A：トレーニングされたモデルは、モジュールパレットにデータセットモジュールとして保存されます。MyDatasetsの下にあります。
Azure Machine Learning Designerを使用すると、インタラクティブキャンバス上のデータセットとモジュールを視覚的に接続して、機械学習モデルを作成できます。
D：公開されたパイプラインページで公開されたパイプラインを利用できます。公開されたパイプラインを選択し、そのRESTエンドポイントを見つけます。
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-run-batch-predictions-designer
https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer

説明

ボックス1：モデル評価
モデル評価モジュールは、真陽性、偽陰性、偽陽性、真陰性の数、およびROC、適合率/再現率、リフト曲線を示す混同行列を出力します。
ボックス2：特徴工学
特徴エンジニアリングは、データのドメイン知識を使用して、MLアルゴリズムの学習に役立つ機能を作成するプロセスです。Azure Machine Learningでは、スケーリングと正規化の手法を適用して、機能エンジニアリングを容易にします。総称して、これらの手法と特徴工学は特徴化と呼ばれます。
注：多くの場合、特徴は、特徴エンジニアリングのプロセスを通じて生データから作成されます。たとえば、タイムスタンプ自体は、情報が日、月、または休日と就業日などの問題に関連するカテゴリの単位に変換されるまで、モデリングに役立たない場合があります。
ボックス3：特徴選択
機械学習と統計では、特徴選択は、分析モデルの構築に使用する、関連する有用な特徴のサブセットを選択するプロセスです。特徴選択は、データのフィールドを最も価値のある入力に絞り込むのに役立ちます。データのフィールドを狭めることは、ノイズを減らし、トレーニングパフォーマンスを向上させるのに役立ちます。
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/studio/evaluate-model-performance
https://docs.microsoft.com/en-us/azure/machine-learning/concept-automated-ml

説明
QnA Makerは、既存のデータ上に会話型の質問と回答のレイヤーを作成できるクラウドベースのAPIサービスです。これを使用して、FAQ、マニュアル、ドキュメントなどの半構造化コンテンツから質問と回答を抽出することにより、ナレッジベースを構築します。
参照：
https://azure.microsoft.com/en-us/services/cognitive-services/qna-maker/

セクション：Azureでのコンピュータービジョンワークロードの機能について説明する
説明
Explanation:
オブジェクトの検出はタグ付けに似ていますが、APIは、見つかった各オブジェクトのバウンディングボックスの座標（ピクセル単位）を返します。たとえば、画像に犬、猫、人物が含まれている場合、検出操作では、これらのオブジェクトが画像内の座標とともに一覧表示されます。この機能を使用して、画像内のオブジェクト間の関係を処理できます。また、画像内に同じタグのインスタンスが複数あるかどうかを判断することもできます。
Detect APIは、画像で識別されたオブジェクトまたは生物に基づいてタグを適用します。現在、タグ付け分類法とオブジェクト検出分類法の間に正式な関係はありません。概念レベルでは、Detect APIはオブジェクトと生物のみを検出しますが、TagAPIには次のようなコンテキスト用語を含めることもできます。
バウンディングボックスでローカライズできない「屋内」。
参照：
https://docs.microsoft.com/en-us/azure/cognitive-services/computer-vision/concept-object-detection

セクション：Azureでの会話型AIワークロードの機能について説明する
説明/参照：