説明

ボックス 1: はい
自動機械学習 (自動 ML または AutoML とも呼ばれます) は、機械学習モデル開発の時間のかかる反復タスクを自動化するプロセスです。これにより、データ サイエンティスト、アナリスト、開発者は、モデルの品質を維持しながら、スケール、効率、生産性の高い ML モデルを構築できます。
ボックス 2: いいえ
ボックス 3: はい
トレーニング中、Azure Machine Learning は、さまざまなアルゴリズムとパラメーターを試す多数のパイプラインを並行して作成します。このサービスは、特徴選択とペアになった ML アルゴリズムを反復処理します。反復ごとに、トレーニング スコアを持つモデルが生成されます。スコアが高いほど、モデルが優れていると見なされます
データに「適合」します。実験で定義された終了基準に達すると停止します。
ボックス 4: いいえ
指定したターゲット メトリックを使用して Azure Machine Learning でモデルをトレーニングおよび調整する場合は、自動 ML を適用します。
ラベルは、予測する列です。
参照：
https://azure.microsoft.com/en-us/services/machine-learning/automatedml/#features

Explanation:
Text Analytics API は、未加工のテキストに対して高度な自然言語処理を提供するクラウドベースのサービスであり、感情分析、キー フレーズ抽出、固有表現認識、および言語検出の 4 つの主な機能が含まれています。
ボックス 1: はい
入力テキストがどの言語で書かれているかを検出し、リクエストで送信されたドキュメントごとに単一の言語コードを、さまざまな言語、バリアント、方言、および一部の地域/文化言語で報告できます。言語コードは、スコアの強さを示すスコアとペアになっています。
ボックス 2: いいえ
ボックス 3: はい
名前付きエンティティの認識: テキスト内のエンティティを人、場所、組織、日付/時刻、数量、パーセンテージ、通貨などとして識別および分類します。よく知られているエンティティも認識され、Web 上の詳細情報にリンクされます。
参照：
https://docs.microsoft.com/en-us/azure/cognitive-services/text-analytics/overview

セクション: 人工知能のワークロードと考慮事項について説明する
説明
Explanation:
モデル説明能力。
ほとんどのビジネスは信頼に基づいて運営されており、ML の「ブラック ボックス」を開くことができれば、透明性と信頼を構築するのに役立ちます。ヘルスケアや銀行などの規制の厳しい業界では、規制とベスト プラクティスに準拠することが重要です。これの重要な側面の 1 つは、入力変数 (機能) とモデル出力の関係を理解することです。各特徴 (特徴の重要度) が予測値に与える影響の大きさと方向の両方を知ることは、モデルをよりよく理解し、説明するのに役立ちます。モデルの説明機能により、自動 ML 実行の一部として機能の重要性を理解できるようになります。
参照：
https://azure.microsoft.com/en-us/blog/new-automated-machine-learning-capabilities-in-azure-machine-learning-service/

説明

説明

ボックス 1: 11

TP = 真陽性。
トレーニング セットのクラス ラベルは、通常、正または負と呼ばれる 2 つの可能な値のみを取ることができます。分類子が正しく予測する陽性インスタンスと陰性インスタンスは、それぞれ真陽性 (TP) と真陰性 (TN) と呼ばれます。同様に、誤って分類されたインスタンスは、偽陽性 (FP) および偽陰性 (FN) と呼ばれます。
ボックス 2: 1,033
FN = 偽陰性
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/studio/evaluate-model-performance