23 Dezembro 2015

Azure Machine Learning em 5 Passos

O objectivo deste artigo não é ser um artigo técnico, mas sim um guia para ajudar no desenvolvimento de um modelo de Machine Learning.

Registo e Login no Azure Machine Learning

Inicialmente, é necessário criar uma conta no Azure, para que seja possível ter acesso ao Machine Learning Studio.

É possível criar uma conta grátis para se ccriar um modelo de Machine Learning, mas com algumas restrições, nomeadamente no que respeita a espaço disponível, número de processadores disponíveis, ou ainda algumas outras questões.

Após a criação da conta no Microsoft Azure, é possível efectuar o Login no Azure Machine Learning e iniciar a exploração da plataforma:

Após o login, tem acesso à página inicial do Azure Machine Learning, onde é possível aceder à galeria de experiências/modelos, de fontes de dados e ainda testar alguns exemplos.

Entrar no “Studio” para criar uma experiência/modelo:

Entrar no “Studio” para criar uma experiência/modelo:

Adicionando Datasets

Antes de criar uma experiência/modelo, é muito importante dados, para que seja possível treinar o modelo.

Os dados são adicionados ao Azure Machine Learning, na secção de “DataSets”.

Após clicar em “New”, selecionar “upload the dataset from a local file”.

É possível optar por vários formatos de ficheiros, mas o mais comum é o ficheiro do tipo CSV.

Não há necessidade de adicionar todos os “Datasets” no início, pois novos “Datasets” podem ser adicionados ao modelo, em qualquer momento.

Criando uma Experiência/Modelo de Treino

Para criar uma nova experiência/modelo, clicar em “New” / “Experiment”.

É possível criar uma experiência/modelo vazia, ou abrir um template ou exemplo da galeria:

Seleccionando “Blank Experiment”, a área de trabalho do Studio, ficará disponível:

Este ecrã pode ser dividido em quatro áreas:

1 – Área de Ferramentas, à esquerda, onde todos os components necessários à criação de uma experiência/modelo, podem ser encontrados: Datasets, Trained Models, Transformations, Joins, Data Transformation, …

2 – Área de Trabalho, ao centro, é a área onde se colocam os componentes e os mesmos são ligados a fim de criar o fluxo de dados e construir o modelo/experiência.

3 – Área das Propriedades, à direita, onde é possível definir as propriedades dos componentes e afinar processamentos.

4 – Área de Acções, em baixo, onde estão disponíveis algumas acções a executar na experiência/modelo, como sejam “Save, “Run”, “Deploy Web Service” or “Publish Model

Arrastar e largar os Datasets, os Joins, as transformações ou quaisquer outros objectos/componentes da área de ferramentas e iniciar a construção do modelo.

Verificar sempre que se utiliza o melhor algoritmo para treinar o modelo e, se necessário, alterar as propriedades do mesmo, ou utilizar o componente “Sweep Parameters” para obter melhores resultados.

Também é possível utilizar diferentes algoritmos na mesma experiência de Treino, e depois escolher a melhor, de acordo com os resultados apresentados.

Abaixo, apresenta-se um exemplo de uma Experiência de Treino utilizando dois algoritmos diferentes, para processar os mesmos dados:

Efectuar “Save” e “Run” da Experiência.

Seleccionar o melhor algoritmo e clicar com o botão direito no componente “Train Model”, para gravar o modelo treinado:

Criando um Modelo Preditivo e Definindo o Web Service

A forma mais rápida de criar um modelo/experiência preditivo é definindo o Web Service, utilizando a opção “Predictive Web Service [Recommended]”:

O Azure Machine Learning agrega automaticamente a Experiência de Treino e cria uma Experiência Preditiva com o respectivo Web Service.

O Web Service fica disponível na pasta dos Web Services:

Usando o Web Service e Realizando Previsões

No Web Service estão disponíveis a chave API e o respective URL.

Para obter o URL, clicar em “BATCH EXECUTION” e copiar o URL disponibilizado:

Na loja do Excel (Excel Store) é possível obter uma aplicação para o Machine Learning, dentro de “Data Analytics”, ou poderá utilizar-se a função de procura para encontrar a aplicação de forma mais fácil, e de seguida aplicar na Experiência Preditiva criada:

Podemos então adicionar o Web Service indicado pelo Machine Learning:

Adicionar a API e o URL fornecido pelo Machine Learning:

Criar uma tabela com os inputs para previsão:

E, finalmente, realizer a previsão, conforme apresentado de seguida:

Esperemos que este artigo tenha sido útil, para ajudar na criação de um Modelo Preditivo, no Azure Machine Learning.

.

.

.

.
        Rui Xavier
       Consultant