Effectuer l’apprentissage des modèles dans l’espace de travail

  • 6 minutes

Vous disposez de plusieurs options pour effectuer l’apprentissage des modèles avec l’espace de travail Azure Machine Learning :

  • Utilisez le Machine Learning automatisé.
  • Exécuter un notebook Jupyter.
  • Exécuter un script en tant que travail.

Découvrir les algorithmes et les valeurs d’hyperparamètres avec le Machine Learning automatisé

Quand vous disposez d’un jeu de données d’apprentissage et êtes chargé de trouver le modèle le plus performant, vous pouvez tester différents algorithmes et valeurs d’hyperparamètres.

L’expérimentation manuelle de différentes configurations d’apprentissage d’un modèle peut prendre beaucoup de temps. À la place, vous pouvez utiliser le Machine Learning automatisé pour accélérer le processus.

Le Machine Learning automatisé effectue une itération à l’aide d’algorithmes associés à certaines sélections de fonctionnalités afin de trouver le modèle le plus performant pour vos données.

Capture d’écran d’une sélection de tâches lors de la configuration du Machine Learning automatisé.

Exécuter un notebook

Si vous préférez développer en exécutant du code dans des notebooks, vous pouvez utiliser la fonctionnalité de notebook intégrée dans l’espace de travail.

La page Notebooks dans le studio vous permet de modifier et d’exécuter des notebooks Jupyter.

Capture d’écran d’un notebook ouvert dans Azure Machine Learning studio.

Tous les fichiers que vous clonez ou créez dans la section des notebooks sont stockés dans le partage de fichiers du compte Stockage Azure créé avec l’espace de travail.

Pour exécuter des notebooks, vous utilisez une instance de calcul. En effet, il s’agit de la solution idéale pour le développement et elles fonctionnent comme une machine virtuelle.

Vous pouvez également choisir de modifier et d’exécuter des notebooks dans Visual Studio Code, tout en utilisant une instance de calcul pour exécuter les notebooks.

Exécuter un script en tant que travail

Il est préférable d’utiliser des scripts quand vous souhaitez préparer votre code pour qu’il soit prêt pour la production. Vous pouvez facilement automatiser l’exécution du script pour automatiser toute charge de travail Machine Learning.

Vous pouvez exécuter un script en tant que travail dans Azure Machine Learning. Quand vous envoyez un travail à l’espace de travail, toutes les entrées et sorties sont stockées dans l’espace de travail.

Capture d’écran de la vue d’ensemble d’un travail de commande montrant les propriétés, les entrées et les sorties.

Il existe différents types de travaux selon la façon dont vous souhaitez exécuter une charge de travail :

  • Commande : exécutez un script unique.
  • Balayage : effectuez le réglage des hyperparamètres lors de l’exécution d’un script unique.
  • Pipeline : exécutez un pipeline composé de plusieurs scripts ou composants.

Notes

Quand vous soumettez un pipeline que vous avez créé avec le concepteur, il s’exécute en tant que travail de pipeline. Quand vous envoyez une expérience de Machine Learning automatisé, elle s’exécute également en tant que travail.