Preparar o modelo

Há muitos serviços disponíveis para treinar modelos de aprendizado de máquina. O serviço que utiliza depende de fatores como:

• Que tipo de modelo precisa de treinar,
• Se você precisa de controle total sobre o treinamento do modelo,
• Quanto tempo você quer investir em treinamento modelo,
• Quais serviços já estão dentro da sua organização,
• Com qual linguagem de programação você se sente confortável.

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

Ícone	Descrição
	O Azure Machine Learning oferece muitas opções diferentes para treinar e gerenciar seus modelos de aprendizado de máquina. Você pode optar por trabalhar com o Studio para uma experiência baseada em interface do usuário ou gerenciar suas cargas de trabalho de aprendizado de máquina com o Python SDK ou CLI para uma experiência code-first. Saiba mais sobre o Azure Machine Learning.
	O Azure Databricks é uma plataforma de análise de dados que pode utilizar para engenharia de dados e ciência de dados. O Azure Databricks usa a computação distribuída do Spark para processar seus dados de forma eficiente. Você pode optar por treinar e gerenciar modelos com o Azure Databricks ou integrando o Azure Databricks com 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.
	Foundry Tools é uma coleção de modelos pré-construídos de aprendizagem automática que pode usar para tarefas comuns de aprendizagem automática, como a deteção de objetos em imagens. Os modelos são oferecidos como uma interface de programação de aplicativos (API), para que você possa integrar facilmente um modelo com seu aplicativo. Alguns modelos podem ser personalizados com seus próprios dados de treinamento, economizando tempo e recursos para treinar um novo modelo do zero. Saiba mais sobre Foundry Tools.

Recursos e capacidades 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 aprendizado de máquina. Ele foi projetado para ser usado por cientistas de dados, engenheiros de software, profissionais de devops e outros para gerenciar o ciclo de vida de ponta a ponta de projetos de aprendizado de máquina.

O Azure Machine Learning suporta tarefas, incluindo:

• Explorar dados e prepará-los para modelagem.
• Treinamento e avaliação de modelos de machine learning.
• Registo e gestão de modelos treinados.
• Implantação de modelos treinados para uso por aplicativos e serviços.
• Rever e aplicar princípios e práticas responsáveis de IA.

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

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

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