Azure ML es un servicio que está basado en la plataforma “Microsoft Azure”. Azure ML, al igual que el resto de las aplicaciones de “Microsoft Azure”, está basado en la nube, por lo que no es necesario ningún tipo de infraestructura previa para llevar a cabo proyectos. Además, es un servicio cien por cien plataforma de servicio (PaaS), esto hace que herede ciertas ventajas de muchos otros servicios de plataforma. Algunas de ellas son: Rápido aprovisionamiento, alta disponibilidad, escalabilidad, manejo de la infraestructura, etc.
Descargar Guía de Introducción gratuita
Además, Azure ML se utiliza para el desarrollo de modelos de Machine Learning, desde el entrenamiento del modelo, hasta su implementación y automatización de este. También es posible realizar un seguimiento de los modelos de Machine Learning que se hayan diseñado e implementado.
Esta plataforma está diseñada para ser usada en la implementación de diferentes tipos de algoritmos de Machine Learning, tanto de Supervised Machine Learning, Unsupervised Machine Learning como en Deep Learning, etc.
Asimismo, Azure ML ofrece distintas soluciones para diferentes flujos de trabajo de Machine Learning. Algunas de ellas se presentan a continuación:
· El diseñador de Azure ML (versión preliminar): se trata de módulos que te permiten implementar modelos de Machine Learning sin utilizar una sola línea de código, utilizando el método “arrastrar y colocar”.
· Cuadernos de Jupyter Notebook: Azure ML te permite utilizar tus propios scripts de código utilizando los SDK para Python y R. También puedes usar los cuadernos de ejemplo que puedes encontrar en la plataforma.
· Extensión de Visual Studio Code.
· CLI de Machine Learning.
· También puedes utilizar diferentes plataformas Open Source como PyTorch, TensorFlow, Scikit-Learn, etc.
Por otra parte, Azure ML ha sido desarrollada para que pueda ser utilizada tanto por principiantes en el mundo de la ciencia de datos, como por profesionales del sector. Como se ha dicho en el apartado anterior, Azure ML tiene diferentes opciones a la hora de empezar a trabajar en su plataforma. Una de ellas es hacer uso de cuadernos de Python para el entrenamiento e implementación de modelos de Machine Learning, utilizando los SDK para Python y R.
Otra opción es usar el diseñador de tipo "arrastrar y colocar" para crear e implementar los modelos de Machine Learning. También existe otra alternativa que consiste en hacer uso del Machine Learning Automatizado para el desarrollo de modelos de Machine Learning.
En este documento se va a explicar paso a paso cómo utilizar la plataforma de Azure ML, resolviendo un caso de uso real. Se va a presentar un problema de clasificación, y se analizará cómo sería implementar haciendo uso de la plataforma de Azure ML, una solución a un problema real para predecir el abandono de los clientes de un banco, en función de sus características. Esta demostración se hará utilizando los tres métodos descritos en el párrafo anterior.
Videotutorial: Paso a paso, aprende Microsoft Azure Machine Learning
