1 - 各トレーニング ファイルを新しいデータストアとして登録します。
2 - トレーニング ファイルへの新しいパスをパラメータ値として指定します。
3 - スタジオ ポータルを使用してトレーニング パイプラインを実行します。
4 - トレーニング パイプラインを公開します。

データ サイエンス仮想マシン (DSVM) は、データ サイエンスを行うために特別に構築された、Microsoft の Azure クラウド上のカスタマイズされた VM イメージです。Caffe2 と Chainer は DSVM によってサポートされています。
DSVM は Azure Machine Learning と統合されます。
不正解:
B: 機械学習モデルを迅速かつ簡単に実験したい場合、組み込みの機械学習アルゴリズムでソリューションには十分である場合は、Machine Learning Studio を使用します。
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/data-science-virtual-machine/overview

参照：
https://scikit-learn.org/stable/modules/generated/sklearn.svm.SVC.html

説明/参照:
C: ベイジアン サンプリングはベイジアン最適化アルゴリズムに基づいており、次にサンプリングするハイパーパラメータ値をインテリジェントに選択します。以前のサンプルのパフォーマンスに基づいてサンプルが選択され、新しいサンプルによって報告されたプライマリ メトリックが改善されるようになります。
ベイジアン サンプリングは早期終了ポリシーをサポートしていません
例：
azureml.train.hyperdrive からインポート BayesianParameterSampling
azureml.train.hyperdrive インポートユニフォーム、選択から
param_sampling = BayesianParameterSampling( {
"学習率": 均一(0.05, 0.1),
"バッチサイズ": 選択肢(16, 32, 64, 128)
}
）
D: ランダム サンプリングでは、ハイパーパラメータ値は定義された検索空間からランダムに選択されます。ランダム サンプリングにより、検索空間に離散ハイパーパラメータと連続ハイパーパラメータの両方を含めることができます。
不正解:
B: ハイパーパラメータ空間を離散値の中から選択できるように定義でき、定義された検索空間内のすべての値を徹底的に検索するのに十分な予算がある場合、グリッド サンプリングを使用できます。
さらに、パフォーマンスの悪い実行を自動で早期終了することができるため、リソースの無駄が削減されます。
たとえば、次のスペースには合計 6 つのサンプルがあります。
azureml.train.hyperdrive からインポート GridParameterSampling
azureml.train.hyperdrive インポートの選択から
param_sampling = GridParameterSampling( {
"num_hidden_​​layers": 選択肢(1, 2, 3),
"バッチサイズ": 選択肢(16, 32)
}
）
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters