Treinar o modelo

Há muitos serviços disponíveis para treinar modelos de machine learning. Qual serviço você usa que depende de fatores como:

• Qual tipo de modelo você precisa treinar,
• Se você precisa de controle total sobre o treinamento do modelo,
• Quanto tempo você deseja investir no treinamento do modelo,
• Quais serviços já estão na sua organização,
• Com qual linguagem de programação você está familiarizado.

No Azure, há vários serviços disponíveis para treinar modelos de machine learning. Alguns serviços comumente usados são:

Ícone	Descrição
	O Azure Machine Learning oferece várias opções diferentes para treinar e gerenciar seus modelos de machine learning. Você pode optar por trabalhar com o Studio para ter uma experiência baseada em interface do usuário ou gerenciar suas cargas de trabalho de aprendizado de máquina com o SDK do Python ou com a CLI para ter uma primeira experiência de código. Saiba mais sobre o Azure Machine Learning.
	O Azure Databricks é uma plataforma de análise de dados que você pode usar para engenharia de dados e ciência de dados. O Azure Databricks usa a computação distribuída do Spark para processar seus dados com eficiência. Você pode optar por treinar e gerenciar modelos com o Azure Databricks ou por integrar o Azure Databricks a outros serviços, como o Azure Machine Learning. Saiba mais sobre o Azure Databricks.
	O Microsoft Fabric é uma plataforma de análise integrada projetada para simplificar fluxos de trabalho de dados entre analistas de dados, engenheiros de dados e cientistas de dados. Com o Microsoft Fabric, você pode preparar dados, treinar um modelo, usar o modelo treinado para gerar previsões e visualizar os dados em relatórios do Power BI. Saiba mais sobre o Microsoft Fabric e especificamente sobre os recursos de ciência de dados no Microsoft Fabric.
	O Foundry Tools é uma coleção de modelos de machine learning predefinidos que você pode usar para tarefas comuns de machine learning, como detecção de objetos em imagens. Os modelos são oferecidos como uma API (interface de programação de aplicativo), para que você possa facilmente integrar um modelo ao seu aplicativo. Alguns modelos podem ser personalizados com seus dados de treinamento, economizando tempo e recursos para treinar um novo modelo do zero. Saiba mais sobre as Ferramentas de Fundição.

Recursos e funcionalidades do Azure Machine Learning

Vamos nos concentrar no Azure Machine Learning. O Microsoft Azure Machine Learning é um serviço de nuvem para treinamento, implantação e gerenciamento de modelos de machine learning. Ele é projetado para ser usado por cientistas de dados, engenheiros de software, profissionais de DevOps e outros para gerenciar o ciclo de vida completo de projetos de aprendizado de máquina.

O Azure Machine Learning dá suporte a tarefas, incluindo:

• Explorando dados e preparando-os para modelagem.
• Treinamento e avaliação de modelos de machine learning.
• Registro e gerenciamento de modelos treinados.
• Implantando modelos treinados para uso por aplicativos e serviços.
• Revisão e aplicação de princípios e práticas de IA responsáveis.

O Azure Machine Learning fornece os seguintes recursos e capacidades para dar suporte a trabalhos de aprendizado de máquina:

• Armazenamento centralizado e gerenciamento de conjuntos de dados para treinamento e avaliação de modelo.
• Recursos de computação sob demanda nos quais você pode executar trabalhos de machine learning, como treinar um modelo.
• AutoML (machine learning automatizado), o que facilita a execução de vários trabalhos de treinamento com algoritmos e parâmetros diferentes para encontrar o melhor modelo para seus dados.
• Ferramentas visuais para definir pipelines orquestrados para processos como treinamento ou inferência de modelos.
• Integração com estruturas comuns de machine learning, como o MLflow, que facilitam o gerenciamento de treinamento, avaliação e implantação de modelos em escala.
• Suporte interno para visualizar e avaliar métricas para IA responsável, incluindo explicabilidade de modelo, avaliação de imparcialidade e outros.

Em seguida, vamos ver como podemos começar a usar o Azure Machine Learning em uma interface do usuário.