セクション: Azure での機械学習の基本原則について説明する
Explanation:
最も基本的な意味で、回帰は数値目標の予測を指します。
線形回帰は、1 つ以上の独立変数と数値結果または従属変数との間に線形関係を確立しようとします。
このモジュールを使用して線形回帰法を定義し、ラベル付きデータセットを使用してモデルをトレーニングします。その後、トレーニング済みのモデルを使用して予測を行うことができます。
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/linear-regression

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
解説・参考：
Explanation:
B: Azure の Computer Vision サービスを使用すると、画像を処理し、関心のある視覚的特徴に基づいて情報を返す高度なアルゴリズムにアクセスできます。人間の顔を見つけます。
E: Computer Vision には、光学式文字認識 (OCR) 機能が含まれています。新しい Read API を使用して、画像やドキュメントから印刷されたテキストや手書きのテキストを抽出できます。最新のモデルを使用し、さまざまな表面や背景でテキストを処理します。これらには、レシート、ポスター、名刺、手紙、ホワイトボードが含まれます。2 つの OCR API は、複数の言語で印刷されたテキストの抽出をサポートしています。
参照：
https://docs.microsoft.com/en-us/azure/cognitive-services/computer-vision/overview

説明Language Understanding (LUIS) は、カスタムの機械学習インテリジェンスをユーザーの会話の自然言語テキストに適用して、全体的な意味を予測し、関連する詳細な情報を引き出す
、クラウドベースの API サービスです。
インテントと呼ばれるユーザーの意図のカテゴリを使用して LUIS モデルを設計します。各インテントには、ユーザーの発話の例が必要です。各発話は、機械学習エンティティで抽出する必要があるデータを提供できます。
参照：
https://docs.microsoft.com/en-us/azure/cognitive-services/luis/what-is-luis

Explanation:
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

参照：
https://docs.microsoft.com/en-us/azure/bot-service/bot-service-manage-channels?view=azure-bot-service-4.0