Eseguire il training dei modelli nell'area di lavoro
Per eseguire il training dei modelli con l'area di lavoro di Azure Machine Learning, sono disponibili diverse opzioni:
- Usare Machine Learning automatizzato.
- Eseguire un notebook di Jupyter.
- Eseguire uno script come processo.
Esplorare gli algoritmi e i valori degli iperparametri con Machine Learning automatizzato
Se è presente un set di dati di training e si ha l'incarico di trovare il modello con le prestazioni migliori, è possibile sperimentare diversi algoritmi e valori di iperparametri.
La sperimentazione manuale con configurazioni diverse per eseguire il training di un modello potrebbe richiedere molto tempo. In alternativa, è possibile usare Machine Learning automatizzato per accelerare il processo.
Machine Learning automatizzato esegue l'iterazione degli algoritmi associati a selezioni delle funzionalità per trovare il modello con le prestazioni migliori per i dati da usare.
Eseguire un notebook
Se si preferisce sviluppare tramite l'esecuzione del codice nei notebook, è possibile usare la funzionalità notebook predefinita nell'area di lavoro.
La pagina Notebook nello studio consente di modificare ed eseguire notebook di Jupyter.
Tutti i file clonati o creati nella sezione Notebook vengono archiviati nella condivisione file dell'account di archiviazione di Azure creato con l'area di lavoro.
Per eseguire i notebook, si usa un'istanza di calcolo, in quanto è ideale per lo sviluppo e funziona in modo simile a una macchina virtuale.
È anche possibile scegliere di modificare ed eseguire i notebook in Visual Studio Code, usando comunque un'istanza di calcolo per eseguire i notebook.
Eseguire uno script come processo
Quando si vuole preparare codice già pronto per l'ambiente di produzione, è preferibile usare gli script. È possibile automatizzare facilmente l'esecuzione dello script per automatizzare i carichi di lavoro di Machine Learning.
Eseguire uno script come processoin Azure Machine Learning. Quando si invia un processo all'area di lavoro, tutti gli input e gli output vengono archiviati nell'area di lavoro.
Esistono diversi tipi di processi a seconda della modalità di esecuzione di un carico di lavoro:
- Comando: consente di eseguire un singolo script.
- Sweep: consente di eseguire l'ottimizzazione degli iperparametri durante l'esecuzione di un singolo script.
- Pipeline: consente di eseguire una pipeline costituita da più script o componenti.
Nota
Quando si invia una pipeline creata con la finestra di progettazione, verrà eseguita come processo della pipeline. Quando si invia un esperimento di Machine Learning automatizzato, anch'esso viene eseguito come processo.