Azure Machine Learning Studio: Construye, entrena y despliega modelos de machine learning en minutos

Índice de contenido

1. Introducción a Azure Machine Learning
2. Creación de un espacio de trabajo de Azure Machine Learning
3. Creación de un grupo de recursos
4. Creación de un área de trabajo de Azure Machine Learning
5. Configuración de las opciones de computación
6. Importación y preparación de datos
7. Diseño de un flujo de trabajo de machine learning
8. Entrenamiento y evaluación del modelo
9. Implementación y consumo de endpoints
10. Comparación de Azure Machine Learning y Automated ML

Introducción a Azure Machine Learning

En este Tutorial, aprenderemos cómo utilizar Azure Machine Learning para desarrollar aplicaciones sin necesidad de programación o con un mínimo código. Para empezar, vamos a crear un espacio de trabajo de Azure Machine Learning. Antes de eso, echaremos un vistazo a los servicios que tengo en mi suscripción en la nube. Veremos todos los recursos disponibles y nos aseguraremos de que no hay recursos en funcionamiento para que la facturación sea cero.

Creación de un espacio de trabajo de Azure Machine Learning

El primer paso para utilizar Azure Machine Learning es crear un espacio de trabajo. Este espacio de trabajo nos permitirá organizar y gestionar nuestros recursos de machine learning de manera eficiente. Para crear el espacio de trabajo, seguiremos los siguientes pasos:

1. Crear un grupo de recursos: Un grupo de recursos es una forma de organizar y gestionar nuestros recursos de Azure. Vamos a crear un grupo de recursos y asignarle un nombre relevante, por ejemplo, RG001.

2. Seleccionar una región: Para garantizar una baja latencia y un mejor rendimiento, es importante seleccionar una región que sea relevante para nosotros. En este caso, seleccionaremos la región de Asia Sudoriental.

3. Revisar y crear: Antes de crear el grupo de recursos, es importante revisar todos los detalles y asegurarse de que todo sea Correcto. Si todo es correcto, podemos proceder con la creación.

Una vez creado el grupo de recursos, podemos volver al portal de Azure y buscar Azure Machine Learning. Veremos una opción para crear un espacio de trabajo y lo seleccionaremos. Utilizaremos la suscripción de Data Science y el grupo de recursos que acabamos de crear. Como nombre del espacio de trabajo, utilizaremos WS001. Revisaremos todos los detalles y crearemos el espacio de trabajo.

Una vez creado el espacio de trabajo, se generarán automáticamente los recursos necesarios para el mismo, como una cuenta de almacenamiento, Application Insights y Key Vault. Estos recursos estarán disponibles en la suscripción y el grupo de recursos seleccionados.

Podemos acceder al espacio de trabajo desde el portal de Azure y ver todos los recursos creados, incluyendo los conjuntos de datos, los modelos y los puntos de conexión.

Importación y preparación de datos

Antes de comenzar a construir nuestro flujo de trabajo de machine learning, necesitamos importar y preparar los datos que utilizaremos. Utilizaremos el conjunto de datos del Titanic, que es comúnmente utilizado en la enseñanza de machine learning y data science.

Para importar el conjunto de datos, iremos al panel de Azure Machine Learning y buscaremos el conjunto de datos del Titanic en línea. Una vez encontrado, copiaremos la URL del archivo CSV y la pegaremos en el portal de Azure Machine Learning.

A continuación, crearemos un nuevo conjunto de datos y seleccionaremos la opción de archivos web. Pegaremos la URL del conjunto de datos del Titanic y daremos un nombre relevante al conjunto de datos. El conjunto de datos se almacenará en la cuenta de almacenamiento asociada al espacio de trabajo.

Una vez creado el conjunto de datos, podemos empezar a trabajar con él en nuestro flujo de trabajo de machine learning.

Diseño de un flujo de trabajo de machine learning

Ahora que tenemos nuestros datos importados y preparados, podemos diseñar nuestro flujo de trabajo de machine learning. Utilizaremos el diseñador de Azure Machine Learning, que nos permite construir flujos de trabajo sin necesidad de programar.

En el diseñador, podremos arrastrar y soltar componentes para importar datos, limpiar datos, seleccionar características, entrenar modelos y evaluar el rendimiento.

Comenzaremos arrastrando el componente de importación de datos y seleccionando el conjunto de datos del Titanic que importamos anteriormente. A continuación, podemos añadir componentes adicionales, como limpieza de datos y selección de características.

Una vez que hayamos diseñado nuestro flujo de trabajo, podremos ejecutarlo y entrenar nuestro modelo de machine learning utilizando los datos disponibles. Podremos evaluar el rendimiento del modelo y ajustar los parámetros según sea necesario.

Implementación y consumo de endpoints

Una vez que hayamos entrenado y evaluado nuestro modelo, podremos implementarlo como un endpoint y consumirlo desde nuestras aplicaciones. Esto nos permitirá utilizar el modelo para realizar inferencias en tiempo real.

Para implementar el modelo, necesitaremos configurar un entorno de inferencia utilizando los recursos de Azure adecuados, como clústeres de cómputo o instancias de Azure Machine Learning Compute.

Una vez implementado, podremos consumir el endpoint utilizando las URL y los códigos de muestra proporcionados por Azure Machine Learning. Estos códigos de muestra nos permitirán realizar solicitudes a la API del endpoint y recibir los resultados del modelo en tiempo real.

Comparación de Azure Machine Learning y Automated ML

Por último, vamos a comparar Azure Machine Learning y Automated ML. Ambas soluciones nos permiten construir, entrenar y desplegar modelos de machine learning, pero cada una tiene sus propias características y enfoques.

Azure Machine Learning nos ofrece un enfoque más personalizable y flexible, lo que nos permite construir flujos de trabajo completos utilizando el diseñador visual. Podemos importar nuestros propios algoritmos y personalizar el proceso de entrenamiento y evaluación.

Por otro lado, Automated ML nos ofrece un enfoque más automatizado, donde podemos dejar que Azure Machine Learning seleccione automáticamente el mejor modelo para nuestros datos. Esto es especialmente útil si no tenemos experiencia en machine learning o si queremos obtener resultados rápidos sin tener que ajustar manualmente los parámetros del modelo.

En resumen, Azure Machine Learning y Automated ML son dos potentes herramientas que nos permiten construir y desplegar modelos de machine learning de manera eficiente. La elección entre una u otra dependerá de nuestras necesidades específicas y del nivel de control y personalización que necesitemos.

Pros:

• Permite construir flujos de trabajo completos sin necesidad de programar
• Permite importar y preparar datos de manera sencilla
• Ofrece opciones flexibles de implementación y consumo de endpoints
• Permite comparar y evaluar diferentes modelos de machine learning
• Ofrece integración con otras herramientas de Azure

Contras:

• Requiere conocimientos previos en machine learning para utilizar todas las funcionalidades
• Puede resultar costoso en términos de infraestructura y recursos

Destacados

• Azure Machine Learning Studio es una herramienta poderosa para desarrollar modelos de machine learning sin necesidad de programación.
• El diseñador visual permite construir flujos de trabajo completos, incluyendo la importación y preparación de datos, el entrenamiento y la evaluación de modelos, y la implementación de endpoints.
• Automated ML es una opción más automatizada que selecciona automáticamente el mejor modelo para nuestros datos.
• La implementación y consumo de endpoints permite utilizar los modelos de machine learning en aplicaciones prácticas en tiempo real.

Preguntas frecuentes

P: ¿Cuál es la diferencia entre Azure Machine Learning y Automated ML? R: Azure Machine Learning es una plataforma más flexible y personalizable que permite construir flujos de trabajo completos de machine learning. Automated ML es un enfoque más automatizado que selecciona automáticamente el mejor modelo para nuestros datos.

P: ¿Es necesario tener conocimientos previos en machine learning para utilizar Azure Machine Learning? R: Se recomienda tener conocimientos básicos en machine learning para aprovechar al máximo las funcionalidades de Azure Machine Learning. Sin embargo, también se pueden obtener resultados utilizando el enfoque automatizado de Automated ML.

P: ¿Cuáles son las ventajas de utilizar Azure Machine Learning Studio? R: Azure Machine Learning Studio ofrece una interfaz visual intuitiva que permite construir flujos de trabajo completos sin necesidad de programar. También ofrece opciones flexibles de implementación y consumo de endpoints, lo que facilita la integración de los modelos de machine learning en aplicaciones prácticas.

P: ¿Cuáles son las desventajas de utilizar Azure Machine Learning Studio? R: Azure Machine Learning Studio puede resultar costoso en términos de infraestructura y recursos. También requiere conocimientos previos en machine learning para utilizar todas las funcionalidades de manera eficiente.