Entrenamiento del modelo

Hay muchos servicios disponibles para entrenar modelos de Machine Learning. El servicio que use depende de factores como:

• El tipo de modelo que necesita entrenar,
• Si necesita un control total sobre el entrenamiento del modelo,
• El tiempo que desea invertir en el entrenamiento del modelo,
• Los servicios que ya están dentro de su organización,
• El lenguaje de programación con el que se siente cómodo.

Dentro de Azure, hay varios servicios disponibles para entrenar modelos de Machine Learning. Algunos servicios usados habitualmente son:

Icono	Descripción
	Azure Machine Learning ofrece muchas opciones diferentes para entrenar y administrar los modelos de Machine Learning. Puede optar por trabajar con Studio para obtener una experiencia basada en la interfaz de usuario o administrar las cargas de trabajo de aprendizaje automático con el SDK de Python o la CLI para obtener una experiencia orientada al código. Más información sobre Azure Machine Learning.
	Azure Databricks es una plataforma de análisis de datos que puede usar para la ingeniería de datos y la ciencia de datos. Azure Databricks usa el proceso distribuido de Spark para procesar los datos de forma eficaz. Puede optar por entrenar y administrar modelos con Azure Databricks o mediante la integración de Azure Databricks con otros servicios como Azure Machine Learning. Obtenga más información sobre Azure Databricks.
	Microsoft Fabric es una plataforma de análisis integrada diseñada para agilizar los flujos de trabajo de datos entre analistas de datos, ingenieros de datos y científicos de datos. Con Microsoft Fabric, puede preparar datos, entrenar un modelo, usar el modelo entrenado para generar predicciones y visualizar los datos en informes de Power BI. Obtenga más información sobre Microsoft Fabric y, específicamente, sobre las características de ciencia de datos de Microsoft Fabric.
	Foundry Tools es una colección de modelos de aprendizaje automático creados previamente que puede usar para tareas comunes de aprendizaje automático, como la detección de objetos en imágenes. Los modelos se ofrecen como una interfaz de programación de aplicaciones (API), por lo que puede integrar fácilmente un modelo con la aplicación. Algunos modelos se pueden personalizar con sus propios datos de entrenamiento, lo que ahorra tiempo y recursos para entrenar un nuevo modelo desde cero. Aprenda más sobre herramientas de fundición.

Características y funcionalidades de Azure Machine Learning

Vamos a centrarnos en Azure Machine Learning. Microsoft Azure Machine Learning es un servicio en la nube para entrenar, implementar y administrar modelos de aprendizaje automático. Está diseñado para ser utilizado por científicos de datos, ingenieros de software, profesionales de devops y otros para administrar el ciclo de vida completo de los proyectos de aprendizaje automático.

Azure Machine Learning admite tareas, entre las que se incluyen:

• Explorar datos y prepararlos para el modelado.
• Entrenamiento y evaluación de modelos de aprendizaje automático.
• Registro y administración de modelos entrenados.
• Implementación de modelos entrenados para su uso por aplicaciones y servicios.
• Revisión y aplicación de los principios y prácticas de inteligencia artificial responsables.

Azure Machine Learning proporciona las siguientes características y funcionalidades para admitir cargas de trabajo de aprendizaje automático:

• Almacenamiento centralizado y administración de conjuntos de datos para el entrenamiento y la evaluación del modelo.
• Recursos de proceso a petición en los que puede ejecutar trabajos de aprendizaje automático, como entrenar un modelo.
• Aprendizaje automático automatizado (AutoML), lo que facilita la ejecución de varios trabajos de entrenamiento con distintos algoritmos y parámetros para encontrar el mejor modelo para los datos.
• Herramientas visuales para definir canalizaciones orquestadas, para procesos como la capacitación de modelos o la inferencia.
• Integración con marcos de aprendizaje automático comunes, como MLflow, que facilitan la administración del entrenamiento, la evaluación y la implementación del modelo a escala.
• Compatibilidad integrada para visualizar y evaluar métricas para la inteligencia artificial responsable, incluida la explicación del modelo, la evaluación de equidad y otros.

A continuación, veamos cómo podemos empezar a trabajar con Azure Machine Learning en una interfaz de usuario.