MICEを使用した置換：このオプションは、欠落している値ごとに、「連鎖方程式を使用した多変量代入」または「連鎖方程式による多重代入」として統計文献に記載されている方法を使用して計算される新しい値を割り当てます。多重代入法では、欠測データのある各変数は、欠測値を入力する前に、データ内の他の変数を使用して条件付きでモデル化されます。
注：「完全条件付き仕様」または「シーケンシャル回帰多重代入」と呼ばれることもある連鎖方程式（MICE）による多変量代入は、欠測データに対処するための1つの主要な方法として統計文献に登場しました。単一の代入ではなく、複数の代入を作成すると、代入の統計的な不確実性が考慮されます。さらに、連鎖方程式のアプローチは非常に柔軟性があり、さまざまなタイプ（連続またはバイナリなど）の変数や、境界や調査スキップパターンなどの複雑さを処理できます。
参照：
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3074241/
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/clean-missing-data

B：Azure Resource Managerテンプレートを使用して、AzureMachineLearningのワークスペースを作成できます。
例：
{"タイプ"： "Microsoft.MachineLearningServices / worksheets"、
..。
C：AzureCLIを使用してAzureMachineLearningのワークスペースを作成できます。機械学習拡張機能をインストールします。
リソースグループを作成します。azgroupcreate--name <resource-group-name> --location <location>サービスが自動的に作成される新しいワークスペースを作成するには、次のコマンドを使用します。az ml Workspace create -w <workspace- name> -g <resource-group-name> D：AzureポータルでAzureMachineLearningワークスペースを作成および管理できます。
Azureサブスクリプションのクレデンシャルを使用してAzureポータルにサインインします。
Azureポータルの左上隅で、[+リソースの作成]を選択します。
検索バーを使用して機械学習を検索します。
機械学習を選択します。
[機械学習]ペインで、[作成]を選択して開始します。

参照：
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-create-workspace-template
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-manage-workspace-cli
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-manage-workspace

説明/参照：
Explanation:
一般的なメタデータの変更には、列を機能としてマークすることが含まれる場合があります。
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/edit-metadataテストレット1ケーススタディの概要あなたは、プロのスポーツイベントにデータサイエンスを提供する会社のデータサイエンティストです。 。モデルは、グローバルおよびローカルの市場データを使用して、次のビジネス目標を達成します。
群衆の反応からの音声に基づいて、スポーツイベントでのモバイルデバイスユーザーの感情を理解します。

広告に反応するユーザーの傾向を評価します。

モバイルデバイスに配信される広告のスタイルをカスタマイズします。

ビデオを使用してペナルティイベントを検出する

現在の環境
ペナルティイベントの検出に使用されるメディアは、消費者向けデバイスによって提供されます。メディアには次のものが含まれる場合があります

スポーツイベント中にキャプチャされ、ソーシャルメディアを使用して共有された画像とビデオ。画像と動画のサイズと形式はさまざまです。
モデル構築に利用できるデータは、7年間のスポーツイベントメディアで構成されています。スポーツ

イベントメディアには以下が含まれます。記録されたビデオトランスクリプトまたはラジオ解説、およびスポーツイベント中にキャプチャされた関連するソーシャルメディアフィードからのログ。
群衆の感情には、モノラルとステレオの両方でイベント参加者によって提出されたオーディオ録音が含まれます

フォーマット。
ペナルティの検出と感情
データサイエンティストは、ペナルティのために複数の機械学習モデルを使用してインテリジェントなソリューションを構築する必要があります

イベント検出。
データサイエンティストは、自動特徴エンジニアリングを使用してローカル環境でノートブックを作成する必要があります。

機械学習パイプラインでのモデル構築。
動的なワーカー割り当てを備えたSparkインスタンスを使用して再トレーニングするには、ノートブックをデプロイする必要があります。

ノートブックは、新しいSparkインスタンスで同じコードで実行して、ソースのみを再コード化する必要があります。

データ。
グローバルペナルティ検出モデルは、動的ランタイムグラフ計算を使用してトレーニングする必要があります。

トレーニング。
ローカルペナルティ検出モデルは、BrainScriptを使用して作成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。

群衆の感情モデルは、歓声や既知のキャッチフレーズなどの既知の音を識別する必要があります。

個々の群集感情モデルは、同様の音を検出します。
ローカルモデルのすべての共有機能は連続変数です。

共有機能は倍精度を使用する必要があります。後続のレイヤーには、集約移動平均が必要です

利用可能な標準偏差メトリック。
広告
生産の最初の数週間で、次のことが観察されました。
評価された広告応答は拒否されました。

ドロップは、広告スタイル間で一貫していませんでした。

トレーニングデータと本番データ全体での機能の分散に一貫性がない

分析によると、ユーザーの位置と行動に関する100の数値特徴のうち、位置ソースからの47の特徴が生の特徴として使用されています。偏りと分散の問題を解決するために推奨される実験は、10個の線形無相関の特徴を設計することです。
最初のデータ検出では、群集に使用されるトレーニングデータでターゲット状態の密度が広範囲に及ぶことが示されています

感情モデル。
すべてのペナルティ検出モデルは、確率的勾配降下法（SGD）を使用した推論フェーズを示しています。

実行が遅すぎます。
オーディオサンプルは、キャッチフレーズの長さが地域によって25％〜47％の間で変化することを示しています

グローバルペナルティ検出モデルのパフォーマンスは、分散は低くなりますが、バイアスが高くなります。

トレーニングセットと検証セットの比較。機能の変更を実装する前に、すべてのトレーニングと検証のケースを使用してバイアスと分散を確認する必要があります。
広告応答モデルは、各イベントの開始時にトレーニングし、スポーツ中に適用する必要があります

イベント。
マーケットセグメンテーションモデルは、同様の広告応答履歴に合わせて最適化する必要があります。

サンプリングは、ローカルセグメンテーションとグローバルセグメンテーションの間で排他的に相互および集合を保証する必要があります

同じ機能を共有するモデル。
ローカル市場セグメンテーションモデルは、ユーザーの反応傾向を判断する前に適用されます

広告。
広告応答モデルは、機能の非線形境界をサポートする必要があります。

広告傾向モデルは、0.45のカットしきい値を使用し、加重カッパが逸脱した場合に再トレーニングが発生します

0.1 +/- 5％から。
広告傾向モデルは、次の図に示すコスト要因を使用します。


広告傾向モデルは、次の図に示す提案されたコスト要因を使用します。


現在および提案されているコスト要因シナリオのパフォーマンス曲線を次の図に示します。

確率的PCAを使用した置換：連鎖方程式（MICE）を使用した多重代入などの他のオプションと比較して、このオプションには、各列に予測子を適用する必要がないという利点があります。代わりに、完全なデータセットの共分散を近似します。したがって、多くの列に値が欠落しているデータセットのパフォーマンスが向上する可能性があります。
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/clean-missing-data

Explanation:
ボックス1：いいえ
トレーニングクラスターがすでに存在する場合は、それが使用されます。
ボックス2：はい
wait_for_completionメソッドは、現在のプロビジョニング操作がクラスターで終了するのを待ちます。
ボックス3：はい
優先度の低いVMは、Azureの過剰な容量を使用するため、安価ですが、実行がプリエンプトされるリスクがあります。
ボックス4：いいえ
AmlComputeターゲットのプロビジョニングを解除して削除するには、training_compute.delete（）を使用する必要があります。
参照：
https://notebooks.azure.com/azureml/projects/azureml-getting-started/html/how-to-use-azureml/training/train-on-amlcompute/train-on-amlcompute.ipynb
https://docs.microsoft.com/en-us/python/api/azureml-core/azureml.core.compute.computetarget