참조:
https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/4-guiding-principles AI 시스템은 안정적이고 안전하게 수행되어야 합니다. 예를 들어, 자율 주행차를 위한 AI 기반 소프트웨어 시스템이나 환자 증상을 진단하고 처방을 추천하는 머신 러닝 모델을 생각해 보세요. 이런 종류의 시스템에서의 신뢰성 부족은 인간의 생명에 상당한 위험을 초래할 수 있습니다.
https://docs.microsoft.com/en-us/learn/modules/get-started-ai-fundamentals/7-understand-responsible-ai

참조:
https://docs.microsoft.com/en-us/azure/cloud-adoption-framework/innovate/best-practices/trusted-ai

참조:
https://docs.microsoft.com/en-us/azure/cloud-adoption-framework/innovate/best-practices/trusted-ai
https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/4-guiding-principles

설명:

박스 1: 예
머신 러닝에서 레이블이 지정된 데이터가 있다는 것은 데이터에 마크업이나 주석이 달려 있어 타겟을 나타낸다는 의미이며, 이는 머신 러닝 모델이 예측하길 원하는 답입니다.
일반적으로 데이터 라벨링은 데이터 태그 지정, 주석, 분류, 조정, 전사 또는 처리를 포함한 작업을 의미할 수 있습니다.
박스 2: 아니요
박스 3: 아니요
정확도는 단순히 올바르게 분류된 인스턴스의 비율입니다. 이는 일반적으로 분류기를 평가할 때 살펴보는 첫 번째 지표입니다. 그러나 테스트 데이터가 불균형한 경우(대부분의 인스턴스가 클래스 중 하나에 속하는 경우) 또는 두 클래스 중 하나의 성능에 더 관심이 있는 경우 정확도는 실제로 분류기의 효과를 포착하지 못합니다.
참조:
https://www.cloudfactory.com/data-labeling-guide
https://docs.microsoft.com/en-us/azure/machine-learning/studio/evaluate-model-performance

참조:
https://docs.microsoft.com/en-us/azure/machine-learning/algorithm-module-reference/linear-regression
회귀는 항목의 특징을 기반으로 숫자 레이블을 예측하는 데 사용되는 기계 학습의 한 형태입니다.
https://docs.microsoft.com/en-us/learn/modules/create-regression-model-azure-machine-learning-designer/introduction