説明
コンピューターのスクリーンショット 中程度の信頼性で自動生成された説明

ボックス1: いいえ
Workspace.get メソッドは、構成ファイルを使用せずに既存のワークスペースを読み込みます。
ws = Workspace.get(name="myworkspace",
subscription_id='<azure-subscription-id>',
リソースグループ = 'myresourcegroup')
ボックス2: はい
Azure Machine Learning を使用した MLflow Tracking を使用すると、ローカル実行から記録されたメトリックと成果物を Azure Machine Learning ワークスペースに保存できます。
get_mlflow_tracking_uri() メソッドは、ワークスペース ws に一意の追跡 URI アドレスを割り当て、set_tracking_uri() は MLflow 追跡 URI をそのアドレスにポイントします。
ボックス3: はい
注: ディープラーニングでは、エポックとは、データセット全体がニューラル ネットワーク内で 1 回前後に渡されることを意味します。
参照：
https://docs.microsoft.com/en-us/python/api/azureml-core/azureml.core.workspace.workspace
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-use-mlflow

説明


シナリオ: テスト
Azure Machine Learning Studio のパーティションとサンプル モジュールを使用して、サンプリングに基づいてデータセットの複数のパーティションを生成する必要があります。
ボックス1: 折り目に割り当てる
データセットをデータのサブセットに分割する場合は、「フォールドに割り当てる」オプションを使用します。このオプションは、クロス検証用にカスタムのフォールド数を作成する場合や、行を複数のグループに分割する場合にも便利です。
ヘッドなし: 最初の n 行のみを取得するには、ヘッド モードを使用します。このオプションは、少数の行でパイプラインをテストし、データのバランスを取ったりサンプリングしたりする必要がない場合に便利です。
サンプリングなし: サンプリング オプションは、単純ランダム サンプリングまたは層別ランダム 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サンプル データセットを作成する場合に便利です。
ボックス2: 均等に分割する
パーティショナー方法を指定します。次のオプションを使用して、各パーティションにデータをどのように配分するかを指定します。
均等にパーティション分割: このオプションを使用すると、各パーティションに同じ数の行を配置できます。出力パーティションの数を指定するには、[均等に分割する折り返しの数を指定] テキスト ボックスに整数を入力します。
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/algorithm-module-reference/partition-and-sample

1 - 公開鍵/秘密鍵ペアの生成
2 - Gitアカウントに公開鍵を追加する
3 - SSHリポジトリURLを使用してGitリポジトリをクローンする
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/concept-train-model-git-integration

説明

ボックス1: はい
ハイパーパラメータは、モデルをトレーニングするために選択し、トレーニング プロセス自体を制御する調整可能なパラメータです。
Azure Machine Learning を使用すると、ハイパーパラメータの探索を効率的に自動化できるため、時間とリソースを大幅に節約できます。ハイパーパラメータ値の範囲とトレーニング実行の最大数を指定します。システムは、異なるパラメータ構成で複数の同時実行を自動的に開始し、選択したメトリックで測定された最高のパフォーマンスが得られる構成を見つけます。パフォーマンスの低いトレーニング実行は自動的に早期終了されるため、コンピューティング リソースの無駄が減ります。これらのリソースは、代わりに他のハイパーパラメータ構成の探索に使用されます。
ボックス2: はい
均一(low, high) - low と high の間で均一に分布した値を返します。ボックス 3: ベイジアン サンプリングは現在、早期終了ポリシーをサポートしていません。
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters

Explanation:

ステップ 1: 評価するモデル機能を選択します。
ステップ 2: バイナリ分類または回帰モデルを選択します。
Azure Machine Learning 内でモデルを登録します。便宜上、結果を辞書に保存します。辞書は、登録されたモデルの ID (名前:バージョン形式の文字列) を予測子自体にマップします。
例：
モデル辞書 = {}
lr_reg_id = register_model("fairness_logistic_regression", lr_predictor) model_dict[lr_reg_id] = lr_predictor svm_reg_id = register_model("fairness_svm", svm_predictor) model_dict[svm_reg_id] = svm_predictor ステップ 3: 測定するメトリックを選択し、公平性メトリックを事前計算します。
Fairlearn のメトリック パッケージを使用してダッシュボード ディクショナリを作成します。
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-machine-learning-fairness-aml