이 Azure 기계 학습 자습서의 계획은 액세스 가능한 일부 데이터를 조사하고 예측 모델을 만들기 위해 악용될 수 있는 상관 관계를 찾는 것입니다. Azure ML Studio를 다음 단계로 끌어올리려면 Microsoft에서 광범위한 탐색 데이터 분석, 기능 엔지니어링 및 모델 비교 기능을 비롯한 확장된 기능을 갖춘 더 많은 사전 빌드된 모듈을 제공해야 한다고 생각합니다. Azure ML Studio의 정말 좋은 기능은 자동으로 문제에 맞는 메트릭을 결정하므로 추가 구성이 필요하지 않으며 실험을 다시 실행하고 결과를 확인할 수 있다는 것입니다. Azure ML Studio는 범주형 열이 숫자라고 생각하기 때문에 먼저 메타데이터 편집 모듈을 사용하여 형식을 범주형으로 변경해야 합니다. 기계 학습 예제를 만드는 데는 다섯 가지 기본 단계가 있습니다. 가스 가격에 대한 자체 예측 모델 개발을 통해 이러한 각 단계를 검토합니다. Azure ML Studio의 가장 좋은 점은 몇 번의 클릭만으로 실험을 웹 서비스로 배포하는 기능일 것입니다. 이렇게 하면 모델을 빠르게 배포할 수 있을 뿐만 아니라 복잡성을 추가하지 않고 여러 연속 요청으로 확장할 수 있는 서비스도 제공됩니다. 예측 모델을 만들기 위한 좋은 기능 집합을 찾으려면 해결하려는 문제에 대한 실험과 지식이 필요합니다. 일부 기능은 대상을 다른 기능보다 예측하는 데 더 적합합니다. 일부 기능은 다른 기능과 밀접한 상관 관계를 가지며 제거할 수 있습니다. 예를 들어, City-mpg와 고속도로-mpg는 밀접하게 관련되어 있으므로 예측에 크게 영향을 주지 않고 하나를 유지하고 다른 MP를 제거할 수 있습니다.

다운로드: 알고리즘 예제(PDF)에 대한 링크가 있는 기계 학습 기본 사항인 그래픽을 통해 Azure ML Studio는 실험을 웹 서비스로 변환하는 여러 가지 방법을 제공합니다. 가장 쉬운 방법은 실험 하단에 있는 설정 웹 서비스 단추를 사용하는 것입니다. Azure ML Studio가 기계 학습 실험/프로젝트를 만드는 데 있어 내 주요 동인이 될 수는 없지만 Microsoft는 누구나 액세스할 수 있는 플랫폼을 만드는 데 정말 좋은 일을 했으며 사용자에게 직관적인 인터페이스를 제공합니다. 기계 학습 프로젝트에 참여합니다. Azure ML Studio의 정말 좋은 기능은 분석에서 언제든지 데이터를 살펴볼 수 있는 기능입니다. 이렇게 하려면 데이터 집합을 마우스 오른쪽 단추로 클릭하고 데이터 집합으로 이동하기만 하면 됩니다.[시각화]. Azure AI 갤러리에서 다음 실험의 작업 복사본을 찾을 수 있습니다. 첫 번째 데이터 과학 실험으로 이동 – 자동차 가격 예측 및 기계 학습 스튜디오 작업 영역에 실험의 복사본을 다운로드하려면 스튜디오에서 열기를 클릭합니다.