Explanation:

ステップ 1: パイプラインを公開します。
パイプラインをスケジュールするには、ワークスペースへの参照、公開されたパイプラインの識別子、スケジュールを作成する実験の名前が必要です。
ステップ 2: パイプライン ID を取得します。
スケジュールに必要です。
ステップ 3: ScheduleRecurrence を作成します。
パイプラインを定期的に実行するには、スケジュールを作成します。スケジュールは、パイプライン、実験、トリガーを関連付けます。
まずスケジュールを作成します。例: 15 分ごとに実行を開始するスケジュールを作成します。
繰り返し = ScheduleRecurrence(頻度 = "分", 間隔 = 15)
ステップ 4: Azure Machine Learning パイプライン スケジュールを定義します。
例、続き:
recurring_schedule = Schedule.create(ws, name="MyRecurringSchedule",
description="時間に基づく",
pipeline_id=パイプラインID、
実験名=実験名、
繰り返し=繰り返し)
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-schedule-pipelines

MICE を使用して置換: このオプションでは、欠損値ごとに新しい値が割り当てられます。この値は、統計文献で「連鎖方程式を使用した多変量代入」または「連鎖方程式による多重代入」として説明されている方法を使用して計算されます。多重代入法では、欠損データを持つ各変数は、欠損値を埋める前に、データ内の他の変数を使用して条件付きでモデル化されます。
注: 連鎖方程式による多変量代入法 (MICE) は、「完全条件指定」または「
「逐次回帰多重代入」は、統計文献において、欠損データに対処するための原則的な方法の 1 つとして登場しました。単一代入ではなく多重代入を作成することで、代入の統計的不確実性を考慮します。さらに、連鎖方程式アプローチは非常に柔軟で、さまざまなタイプ (連続またはバイナリなど) の変数や、境界や調査スキップ パターンなどの複雑な変数を処理できます。
参考文献:
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3074241/
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/clean-missing-data

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

説明
グラフィカルユーザーインターフェイス、テキスト、アプリケーション、Wordの説明が自動的に生成されます

ボックス 1: create_from_datasets
create_from_datasets メソッドは、ベースラインの表形式データセットとターゲットの時系列データセットから新しい DataDriftDetector オブジェクトを作成します。
ボックス2: 埋め戻し
バックフィル メソッドは、指定された開始日と終了日にわたってバックフィル ジョブを実行します。
構文: backfill(start_date, end_date, compute_target=None, create_compute_target=False) 参照:
https://docs.microsoft.com/en-us/python/api/azureml-datadrift/azureml.datadrift.datadriftdetector(クラス)

参照：
https://docs.microsoft.com/en-us/python/api/azureml-core/azureml.core.scriptrunco​​nfig
https://docs.microsoft.com/en-us/python/api/azureml-core/azureml.core.environment.environment