説明
Explanation:
ランダムグリッドでの最大実行回数：このオプションは、パラメーター値のランダムサンプリングの反復回数も制御しますが、値は指定された範囲からランダムに生成されません。代わりに、パラメータ値のすべての可能な組み合わせからマトリックスが作成され、ランダムサンプリングがマトリックスに対して行われます。この方法は、より効率的で、地域のオーバーサンプリングまたはアンダーサンプリングの傾向が少なくなります。
統合されたパラメータースイープをサポートするモデルをトレーニングしている場合は、使用するシード値の範囲を設定し、ランダムシードを反復処理することもできます。これはオプションですが、シードの選択によって生じるバイアスを回避するのに役立ちます。
不正解：
B：クラスタリングモデルを構築している場合は、スイープクラスタリングを使用して、クラスターの最適な数とその他のパラメーターを自動的に決定します。
C：グリッド全体：このオプションを選択すると、モジュールはシステムによって事前定義されたグリッドをループして、さまざまな組み合わせを試し、最適な学習者を特定します。このオプションは、最適なパラメータ設定がわからず、可能なすべての値の組み合わせを試したい場合に役立ちます。
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/tune-model- hyperparameters

説明

ボックス1：dataFrame
構文：pandas.melt（frame、id_vars = None、value_vars = None、var_name = None、value_name ='value'、col_level = None）[source]ここでframeはDataFrameボックス2：shop Paramter id_vars id_vars：tuple、list、またはndarray、識別子変数として使用するオプションの列。
ボックス3：['2017'、 '2018']
value_vars：タプル、リスト、またはndarray、オプション
ピボットを解除する列。指定しない場合、id_varsとして設定されていないすべての列を使用します。
例：
df = pd.DataFrame（{'A'：{0：'a'、1：'b'、2：'c'}、
'B'：{0：1、1：3、2：5}、
'C'：{0：2、1：4、2：6}}）
pd.melt（df、id_vars = ['A']、value_vars = ['B'、'C']）
可変値
0 a B 1
1 b B 3
2 c B 5
3 a C 2
4 b C 4
5 c C 6
参照：
https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.melt.html

log（name、value、description =''）を使用して、指定された名前で実行に数値または文字列値をログに記録します。指標を実行に記録すると、その指標が実験の実行レコードに保存されます。実行内で同じメトリックを複数回ログに記録でき、その結果はそのメトリックのベクトルと見なされます。
例：run.log（ "accuracy"、0.95）
不正解：
E：log_row（name、description = None、** kwargs）を使用すると、kwargsで説明されているように複数の列を持つメトリックが作成されます。名前付きパラメーターはそれぞれ、指定された値で列を生成します。log_rowは、任意のタプルをログに記録するために1回呼び出すことも、完全なテーブルを生成するためにループ内で複数回呼び出すこともできます。
例：run.log_row（ "Y over X"、x = 1、y = 0.4）
参照：
https://docs.microsoft.com/en-us/python/api/azureml-core/azureml.core.run

1-グローバルモデルをインポートし、PyTorchを使用してローカルモデルをビルドします1。
2-PyTorchを使用してグローバルモデルを構築します。
3-TensorFlowを使用してグローバルモデルを構築します
4-グローバルモデルをインポートし、TensorFlowを使用してローカルモデルを構築します。

説明
線形判別分析法は、連続変数でのみ機能し、カテゴリ変数または順序変数では機能しません。
線形判別分析は、変数の平均を比較することによって機能するという点で、分散分析（ANOVA）に似ています。
シナリオ：
データサイエンティストは、機械学習パイプラインでの自動特徴エンジニアリングとモデル構築を使用して、ローカル環境でノートブックを構築する必要があります。
地域の群衆感情モデルの実験では、地域のペナルティ検出データを組み合わせる必要があります。
ローカルモデルのすべての共有機能は連続変数です。