Dataset module.

  11. No painel Propriedades, selecione parâmetros > Comentário e insira excluir perdas normalizadas.In the properties pane, select Parameters > Comment and enter Exclude normalized losses.

Limpar dados ausentesClean missing data

O conjunto de seus conjuntos de seus valores ainda faltam depois que você remover a coluna de perdas normalizadas .Your dataset still has missing values after you remove the normalized-losses column. Você pode remover os dados ausentes restantes usando o módulo limpar dados ausentes .You can remove the remaining missing data by using the Clean Missing Data module.

Dica

Limpar os valores ausentes dos dados de entrada é um pré-requisito para usar a maioria dos módulos no designer.Cleaning the missing values from input data is a prerequisite for using most of the modules in the designer.

  1. Digite limpar na caixa de pesquisa para localizar o módulo limpar dados ausentes .Enter Clean in the search box to find the Clean Missing Data module.

  2. Arraste o módulo limpar dados ausentes para a tela do pipeline.Drag the Clean Missing Data module to the pipeline canvas. Conecte-o ao módulo selecionar colunas no conjunto de DataSet .Connect it to the Select Columns in Dataset module.

  3. No painel Propriedades, selecione remover linha inteira no modo de limpeza.In the properties pane, select Remove entire row under Cleaning mode.

  4. Na caixa de Comentário do painel Propriedades, digite remover linhas de valor ausentes.In the properties pane Comment box, enter Remove missing value rows.

    Seu pipeline agora deve ser semelhante a este:Your pipeline should now look something like this:

    Selecionar coluna

Treinar um modelo de aprendizado de máquinaTrain a machine learning model

Agora que os dados são processados, você pode treinar um modelo de previsão.Now that the data is processed, you can train a predictive model.

Selecionar um algoritmoSelect an algorithm

Classficação e regrssão são dois tipos de algoritmos de machine learning supervisionados.Classification and regression are two types of supervised machine learning algorithms. A classificação prevê uma resposta de um conjunto definido de categorias, como uma cor como vermelho, azul ou verde.Classification predicts an answer from a defined set of categories, such as a color like red, blue, or green. A regressão é utilizada para prever um número.Regression is used to predict a number.

Como você deseja prever o preço, que é um número, você pode usar um algoritmo de regressão.Because you want to predict price, which is a number, you can use a regression algorithm. Para este exemplo, você usa um modelo de regressão linear.For this example, you use a linear regression model.

Dividir os dadosSplit the data

Divida seus dados em dois conjuntos separados para treinar o modelo e testá-los.Split your data into two separate datasets for training the model and testing it.

  1. Insira dividir dados na caixa de pesquisa para localizar o módulo dividir dados .Enter split data in the search box to find the Split Data module. Conecte-o à porta à esquerda do módulo limpar dados ausentes .Connect it to the left port of the Clean Missing Data module.

  2. Selecione o módulo dividir dados .Select the Split Data module.

  3. No painel Propriedades, defina a fração de linhas no primeiro conjunto de registros de saída como 0,7.In the properties pane, set the Fraction of rows in the first output dataset to 0.7.

    Essa opção divide 70 por cento dos dados para treinar o modelo e 30 por cento para testá-lo.This option splits 70 percent of the data to train the model and 30 percent for testing it.

  4. Na caixa de Comentário do painel Propriedades, digite dividir o conjunto de os em conjunto de treinamento (0,7) e conjunto de teste (0,3) .In the properties pane Comment box, enter Split the dataset into training set (0.7) and test set (0.3).

Dar formação sobre o modeloTrain the model

Treine o modelo fornecendo a ele um conjunto de dados que inclui o preço.Train the model by giving it a set of data that includes the price. O modelo examina os dados e procura correlações entre os recursos de um carro e seu preço para construir um modelo.The model scans through the data and looks for correlations between a car's features and its price to construct a model.

  1. Para selecionar o algoritmo de aprendizado, desmarque a caixa de pesquisa paleta de módulos.To select the learning algorithm, clear your module palette search box.

  2. Expanda algoritmos Machine Learning.Expand Machine Learning Algorithms.

    Essa opção exibe várias categorias de módulos que você pode usar para inicializar algoritmos de aprendizado.This option displays several categories of modules that you can use to initialize learning algorithms.

  3. Selecione regressão > regressão lineare arraste-a para a tela do pipeline.Select Regression > Linear Regression, and drag it to the pipeline canvas.

  4. Localize e arraste o módulo modelo de treinamento até a tela do pipeline.Find and drag the Train Model module to the pipeline canvas.

  5. Conecte a saída do módulo regressão linear à entrada à esquerda do módulo modelo de treinamento .Connect the output of the Linear Regression module to the left input of the Train Model module.

  6. Conecte a saída de dados de treinamento (porta esquerda) do módulo dividir dados à entrada à direita do módulo modelo de treinamento .Connect the training data output (left port) of the Split Data module to the right input of the Train Model module.

    Captura de tela mostrando a configuração correta do módulo modelo de treinamento.

  7. Selecione o módulo modelo de treinamento .Select the Train Model module.

  8. No painel Propriedades, selecione Editar seletor de coluna .In the properties pane, select Edit column selector.

  9. Na caixa de diálogo coluna de rótulo , expanda o menu suspenso e selecione nomes de coluna.In the Label column dialog box, expand the drop-down menu and select Column names.

  10. Na caixa de texto, insira preço.In the text box, enter price. Price é o valor que seu modelo pretende prever.Price is the value that your model is going to predict.

    Seu pipeline deve ter a seguinte aparência:Your pipeline should look like this:

    Captura de tela mostrando a configuração correta do pipeline depois de adicionar o módulo modelo de treinamento.

Avaliar um modelo de aprendizado de máquinaEvaluate a machine learning model

Depois de treinar seu modelo usando 70% dos dados, você pode usá-lo para pontuar os outros 30% para ver como seu modelo funciona.After you train your model by using 70 percent of the data, you can use it to score the other 30 percent to see how well your model functions.

  1. Insira o modelo de Pontuação na caixa de pesquisa para localizar o módulo modelo de Pontuação .Enter score model in the search box to find the Score Model module. Arraste o módulo para a tela de pipeline.Drag the module to the pipeline canvas.

  2. Conecte a saída do módulo modelo de treinamento à porta de entrada à esquerda do modelo de Pontuação.Connect the output of the Train Model module to the left input port of Score Model. Conecte a saída de dados de teste (porta direita) do módulo dividir dados à porta de entrada à direita do modelo de Pontuação.Connect the test data output (right port) of the Split Data module to the right input port of Score Model.

  3. Digite Evaluate na caixa de pesquisa para localizar o módulo modelo de avaliação .Enter evaluate in the search box to find the Evaluate Model module. Arraste o módulo para a tela de pipeline.Drag the module to the pipeline canvas.

  4. Conecte a saída do módulo modelo de Pontuação à entrada à esquerda do modelo de avaliação.Connect the output of the Score Model module to the left input of Evaluate Model.

    O pipeline final deve ser semelhante a este:The final pipeline should look something like this:

    Captura de tela mostrando a configuração correta do pipeline.

Executar o pipelineRun the pipeline

Um pipeline é executado em um destino de computação, que é um recurso de computação anexado ao seu espaço de trabalho.A pipeline runs on a compute target, which is a compute resource that's attached to your workspace. Depois de criar um destino de computação, você poderá reutilizá-lo para execuções futuras.After you create a compute target, you can reuse it for future runs.

  1. Selecione executar na parte superior da tela para executar o pipeline.Select Run at the top of the canvas to run the pipeline.

  2. Quando o painel configurações for exibido, selecione Selecionar destino de computação.When the Settings pane appears, select Select compute target.

    Se você já tiver um destino de computação disponível, poderá selecioná-lo para executar esse pipeline.If you already have an available compute target, you can select it to run this pipeline.

    Nota

    O designer pode executar experimentos somente em destinos de computação Azure Machine Learning.The designer can run experiments only on Azure Machine Learning Compute targets. Outros destinos de computação não serão mostrados.Other compute targets won't be shown.

  3. Insira um nome para o recurso de computação.Enter a name for the compute resource.

  4. Selecione Guardar.Select Save.

    Configurar destino de computação

  5. Selecione Executar.Select Run.

  6. Na caixa de diálogo configurar execução de pipeline , selecione + novo experimento para o experimento.In the Set up pipeline run dialog box, select + New experiment for the Experiment.

    Nota

    O pipeline semelhante do grupo de experimentos é executado juntos.Experiments group similar pipeline runs together. Se você executar um pipeline várias vezes, poderá selecionar o mesmo experimento para execuções sucessivas.If you run a pipeline multiple times, you can select the same experiment for successive runs.

    1. Insira um nome descritivo para o nome do experimento.Enter a descriptive name for Experiment Name.

    2. Selecione Executar.Select Run.

    Você pode exibir o status de execução e os detalhes no canto superior direito da tela.You can view run status and details at the top right of the canvas.

    Nota

    Leva aproximadamente cinco minutos para criar um recurso de computação.It takes approximately five minutes to create a compute resource. Depois que o recurso for criado, você poderá reutilizá-lo e ignorar esse tempo de espera para execuções futuras.After the resource is created, you can reuse it and skip this wait time for future runs.

    O recurso de computação é dimensionado em escala para zero nós quando está ocioso para economizar o custo.The compute resource autoscales to zero nodes when it's idle to save cost. Ao usá-lo novamente após um atraso, você pode experimentar aproximadamente cinco minutos de tempo de espera enquanto ele é dimensionado novamente.When you use it again after a delay, you might experience approximately five minutes of wait time while it scales back up.

Ver resultadosView results

Depois que a execução for concluída, você poderá exibir os resultados da execução do pipeline.After the run completes, you can view the results of the pipeline run.

  1. Selecione o módulo modelo de Pontuação para exibir sua saída.Select the Score Model module to view its output.

  2. No painel Propriedades, selecione saídas > Visualizar.In the properties pane, select Outputs > Visualize.

    Aqui você pode ver os preços previstos e os preços reais dos dados de teste.Here you can see the predicted prices and the actual prices from the testing data.

    Captura de tela da visualização de saída realçando a coluna de rótulo pontuado

  3. Selecione o módulo avaliar modelo para exibir sua saída.Select the Evaluate Model module to view its output.

  4. No painel Propriedades, selecione saída > Visualizar.In the properties pane, select Output > Visualize.

As seguintes estatísticas são mostradas para seu modelo:The following statistics are shown for your model:

  • Erro de média absoluta (Mae) : a média de erros absolutos.Mean Absolute Error (MAE): The average of absolute errors. Um erro é a diferença entre o valor previsto e o valor real.An error is the difference between the predicted value and the actual value.
  • Erro de quadrado médio de raiz (RMSE) : a raiz quadrada da média de erros quadrados de previsões feitas no conjunto de testes.Root Mean Squared Error (RMSE): The square root of the average of squared errors of predictions made on the test dataset.
  • Erro relativo absoluto: A média dos erros absolutos relativos à diferença absoluta entre os valores reais e a média de todos os valores reais.Relative Absolute Error: The average of absolute errors relative to the absolute difference between actual values and the average of all actual values.
  • Erro ao quadrado absoluto: A média dos erros ao quadrado relativos à diferença ao quadrado entre os valores reais e a média de todos os valores reais.Relative Squared Error: The average of squared errors relative to the squared difference between the actual values and the average of all actual values.
  • Coeficiente de determinação: também conhecido como o valor de R quadrado, essa métrica estatística indica o quão bem um modelo se ajusta aos dados.Coefficient of Determination: Also known as the R squared value, this statistical metric indicates how well a model fits the data.

Em cada uma das estatísticas de erros, quanto mais pequeno, melhor.For each of the error statistics, smaller is better. Um valor menor indica que as previsões estão mais próximas dos valores reais.A smaller value indicates that the predictions are closer to the actual values. Para o coeficiente de determinação, quanto mais próximo seu valor for para um (1,0), melhor será a previsão.For the coefficient of determination, the closer its value is to one (1.0), the better the predictions.

Limpar recursosClean up resources

Importante

Você pode usar os recursos que criou como pré-requisitos para outros tutoriais de Azure Machine Learning e artigos de instruções.You can use the resources that you created as prerequisites for other Azure Machine Learning tutorials and how-to articles.

Excluir tudoDelete everything

Se você não planeja usar nada que criou, exclua o grupo de recursos inteiro para não incorrer em encargos.If you don't plan to use anything that you created, delete the entire resource group so you don't incur any charges.

  1. No portal do Azure, selecione grupos de recursos no lado esquerdo da janela.In the Azure portal, select Resource groups on the left side of the window.

    Eliminar grupo de recursos no portal do Azure

  2. Na lista, selecione o grupo de recursos que você criou.In the list, select the resource group that you created.

  3. Selecione Eliminar grupo de recursos.Select Delete resource group.

Excluir o grupo de recursos também exclui todos os recursos que você criou no designer.Deleting the resource group also deletes all resources that you created in the designer.

Excluir ativos individuaisDelete individual assets

No designer em que você criou o experimento, exclua ativos individuais selecionando-os e, em seguida, selecionando o botão excluir .In the designer where you created your experiment, delete individual assets by selecting them and then selecting the Delete button.

O destino de computação que você criou aqui é automaticamente dimensionado para zero nós quando ele não está sendo usado.The compute target that you created here automatically autoscales to zero nodes when it's not being used. Essa ação é executada para minimizar os encargos.This action is taken to minimize charges. Se você quiser excluir o destino de computação, siga estas etapas: If you want to delete the compute target, take these steps:

Excluir ativos

Você pode cancelar o registro de conjuntos de registros de seu espaço de trabalho selecionando cada conjunto de registros e selecionando Cancelar registro.You can unregister datasets from your workspace by selecting each dataset and selecting Unregister.

Cancelar registro do conjunto de registros

Para excluir um conjunto de um, vá para a conta de armazenamento usando o portal do Azure ou Gerenciador de Armazenamento do Azure e exclua manualmente esses ativos.To delete a dataset, go to the storage account by using the Azure portal or Azure Storage Explorer and manually delete those assets.

Passos seguintesNext steps

Na parte um deste tutorial, você concluiu as seguintes tarefas:In part one of this tutorial, you completed the following tasks:

  • Criar um pipelineCreate a pipeline
  • Preparar os dadosPrepare the data
  • Dar formação sobre o modeloTrain the model
  • Pontuar e avaliar o modeloScore and evaluate the model

Na parte dois, você aprenderá a implantar seu modelo como um ponto de extremidade em tempo real.In part two, you'll learn how to deploy your model as a real-time endpoint.