Explanation:
ボックス 1: サンプリング
データのサンプルを作成する
このオプションは、単純なランダム サンプリングまたは層化されたランダム サンプリングをサポートします。これは、テスト用に小規模な代表的なサンプル データセットを作成する場合に便利です。
1. Studio の実験に Partition and Sample モジュールを追加し、データセットを接続します。
2. パーティションまたはサンプル モード: これをサンプリングに設定します。
3. サンプリング速度。以下のボックス 2 を参照してください。
ボックス 2: 0
3. サンプリング速度。サンプリングのランダム シード: 必要に応じて、シード値として使用する整数を入力します。
このオプションは、行を毎回同じ方法で分割したい場合に重要です。デフォルト値は 0 で、開始シードがシステム クロックに基づいて生成されることを意味します。これにより、実験を実行するたびにわずかに異なる結果が生じる可能性があります。
参考文献:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/partition-and-sample

説明
get_details_with_logs() を使用して、実行の詳細と実行によって作成されたログを取得します。
Azure Machine Learning スタジオを使用して、Azure Machine Learning の実行を監視し、そのログを表示できます。
参照：
https://docs.microsoft.com/en-us/python/api/azureml-pipeline-core/azureml.pipeline.core.steprun
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-monitor-view-training-logs

Explanation:
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。
例：
azureml.train.hyperdrive からインポート RandomParameterSampling
param_sampling = RandomParameterSampling( {
"学習率": 通常(10, 3),
"keep_probability": 均一(0.05, 0.1),
"バッチサイズ": 選択肢(16, 32, 64)
}
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/service/how-to-tune-hyperparameters

説明

ボックス 1: 正のスキュー
正のスキュー値は、分布が右に偏っていることを意味します。
ボックス 2: 負のスキュー
負の歪度値は、分布が左に偏っていることを意味します。
参考文献:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/compute-elementary-statistics

Explanation:
ステップ 1: クロスエントロピー関数のアクティブ化を定義する
ニューラル ネットワークを使用して分類と予測を実行する場合、通常、ニューラル ネットワークの品質を評価するには、分類誤差よりもクロス エントロピー 誤差を使用する方が適しており、平均二乗誤差よりもクロス エントロピー 誤差を使用する方が若干優れています。
ステップ 2: 各ターゲット状態にコスト関数を追加します。
ステップ 3: 距離誤差メトリックを評価しました。
参考文献:
https://www.analyticsvidhya.com/blog/2018/04/fundamentals-deep-learning-normalization-techniques/