説明
情報抽出を自動化することで、ビジネス プロセスを加速します。Form Recognizer は、高度な機械学習を適用して、ドキュメントからテキスト、キーと値のペア、およびテーブルを正確に抽出します。Form Recognizer は、わずか数個のサンプルを使用して、オンプレミスとクラウドの両方のドキュメントに合わせて理解を調整します。
わずかな時間とコストでフォームを使用可能なデータに変換できるため、情報を編集するのではなく、情報の処理により多くの時間を費やすことができます。
参照：
https://azure.microsoft.com/en-us/services/cognitive-services/form-recognizer/

参照：
https://docs.microsoft.com/en-us/azure/architecture/data-guide/technology-choices/natural-language-processing

説明
図の説明が自動生成される

ボックス 1: エンティティの認識
Machine Learning Studio (クラシック) の Named Entity Recognition モジュール。テキスト列内の人、会社、場所などの名前を識別します。
名前付きエンティティの認識は、機械学習と自然言語処理 (NLP) の重要な研究分野です。これは、次のような多くの現実世界の質問に答えるために使用できるためです。
* ニュース記事で言及された企業は?
* ツイートに個人の名前が含まれていますか? ツイートは彼の現在地も提供していますか?
* 苦情やレビューで特定の製品について言及されていましたか?
ボックス 2: 感情分析
Text Analytics API の感情分析機能には、肯定的な感情と否定的な感情を検出するための 2 つの方法が用意されています。感情分析リクエストを送信すると、API は感情ラベル (「ネガティブ」、
"neutral" および "positive") と、文およびドキュメント レベルでの信頼度スコア。
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/named-entity-recognition
https://docs.microsoft.com/en-us/azure/cognitive-services/text-analytics/how-tos/text-analytics-how-to-sentimen

説明
グラフィカル ユーザー インターフェイス、テキスト、アプリケーション、電子メール 説明が自動的に生成される

翻訳サービスは、テキスト翻訳、音訳、言語検出、および辞書の多言語サポートを提供します。
自動音声認識 (ASR) とも呼ばれる Speech-to-Text は、音声文字変換を提供する Speech Services の機能です。
参照：
https://docs.microsoft.com/en-us/azure/cognitive-services/Translator/translator-info-overview
https://docs.microsoft.com/en-us/legal/cognitive-services/speech-service/speech-to-text/transparency-note

説明

ボックス 1: モデルの評価
モデル評価モジュールは、真陽性、偽陰性、偽陽性、および真陰性の数、ならびに ROC、Precision/Recall、および Lift 曲線を示す混同行列を出力します。
ボックス 2: 機能エンジニアリング
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を改善するのに役立つ特徴を作成するプロセスです。Azure Machine Learning では、機能エンジニアリングを容易にするために、スケーリングと正規化の手法が適用されます。これらの手法と機能エンジニアリングをまとめて、特徴付けと呼びます。
注: 多くの場合、フィーチャは、フィーチャ 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、情報が日単位、月単位、または休日と営業日などの問題に関連するカテゴリに変換されるまで、モデリングには役に立たない場合があります。
ボックス 3: 機能の選択
機械学習と統計では、特徴選択とは、分析モデルの構築に使用する関連性のあ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