Explanation:
ボックス 1: ブーストされたデシジョン ツリー回帰
平均絶対誤差 (MAE) は、予測が実際の結果にどれだけ近いかを測定します。したがって、スコアが低いほど優れています。
ボックス 2:
オンライン勾配降下法: アルゴリズムに最適なパラメーターを見つけてもらいたい場合は、[トレーナー モードの作成] オプションを [パラメーター範囲] に設定します。その後、試行するアルゴリズムに複数の値を指定できます。
参考文献:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/evaluate-model
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/linear-regression

参照：
https://machinelearningmastery.com/gentle-introduction-to-the-bias-variance-trade-off-in-machine-learning/

1 - 公開鍵/秘密鍵ペアの生成
2 - 公開キーを Git アカウントに追加します
3 - SSH リポジトリ URL を使用して Git リポジトリのクローンを作成します
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/concept-train-model-git-integration

説明
バッチ正規化後の統計 (PBN) は、推論に使用できるバッチ正規化の母平均と分散を評価する方法の Microsoft Cognitive Toolkit (CNTK) バージョンです。
CNTK では、カスタム ネットワークは BrainScriptNetworkBuilder を使用して定義され、CNTK ネットワークで記述されます。記述言語「BrainScript」で記述されます。シナリオ：
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。
参考文献:
https://docs.microsoft.com/en-us/cognitive-toolkit/post-batch-normalization-statistics
トピック 1、ケーススタディ 1
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、次のビジネス目標を達成するためのグローバルおよびローカル市場データになります。
*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。
*広告に対するユーザーの反応傾向にアクセスします。
*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 イベントを検出します。
現在の環境
要件
* ペナルティ イベントの検出に使用されるメディアはコンシューマー デバイスによって提供されます。メディアには、スポーツ イベント中に撮影された画像やビデオ、ソーシャル メディアを使用して捕らえられた画像やビデオが含まれる場合があります。画像やビデオのサイズや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 イベントのメディアには、録画されたビデオ、ラジオ解説のトランスクリプト、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 フィードのログが含まれます。
*群衆の感情には、イベント参加者によってモノラルとステレオの両方の形式で提出された音声録音が含​​まれます。
広告
* 広告応答モデルは各イベントの開始時にトレーニングされ、スポーツ イベント中に適用される必要があります。
* 市場セグメンテーション nxxlels は、同様の広告 resporr.r 履歴に合わせて最適化する必要があります。
* サンプリングでは、同じ機能を共有するローカルおよびグローバル セグメンテーション モデルの相互および集団的排他性を保証する必要があります。
* ローカル市場セグメンテーション モデルは、広告に反応するユーザーの傾向を決定する前に適用されます。
* データ サイエンティストは、モデルの劣化と衰退を検出できなければなりません。
* 広告応答モデルは非線形境界機能をサポートする必要があります。
* 広告傾向モデルでは、0.45 のカットしきい値が使用され、加重カッパが 0.1 から逸脱すると再トレーニングが発生します。
+/-5%。
* 広告傾向モデルでは、次の図に示すコスト要素が使用されます。

広告傾向モデルでは、次の図に示す提案されたコスト要因が使用されます。

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。

ペナルティの検出と感情
調査結果
*データ サイエンティストは、ペナルティ イベント検出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。
*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量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。
*動的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、データのソースのみを再コード化するために、新しい Spark インスタンス上で同じコードを実行する必要があります。
*グローバル ペナルティ検出モデルは、トレーニング中に動的ランタイム 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。
*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。
* ローカル群衆センチメント モデルの実験では、ローカル 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。個々の群衆センチメント モデルは、類似した音を検出します。
* ローカル モデルのすべての共有特徴量は連続変数です。
* 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、集計移動平均と標準偏差のメトリクスが使用可能である必要があります。
セグメント
運用の最初の数週間で、次のことが観察されました。
*広告の反応率が低下しました。
*ドロップ数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にわたる特徴の分布は一貫していません。
分析の結果、ユーザーの位置と行動に関する 100 の数値特徴のうち、位置情報ソースから得られる 47 の特徴が生の特徴として使用されていることがわかりました。バイアスと分散の問題を解決するために提案されている実験は、10 個の線形未補正の特徴を設計することです。
ペナルティの検出と感情
*初期データ検出では、群衆センチメント モデルに使用されるトレーニング データ内のターゲット州の広範囲の密度が示されます。
*すべてのペナルティ検出モデルは、確率的勾配降下 (SGD) を使用した推論フェーズが過度に実行されていることを示しています。
*音声サンプルによると、キャッチ フレーズの長さは地域によって 25% ～ 47% の間で異なります。
*グローバル ペナルティ検出モデルのパフォーマンスは、トレーニング セットと検証セットを比較すると、分散は低くなりますが、バイアスが高くなります。機能の変更を実装する前に、すべてのトレーニングおよび検証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。