araujovitorpaulo / lab01-ai900

Laboratório 01 da série mslearn-ai-fundamentals, da Microsoft

lab01-ai900

Introdução

Resolução do laboratório 01 (Machine Learning) da série mslearn-ai-fundamentals, da Microsoft. Para mais informações, acesse o repositório oficial.

A proposta é utilizar um conjunto de dados com o histórico dos aluguéis de bicicletas disponibilizado pela empresa Capital Bikeshare. Ele traz uma série de informações como: estação do ano, umidade, velocidade do vento etc.

Vale lembrar: O portal Azure não é gratuito mas, se for um novo usuário e fizer o cadastro, você tem direito à $200.00 de crédito (aproximadamente R$1.000,00) que podem ser usados até 30 dias depois do primeiro acesso. Mais informações em, acesse o link.

Criação da área de trabalho (workspace)

1. Acesse o Portal Azure e entre com a sua conta Microsoft.
2. Crie um novo recurso.
3. Na tela do novo recurso, busque por Azure Machine Learning.
4. Crie um novo workspace e preencha as configurações de acordo com a sua necessidade.
5. Por fim, faça a revisão das opções selecionadas e confirme. Após um curto período de tempo, ele será criado.
6. Depois de criado, você terá a opção de iniciar o Machine Learning Studio do Azure.

Criação do Aprendizado de Máquina Automatizado (Automated Machine Learning)

1. Com o studio iniciado, navegue até o menu ML automatizado.
2. Crie um novo trabalho de ML automatizado.
3. Preencha as configurações básicas.
4. Depois do passo anterior, será pedido para que você preencha as informações de tipo de tarefa e dados. Durante essa etapa, se você ainda não possuir um conjunto de dados (dataset), será pedido para que você crie.
5. Por fim, será preciso estabelecer as configurações da tarefa criada e o tipo de servidor que será destinado à ela.
6. Faça o envio da sua tarefa para treinamento e aguarde até ela mostrar o status de concluída.

Implantação (Deploy) do modelo

1. Com o modelo concluído, será possível ter acesso ao algoritmo que teve maior precisão após o treinamento.
2. Entre no algoritmo e, na opção Implantar, selecione Serviço Web.
3. Preencha as configurações como necessário e prossiga com a implantação.
4. Aguarde até que a implantação seja iniciada. Quando iniciado, o status será indicado como "Em execução".
5. Depois de um certo tempo, o status será automaticamente atualizado para "Concluído". O processo demora em torno de 10-15 min.

Teste do serviço implantado

1. Ao finalizar o tópico anterior, você terá automaticamente criado um Ponto de Extremidade. Dentro dele será possível acessar à opção Testar.
2. Nessa opção, impute o seguinte código para teste:

 {
   "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
 }

3. Clique na opção Testar e observe à direita o resultado obtido. Segundo a Microsoft, o resultado deve ser próximo à 444.28

 {
   "Results": [
     444.27799000000000
   ]
 }

Lembre-se que o resultado pode variar, como ocorreu comigo:

Em resumo: Foi criado um conjunto de dados com o histórico dos aluguéis de bicicletas e ele foi usado para o treinamento de um modelo. Por fim, o modelo conseguiu prever o número de bicicletas que seriam alugadas em um determinado dia, considerando até mesmo as condições meteorológicas e das estações.

Limpeza

Caso você não pretenda testar mais nada, é recomendado que tudo que foi feito, seja excluído. Isso é recomendado pois o serviço web criado fica hospedado em um container do Azure e, enquanto ele continuar lá, serão feitas cobranças.

Vá aos pontos de extremidade, selecione o endpoint criado e exclua. Após isso, será possível excluir a sua área de trabalho diretamente. A exclusão leva um curto período de tempo para entrar em vigor.