説明

ステップ 1: K-Means クラスタリング モデルを実装する
ステップ 2: クラスターを意思決定ジャングル モデルのフィーチャとして使用します。
意思決定ジャングルはノンパラメトリック モデルであり、非線形の意思決定境界を表すことができます。
ステップ 3: スコア マッチボックス レコメンダー モデルの機能として生のスコアを使用する レコメンデーション システムを作成する目的は、1 つ以上の「アイテム」をシステムの「ユーザー」に推奨することです。
アイテムの例としては、映画、レストラン、本、歌などが挙げられます。ユーザーは、アイテムの好みを持つ個人、個人のグループ、またはその他のエンティティである可能性があります。
シナリオ：
広告レスポンスの評価が低下しました。
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 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。
広告応答モデルは、特徴の非線形境界をサポートする必要があります。
参考文献:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/multiclass-decision-jungle
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/score-matchbox-recommende

参照：
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-train-pytorch

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