FormationSimplon20200525NannyScrappy
FormationSimplon20200525
Note to set up docker
to build an image
docker build -t <image name> .
to run a container
docker container run -it --name <container name> -p 8002:5000 -v "$(PWD):/workspace" -d <image name>
e.g.: docker container run (--rm) -it --name "azure-ml" -p 8001:5000 -v "$(PWD):/workspace" (-d) jupyter-python
explaination: containers name / hostPC port: service port in container / $(PWD) = projects directory
to execute the container in bash
docker exec -it <container name> bash
start jupyter notebook in the containter
jupyter notebook --port=5000 --NotebookApp.password='' --NotebookApp.token='' --no-browser --ip=0.0.0.0 --allow-root
launch jupyter notebook in navigator
localhost:8002
Consignes
-
A partir d’un notebook en local, créer un workspace ML Azure comme ce qu’on a fait avec Laurent mardi (en utilisant le SDK)
-
Dans le notebook, importer le dataset breast cancer de sklearn (https://scikit-learn.org/stable/modules/generated/sklearn.datasets.load_breast_cancer.html), qui est un dataset de classification (objectif est de prédire si la tumeur est ['malignant', 'benign'])
-
En utilisant une Experiment (comme mardi), faites varier dans les différents run et de manière conjointe
- Le nombre de composantes conservées dans l’ACP
- Le temps nécessaire pour entraîner le modèle
- L’accuracy sur le test set
-
Vous enregistrerez ces différents éléments avec run.log
-
Visualisez les résultats de l’Experiment sur le portail Azure