Construa e opere soluções de aprendizagem automática com Azure Machine Learning

Intermédio
Cientista de Dados
Estudante
Azure
Machine Learning
Portal do Azure

O Azure Machine Learning é uma plataforma na cloud para preparar, implementar, gerir e monitorizar modelos de machine learning. Saiba como usar o Azure Machine Learning Python SDK para criar e gerir soluções ML prontas para empresas.

Pré-requisitos

Este percurso de aprendizagem pressupõe que tem experiência na preparação de modelos de machine learning com o Python e estruturas open-source comoScikit-Learn, PyTorch e Tensorflow. Se não tiver experiência, deve concluir o percurso de aprendizagem Criar modelos de machine learning antes de iniciar este.

Módulos neste percurso de aprendizagem

O Azure Machine Learning oferece uma plataforma baseada na cloud para preparar, implementar e gerir modelos de machine learning.

Saiba como utilizar o Azure Machine Learning para preparar um modelo e registá-lo numa área de trabalho.

Os dados são a base da aprendizagem automática. Neste módulo, você aprenderá a trabalhar com datastores e conjuntos de dados em Azure Machine Learning, permitindo-lhe construir soluções de formação de modelos escaláveis e baseadas em nuvem.

Um dos principais benefícios da nuvem é a capacidade de usar recursos de computação escalável e a pedido para o processamento eficaz em termos de custos de grandes dados. Neste módulo, você vai aprender a usar o computação em nuvem em Azure Machine Learning para executar experiências de treino em escala.

Orquestrar o treino de aprendizagem automática com oleodutos é um elemento-chave dos DevOps para a aprendizagem automática. Neste módulo, você vai aprender a criar, publicar e executar oleodutos para treinar modelos em Azure Machine Learning.

Saiba como registar e implementar modelos de ML com o serviço Azure Machine Learning.

Os modelos de aprendizagem automática são frequentemente usados para gerar previsões de um grande número de observações em um processo de lote. Para isso, pode utilizar a Azure Machine Learning para publicar um pipeline de inferência de lote.

Escolher valores de hiperparímetro ideais para o treino de modelo pode ser difícil, e geralmente envolveu uma grande quantidade de tentativas e erros. Com o Azure Machine Learning, você pode aproveitar experiências em escala de nuvem para sintonizar hiperparímetros.

Saiba como utilizar machine learning automatizado no Azure Machine Learning de forma a obter o melhor modelo para os seus dados.

Os cientistas de dados têm uma responsabilidade ética (e muitas vezes legal) para proteger dados sensíveis. A privacidade diferencial é uma abordagem de vanguarda que permite uma análise útil, protegendo os valores de dados individualmente identificáveis.

Muitas decisões tomadas por organizações e sistemas automatizados hoje em dia são baseadas em previsões feitas por modelos de machine learning. É cada vez mais importante ser capaz de entender os fatores que influenciam as previsões que os modelos fazem.

Os modelos de aprendizagem automática podem frequentemente encapsular o enviesamento não intencional que resulta em injustiça. Com Fairlearn e Azure Machine Learning, você pode detetar e mitigar a injustiça nos seus modelos.

Depois de um modelo de aprendizagem automática ter sido implementado na produção, é importante entender como está a ser usado capturando e visualizando telemetria.

A mudança de tendências nos dados ao longo do tempo pode reduzir a precisão das previsões feitas por um modelo. A monitorização desta deriva de dados é uma forma importante de garantir que o seu modelo continua a prever com precisão.