Explorar o machine learning automatizado no Azure ML

Neste exercício, você usará o recurso de machine learning automatizado no Azure Machine Learning para treinar e avaliar um modelo de machine learning. Em seguida, você implantará e testará o modelo treinado.

Este exercício deve levar aproximadamente 30 minutos para ser concluído.

Observação Para concluir este laboratório, você precisará de uma assinatura do Azure na qual tenha acesso administrativo.

Criar um workspace do Azure Machine Learning

Para usar o Azure Machine Learning, você precisa provisionar um workspace do Azure Machine Learning em sua assinatura do Azure. Em seguida, você poderá usar o Estúdio do Azure Machine Learning para trabalhar com os recursos em seu workspace.

Dica: se você já tiver um workspace do Azure Machine Learning, poderá usá-lo e pular para a próxima tarefa.

Entre no portal do Azure em https://portal.azure.com usando suas credenciais da Microsoft.
Selecione + Criar um recurso, pesquise Machine Learning e crie um recurso do Azure Machine Learning com as seguintes configurações:
- Assinatura: sua assinatura do Azure.
- Grupo de recursos: crie ou selecione um grupo de recursos.
- Nome: insira um nome exclusivo para o seu workspace.
- Região: selecione a região geográfica mais próxima.
- Conta de armazenamento: anote a nova conta de armazenamento padrão que será criada para o workspace.
- Cofre de chaves: anote o novo cofre de chaves padrão que será criado para o workspace.
- Application Insights: anote o novo recurso Application Insights padrão que será criado para o workspace.
- Registro de contêiner: nenhum (será criado um automaticamente quando você implantar um modelo em um contêiner pela primeira vez).
Selecione Examinar + criare Criar. Aguarde até que o workspace seja criado (isso pode demorar alguns minutos) e acesse o recurso implantado.
Selecione Iniciar o estúdio (ou abra uma nova guia do navegador, acesse https://ml.azure.com e entre no Estúdio do Azure Machine Learning usando a conta Microsoft). Feche todas as mensagens exibidas.
No Estúdio do Azure Machine Learning, você verá o workspace recém-criado. Caso contrário, selecione Todos os workspaces no menu à esquerda e selecione o workspace que você acabou de criar.

Habilitar versão prévia de recursos

Alguns recursos do Azure Machine Learning estão em versão prévia e precisam ser habilitados explicitamente em seu workspace.

No Estúdio do Azure Machine Learning, clique em gerenciar versões prévias do recursos (o ícone de alto-falante - 🕫).
Habilite a seguinte versão prévia do recurso:
- Experiência guiada para enviar trabalhos de treinamento com computação sem servidor

Usar aprendizado de máquina automatizado para treinar um modelo

O aprendizado de máquina automatizado permite que você experimente vários algoritmos e parâmetros para treinar vários modelos e identificar o melhor para seus dados. Nesse caso, você usa um conjunto de dados de detalhes históricos de aluguel de bicicletas para treinar um modelo que prevê o número de aluguéis de bicicletas que deve ser esperado em um determinado dia, com base em características sazonais e meteorológicas.

Citação: os dados usados neste exercício são derivados do Capital Bikeshare e são usados de acordo com o contrato de licença de dados publicado.

No estúdio do Azure Machine Learning, veja a página ML Automatizado (em Criação).
Crie um novo trabalho de ML automatizado com as seguintes configurações, usando Avançar conforme necessário para avançar dentro da interface do usuário:

Configurações básicas:
- Nome do trabalho: mslearn-bike-automl
- Nome do novo experimento: mslearn-bike-rental
- Descrição: machine learning automatizado para previsão de aluguel de bicicletas
- Marcas: nenhuma
Tipo de tarefa e dados:
- Selecionar tipo de tarefa: regressão
- Selecionar conjunto de dados: crie um novo conjunto de dados com as seguintes configurações:
  - Tipo de dados:
    - Nome: bike-rentals
    - Descrição: dados históricos de aluguel de bicicletas
    - Tipo: tabular
  - Fonte de dados:
    - Selecione De arquivos da Web
  - URL da Web:
    - URL da Web: https://aka.ms/bike-rentals
    - Ignorar validação de dados: não selecionar
  - Configurações:
    - Formato de arquivo: delimitado
    - Delimitador: vírgula
    - Codificação: UTF-8
    - Cabeçalhos de coluna: somente o primeiro arquivo tem cabeçalhos
    - Ignorar linhas: Nenhum
    - O conjunto de dados contém dados multilinhas: não selecione
  - Esquema:
    - incluir todas as colunas que não sejam Caminho
    - Examinar os tipos detectados automaticamente
  Selecione o conjunto de dados de aluguel de bicicletas depois de criá-lo.
Configurações da tarefa:
- Tipo de tarefa: regressão
- Conjunto de dados: bike-rentals
- Coluna de destino: aluguéis (inteiro)
- Definições de configuração adicionais:
  - Métrica primária: erro quadrático médio da raiz normalizada
  - Explicar o melhor modelo: não selecionado
  - Usar todos os modelos com suporte: Nãoselecionado. Você restringirá o trabalho para experimentar apenas alguns algoritmos específicos.
  - Modelos permitidos: selecione apenas RandomForest e LightGBM. O ideal seria tentar usar o máximo possível, mas cada modelo adicionado aumenta o tempo necessário para executar o trabalho.
- Limites: expanda esta seção
  - Avaliações máximas: 3
  - Máximo de avaliações simultâneas: 3
  - Máximo de nós: 3
  - Limite de pontuação da métrica: 0,85 (de modo que se um modelo atingir uma pontuação de métrica de raiz do erro quadrático médio normalizada de até 0,085, o trabalho será encerrado.)
  - Tempo limite: 15
  - Tempo limite de iteração: 5
  - Habilitar encerramento antecipado: selecionado
- Validação e teste:
  - Tipo de validação: divisão de validação de treinamento
  - Percentual de dados de validação: 10
  - Conjunto de dados de teste: nenhum
Computação:
- Selecionar tipo de computação: sem servidor
- Tipo de máquina virtual: CPU
- Camada da máquina virtual: dedicada
- Tamanho da máquina virtual: Standard_DS3_V2
- Número de instâncias: 1
Envie o trabalho de treinamento. Ele é iniciado automaticamente.
Aguarde a conclusão do trabalho. Isso pode demorar um pouco, então agora é um bom momento para um café.

Examinar o melhor modelo

Quando o trabalho de machine learning automatizado for concluído, você poderá examinar o melhor modelo treinado.

Na guia Visão geral do trabalho de machine learning automatizado, observe o resumo do melhor modelo.

Note: você pode ver uma mensagem sob o status “Aviso: pontuação de saída especificada pelo usuário atingida…”. Essa é uma mensagem esperada. Continue na próxima etapa.
Selecione o texto em Nome do algoritmo do melhor modelo para exibir os respectivos detalhes.
Selecione a guia Métricas e selecione os gráficos residuais e predicted_true se eles ainda não estiverem selecionados.

Examine os gráficos que mostram o desempenho do modelo. O gráfico de resíduos mostra os resíduos (as diferenças entre valores previstos e reais) como um histograma. O gráfico predicted_true compara os valores previstos com os valores verdadeiros.

Implantar e testar o modelo

Na guia Modelo para obter o melhor modelo treinado pelo trabalho de machine learning automatizado, selecione Implantar e use a opção serviço Web para implantar o modelo com as seguintes configurações:
- Nome: predict-rentals
- Descrição: prever aluguéis de bicicleta
- Tipo de computação: instância de Contêiner do Azure
- Habilitar autenticação: Selecionado
Aguarde até o início da implantação – isso pode levar alguns segundos. O Status de implantação para o ponto de extremidade predict-rentals será indicado na parte principal da página como Em execução.
Aguarde até que o Status de implantação mude para Bem-sucedida. Isso pode levar de 5 a 10 minutos.

Testar o serviço implantado

Agora você pode testar o serviço implantado.

Em Estúdio do Azure Machine Learning, no menu à esquerda, selecione Pontos de Extremidade e abra o ponto de extremidade em tempo real predict-rentals.
Na página do ponto de extremidade em tempo real de previsão de aluguel, exiba a guia Teste.

No painel Dados de entrada para testar o ponto de extremidade, substitua o modelo JSON pelos seguintes dados de entrada:

 {
   "Inputs": { 
     "data": [
       {
         "day": 1,
         "mnth": 1,   
         "year": 2022,
         "season": 2,
         "holiday": 0,
         "weekday": 1,
         "workingday": 1,
         "weathersit": 2, 
         "temp": 0.3, 
         "atemp": 0.3,
         "hum": 0.3,
         "windspeed": 0.3 
       }
     ]    
   },   
   "GlobalParameters": 1.0
 }

Clique no botãoTestar.
Revise os resultados do teste, que incluem um número previsto de aluguéis com base nos recursos de entrada – semelhante ao seguinte:
```
 {
   "Results": [
     444.27799000000000
   ]
 }
```
O painel de teste pegou os dados de entrada e usou o modelo que você treinou para retornar o número previsto de locações.

Vamos revisar o que você fez. Você usou um conjunto de dados históricos de locação de bicicletas para treinar um modelo. O modelo prevê o número de locações de bicicletas esperadas em um determinado dia, com base em *recursos *sazonais e meteorológicos.

Limpar

O serviço Web que você criou está hospedado em uma Instância de Contêiner do Azure. Se você não pretender experimentá-lo ainda mais, exclua o ponto de extremidade para evitar o acúmulo de uso desnecessário do Azure.

No estúdio do Azure Machine Learning, na guia Pontos de extremidade, selecione o ponto de extremidade predict-rentals. Depois, selecione Excluir e confirme que você deseja excluir o ponto de extremidade.

Excluir sua computação garante que a assinatura não seja cobrada pelos recursos de computação. No entanto, você receberá a cobrança de uma pequena quantidade de armazenamento de dados, desde que o workspace do Azure Machine Learning exista em sua assinatura. Se tiver terminado de explorar o Azure Machine Learning, exclua o workspace do Azure Machine Learning e os recursos associados.

Para excluir seu workspace:

No portal do Azure, na página Grupos de recursos, abra o grupo de recursos que você especificou ao criar seu Workspace do Azure Machine Learning.
Clique em Excluir grupo de recursos, digite o nome do grupo de recursos para confirmar que deseja excluí-lo e selecione Excluir.