eguedes / bootcampdio_lab-endpoints Goto Github PK

Este repositório tem como objetivo entregar o projeto final do módulo "Trabalhando com Machine Learning na Prática no Azure ML" do Bootcamp "Microsoft Azure AI Fundamentals" da DIO, ministrado pela Valéria Baptista.

O desenvolvimento deste projeto visa orientar a criação de um modelo de Machine Learning no Microsoft Azure ML, com base nas orientações contidas no site da Microsoft Learn.

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

Para usar o Azure Machine Learning, você precisa provisionar um espaço de trabalho do Azure Machine Learning em sua conta do Azure. Então você poderá usar o Azure Machine Learning Studio para trabalhar com os recursos em seu espaço de trabalho.

Dica: Se você já tem um espaço de trabalho do Azure Machine Learning, pode usá-lo e pular para a próxima tarefa.

1. Faça login no portal do Azure usando suas credenciais da Microsoft.

2. Selecione + Criar um recurso, pesquise por Machine Learning e crie um novo 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 único para o seu espaço de trabalho.

   Região: Selecione a região geográfica mais próxima.

   Conta de armazenamento: Observe a nova conta de armazenamento padrão que será criada para o seu espaço de trabalho.

   Cofre de chaves: Observe o novo cofre de chaves padrão que será criado para o seu espaço de trabalho.

   Insights de aplicação: Observe o novo recurso de insights de aplicação padrão que será criado para o seu espaço de trabalho.

   Registro de contêiner: Nenhum (um será criado automaticamente na primeira vez que você implantar um modelo em um contêiner).

3. Selecione Revisar + criar, depois selecione Criar. Aguarde a criação do seu espaço de trabalho (pode levar alguns minutos) e, em seguida, vá para o recurso implantado.

4. Selecione Iniciar estúdio (ou abra uma nova guia do navegador e navegue até https://ml.azure.com, e faça login no Azure Machine Learning Studio usando sua conta Microsoft). Feche todas as mensagens que são exibidas.

5. No Azure Machine Learning Studio, você deve ver o espaço de trabalho recém-criado. Se não, selecione Todos os espaços de trabalho no menu à esquerda e, em seguida, selecione o espaço de trabalho que você acabou de criar.

O aprendizado de máquina automatizado permite que você experimente vários algoritmos e parâmetros para treinar vários modelos e identificar o melhor para seus dados. Neste exercício, você usará um conjunto de dados de detalhes históricos de aluguel de bicicletas para treinar um modelo que prevê o número de aluguéis de bicicletas que devem ser esperados 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 acordo de licença de dados publicado.

1. No Azure Machine Learning Studio, visualize a página ML Automatizado (em Criação).

2. Crie um novo trabalho ML Automatizado com as seguintes configurações, usando Avançar conforme necessário para avançar na interface do usuário:

   Configurações básicas:

   Nome do trabalho: mslearn-bike-automl

   Novo nome de experimento: mslearn-bike-rental

   Descrição: Aprendizado de máquina automatizado para previsão de aluguel de bicicletas

   Tags: nenhuma

   Tipo de tarefa e dados:

   • Selecione o tipo de tarefa: Regressão

   • Selecionar conjunto de dados: Crie um novo conjunto de dados com as seguintes configurações:

     Tipo de dados:

     • Nome: aluguel de bicicletas
     • Descrição: dados históricos de aluguel de bicicletas
     • Tipo: Tabular

     Fonte de dados:

     • Selecione Dos 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: apenas o primeiro arquivo possui cabeçalhos
     • Pular linhas: nenhuma
     • O conjunto de dados contém dados multilinhas: não selecione

     Esquema:

     • Incluir todas as colunas exceto Caminho
     • Revise os tipos detectados automaticamente

   Selecione Criar. Após a criação do conjunto de dados, selecione o conjunto de dados bike-rentals para continuar a enviar o trabalho de ML Automatizado.

Configurações de tarefa:

• Tipo de tarefa: Regressão

• Conjunto de dados: aluguel de bicicletas

• Coluna de destino: Aluguéis (inteiro)

• Configurações adicionais:

  • Métrica primária: erro quadrático médio normalizado
  • Explique o melhor modelo: Não selecionado
  • Usar todos os modelos suportados: desmarcado. Você restringirá o trabalho para tentar apenas alguns algoritmos específicos.
  • Modelos permitidos: Selecione apenas RandomForest e LightGBM - normalmente você gostaria de tentar o máximo possível, mas cada modelo adicionado aumenta o tempo necessário para executar o trabalho.

• Limites: expanda esta seção

  • Máximo de testes: 3
  • Máximo de testes simultâneos: 3
  • Máximo de nós: 3
  • Limite de pontuação da métrica: 0,085 (de modo que, se um modelo atingir uma pontuação da métrica de erro quadrático médio normalizado de 0,085 ou menos, o trabalho será encerrado.)
  • Tempo limite: 15
  • Tempo limite de iteração: 15
  • Habilitar rescisão antecipada: selecionado
  • Validação e teste:
  • Tipo de validação: divisão de validação de trem
  • Porcentagem de dados de validação: 10
  • Conjunto de dados de teste: Nenhum

Calcular:

• Selecione o tipo de computação: sem servidor

• Tipo de máquina virtual: CPU

• Camada de máquina virtual: Dedicada

• Tamanho da máquina virtual: Standard_DS3_V2*

• Número de instâncias: 1

  • Se a sua assinatura restringir os tamanhos de VM disponíveis para você, escolha qualquer tamanho disponível.

3. Envie o trabalho de treinamento. Ele inicia automaticamente.

4. Espere o trabalho terminar. Pode demorar um pouco – agora pode ser um bom momento para uma pausa para o café!

Quando o trabalho automatizado de aprendizado de máquina for concluído, você poderá revisar o melhor modelo treinado.

1. Na guia Visão geral do trabalho automatizado de aprendizado de máquina, observe o melhor resumo do modelo.

2. Selecione o texto em Nome do algoritmo do melhor modelo para visualizar seus detalhes.

3. Selecione a guia Métricas e selecione os gráficos residuais e predito_true, se eles ainda não estiverem selecionados.

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

1. Na guia Modelo do melhor modelo treinado pelo seu trabalho automatizado de machine learning, selecione Implantar e use a opção de Serviço Web para implantar o modelo com as seguintes configurações:
   • Nome: prever-aluguéis
   • Descrição: Prever aluguel de bicicletas
   • Tipo de computação: Instância de Contêiner do Azure
   • Habilitar autenticação: selecionado
2. Aguarde o início da implantação – isso pode levar alguns segundos. O status de implantação do ponto de extremidade predict-rentals será indicado na parte principal da página como Em execução.
3. Aguarde até que o Status da implantação mude para Bem-sucedido. Isso pode levar de 5 a 10 minutos.

Agora você pode testar seu serviço implantado.

1. No estúdio Azure Machine Learning, no menu esquerdo, selecione Pontos de Extremidades e abra o ponto de extremidade em tempo real predict-rentals.
2. Na página do ponto de extremidade em tempo real predict-rentals, visualize a guia Teste.
3. 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
 }

4. Clique no botão Testar.
5. Revise os resultados do teste, que incluem um número previsto de aluguéis com base nos recursos de entrada - semelhante a este:

 {
   "Results": [
     444.27799000000000
   ]
 }

O painel de teste pegou os dados de entrada e usou o modelo treinado para retornar o número previsto de aluguéis.

Vamos revisar o que você fez. Você usou um conjunto de dados históricos de aluguel de bicicletas para treinar um modelo. O modelo prevê o número de aluguéis de bicicletas esperados num determinado dia, com base em características sazonais e meteorológicas.

O ponto de extremidade pode ser testado com o arquivo endpoint.json.

O serviço web que você criou está hospedado em uma instância de contêiner do Azure. Se você não pretende fazer mais experiências com ele, exclua o ponto de extremidade para evitar o acúmulo desnecessário de uso do Azure.

1. No estúdio Azure Machine Learning, na aba Pontos de extremidade, selecione o ponto de extremidade predict-rentals. Em seguida, selecione Excluir e confirme que deseja excluir o ponto de extremidade.

   Excluir sua computação garante que sua assinatura não será cobrada por recursos de computação. No entanto, será cobrada uma pequena quantia pelo armazenamento de dados, desde que o espaço de trabalho do Azure Machine Learning exista na sua assinatura. Se tiver terminado de explorar o Azure Machine Learning, poderá apagar o espaço de trabalho Azure Machine Learning e os recursos associados.

Para excluir seu espaço de trabalho:

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