El documento presenta opciones para desplegar modelos de machine learning en producción utilizando Azure Machine Learning. Azure ML permite controlar el ciclo de vida de los modelos, desde el desarrollo hasta el despliegue y monitorización, a través de diferentes opciones como compute targets, optimización automática de hiperparámetros, y autogeneración y optimización de modelos mediante AutoML. Se muestra un ejemplo de entrenar un modelo de clasificación de imágenes de ropa utilizando la base de datos FashionMNIST en Azure ML.
4. @zNk
jasanchez@plainconcepts.com
• Interested in:
• Machine Learning (NLP, productionalize models)
• Highly scalable architectures (based on hadoop, spark, etc)
• Software Engineering (I really like C#)
• Gaming: Pubg, LoL
Jesús A. Sánchez Méndez
Data Engineer
5. La siguiente presentación contiene asunciones sobre el
conocimiento de los asistentes acerca de los conceptos
básicos de Machine Learning. Si usted considera que se
puede sentir ofendido por la falta de una explicación
detallada sobre los procesos de entrenamiento, conjuntos
de test, train y validación, o el concepto de hyper-
parámetro, se recomienda que abandone la sala y disfrute
de alguna de las fantásticas sesiones paralelas.
En serio.
6. La siguiente presentación contiene asunciones sobre el
conocimiento de los asistentes acerca de los conceptos
básicos de Machine Learning. Si usted considera que se
puede sentir ofendido por la falta de una explicación
detallada sobre los procesos de entrenamiento, conjuntos
de test, train y validación, o el concepto de hyper-
parámetro, se recomienda que abandone la sala y disfrute
de alguna de las fantásticas sesiones paralelas.
En serio.
22. Azure Machine Learning
Controla del ciclo de vida de los modelos de Machine Learning
Soporta cualquier cosa-de-Python™
Puede auto-generar modelos (AutoML) y optimizarlos (HyperDrive)
Despliegue y gestion por portal, CLI y SDK
28. AutoML
Solo aplica a escenarios de clasificación y regresión
Emplea 22 modelos diferentes
Pre-Procesado de Datos automático:
•Generación automática (imputaciones, encoding,
normalización, etc…)
•Transformaciones
•Selección de Características
29. Autenticación
El SDK puede autenticarse con RBAC y Service
Principal
•ServicePrincipalAuthentication
•Se emplea en la llamada al workspace.load_from_config() con el
parámetro auth