Antes de qualquer coisa, é necessário ter ou criar uma conta no Microsoft Azure. Caso não tenha, é só seguir esse link e criar a sua.

1. Entre no portal do Azure usando suas credenciais da Microsoft.

2. Selecione + Criar um recurso , pesquise Machine Learning e crie um novo recurso do Azure Machine Learning com as configurações abaixo:

• Assinatura: sua assinatura do Azure.
• Grupo de recursos: Crie ou selecione um grupo de recursos.
• Nome: Insira um nome exclusivo para 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 seu espaço de trabalho.
• Cofre de chaves: Observe o novo cofre de chaves padrão que será criado para seu espaço de trabalho.
• Insights de aplicativo: observe o novo recurso padrão de insights de aplicativo que será criado para 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 e selecione Criar. Aguarde a criação do seu espaço de trabalho (pode demorar alguns minutos) e, em seguida, vá para o recurso implantado.

4. Selecione Launch Studio (ou abra uma nova guia do navegador e navegue até https://ml.azure.com e entre no Azure Machine Learning Studio usando sua conta da Microsoft). Feche todas as mensagens exibidas.

5. No estúdio Azure Machine Learning, você deverá ver seu espaço de trabalho recém-criado. Caso contrário, selecione Todos os espaços de trabalho no menu à esquerda e selecione o espaço de trabalho que você acabou de criar.

1. No Azure Machine Learning Studio, veja a página ML Automatizado.

2. Crie um novo trabalho de ML automatizado com as seguintes configurações, avançando quando necessário pela interface do usuário:

• Nome do trabalho: mslearn-bike-automl
• Novo nome do experimento: mslearn-bike-rental
• Descrição: Aprendizado de máquina automatizado para previsão de aluguel de bicicletas
• Marcadores: nenhum

• 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-8s
    • Cabeçalhos de coluna: Apenas o primeiro arquivo possui cabeçalhos
    • Pular linhas: Nenhum
    • O conjunto de dados contém dados multilinhas: Não selecione

  • Esquema:

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

3. Selecione o conjunto de dados de aluguel de bicicletas depois de criá-lo.

• Tipo de tarefa: Regressão

• Conjunto de dados: aluguel de bicicletas

• Coluna de destino: Aluguéis (inteiro)

• Configurações adicionais:

  • Métrica primária: raiz do 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.

• Expanda a seção Limites.

  • Máximo de testes: 3
  • Máximo de testes simultâneos: 3
  • Máximo de nós: 3
  • Limite de pontuação da métrica: 0,85 (para que, se um modelo atingir uma pontuação da métrica de erro quadrático médio normalizado de 0,085 ou menos, o trabalho termina.)
  • Tempo limite: 15
  • Tempo limite de iteração: 5
  • 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

• 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

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

5. Aguarde o trabalho ser concluído.

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 endpoint de previsão de aluguel será indicado na parte principal da página como Running.

3. Aguarde até que o status da implantação mude para Succeeded. Isso pode levar de 5 a 10 minutos.

1. No estúdio Azure Machine Learning, no menu esquerdo, selecione Endpoints e abra o ponto final em tempo real de previsão de alugueres.

2. Na página do endpoint em tempo real de previsão de aluguel, visualize a guia Teste.

3. No painel Dados de entrada para testar o endpoint, 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": [
    356.9253888264152
  ]
}