片側検定または両側検定を選択します。デフォルトは両側検定です。これは最も一般的な検定方法で、期待分布はゼロを中心に対称となります。
例：相関の関数としての、対応のない2標本t検定と対応のある2標本t検定のタイプIエラー。シミュレートされた乱数は、分散1の2変量正規分布から生成されます。

参照：
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/t 検定を使用した仮説テスト
https://en.wikipedia.org/wiki/Student%27s_t検定

Explanation:
Azure Machine Learning Studio の Clip Values モジュールを使用すると、指定したしきい値を超えるまたは下回るデータ値を識別し、必要に応じて置き換えることができます。これは、外れ値を削除したり、平均値、定数、その他の代替値に置き換えたりする場合に役立ちます。
参考文献:
https://blogs.msdn.microsoft.com/azuredev/2017/05/27/azure-machine-learning のデータクレンジングツール/
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/clip-values

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/mlflow の使用方法

Azure Machine Learning Studio の ARFF への変換モジュールを使用して、Azure Machine Learning のデータセットと結果を、Weka ツールセットで使用される属性関係ファイル形式に変換します。この形式は ARFF と呼ばれます。
WekaのARFFデータ仕様は、データの前処理、分類、特徴選択など、複数の機械学習タスクをサポートします。この形式では、データはエンティティとその属性によって整理され、単一のテキストファイルに含まれます。
参考文献:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/convert-to-arff