Explanation:

ボックス 1: 検証
顔の検証: 2 つの顔が同じ人物に属する可能性をチェックし、信頼度スコアを受け取ります。
ボックス 2: 類似性
ボックス 3: グループ化
ボックス 4: 識別
顔検出: 画像内の各顔の 27 個のランドマークを含む、年齢、感情、ポーズ、笑顔、ひげなどの属性とともに 1 人以上の人間の顔を検出します。
参照：
https://azure.microsoft.com/en-us/services/cognitive-services/face/#features

セクション: Azure 上のコンピューター 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と似ていますが、API は見つかった各オブジェクトの境界ボックスの座標 (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、検出操作ではそれらのオブジェクトが画像内の座標とともにリストされます。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存在するかどうかを判断することもできます。
Detect API は、画像内で識別された物体または生物に基づいてタグを適用します。現在、タグ付け分類とオブジェクト検出分類の間には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き物のみを検出しますが、Tag API には次のような文脈上の用語も含めることができます。
「屋内」。バウンディング ボックスを使用してローカライズできません。
参照：
https://docs.microsoft.com/en-us/azure/cognitive-services/computer-vision/concept-object-detection

参照：
https://docs.microsoft.com/en-us/azure/machine-learning/team-data-science-process/create-features

Explanation:
機械学習では、データにラベルを付けた場合、データにマークアップまたは注釈が付けられ、機械学習モデルで予測したい答えであるターゲットが表示されることを意味します。
一般に、データのラベル付けとは、データのタグ付け、注釈、分類、モデレーション、転写、または処理を含むタスクを指します。
不正解:
特徴ではない: 機械学習と統計において、特徴の選択は、分析モデルの構築に使用する関連性の高い有用な特徴のサブセットを選択するプロセスです。特徴の選択は、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絞り込むと、ノイズが軽減され、トレーニングのパフォーマンスが向上します。
参照：
https://www.cloudfactory.com/data-labeling-guide

Explanation:

ボックス 1: はい
Azure Machine Learning デザイナーを使用すると、対話型キャンバス上で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。
ボックス 2: はい
デザイナーを使用すると、モジュールを接続してパイプライン ドラフトを作成できます。
デザイナーでパイプラインを編集すると、進行状況がパイプライン ドラフトとして保存されます。
ボックス 3: いいえ
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer