Explanation:
ボックス 1: register_azure_blob_container
Azure Blob コンテナーをデータストアに登録します。
ボックス 2: create_if_not_exists = False
ファイル共有が存在しない場合は作成します。デフォルトは False です。
参照：
https://docs.microsoft.com/en-us/python/api/azureml-core/azureml.core.datastore.datastore

線形判別分析手法は、カテゴリ変数や順序変数ではなく、連続変数に対してのみ機能します。
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。
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。
ローカル モデルのすべての共有特徴量は連続変数です。
不正解:
B: ピアソン相関係数はピアソンの R 検定とも呼ばれ、2 つの変数間の線形関係を測定する統計値です。係数値を調べることによって、2 つの変数間の関係の強さ、およびそれらが正の相関関係にあるのか、負の相関関係にあるのかを推測できます。
C: スピアマンの相関係数は、ノンパラメトリックおよび非正規分布データで使用するように設計されています。スピアマン係数は、2 つの変数間の統計的依存性のノンパラメトリック尺度であり、ギリシャ文字の rho で表されることもあります。スピアマン係数は、2 つの変数が単調に関連する度合いを表します。順序変数で使用できるため、スピアマン順位相関とも呼ばれます。
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/fisher-linear-discriminant-analysis
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/compute-linear-correlation

下の画像を参照してください

Azure Machine Learning ワークスペースのコンピューティング ターゲットとして mlvm 仮想マシンをアタッチする必要があります。
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/concept-compute-target