설명:

회귀는 관련된 특성 집합에서 레이블의 값을 예측하는 데 사용되는 머신 러닝 작업입니다.
참조:
https://docs.microsoft.com/en-us/dotnet/machine-learning/resources/tasks

설명:

Azure OpenAI와 같은 생성 AI 모델을 사용할 때는 유해하거나, 증오적이거나, 안전하지 않은 콘텐츠 생성을 방지하기 위해 모델의 출력을 모니터링하고 제어하는 ​​것이 중요합니다. Microsoft의 책임 있는 AI 지침과 Azure OpenAI 안전 시스템에 따르면, 이는 콘텐츠 필터링 메커니즘을 통해 구현됩니다.
콘텐츠 필터링은 생성된 텍스트를 자동으로 분석하여 증오 표현, 괴롭힘, 성적 콘텐츠 또는 폭력적인 언어가 포함된 응답을 차단하거나 플래그를 지정합니다. Azure OpenAI는 내장된 콘텐츠 관리 시스템을 통해 이러한 필터를 기본적으로 적용하며, 이 시스템은 응답을 안전 수준(안전, 검토, 차단)으로 분류합니다.
옵션 검토:
* A. 신속한 엔지니어링: 대응을 안내하는 데 도움이 되지만 증오 콘텐츠를 자동으로 감지하지는 않습니다.
* B. 남용 모니터링: 실시간 자동 필터링이 아닌 수동 또는 사후 처리 검토를 의미합니다.
* C. 콘텐츠 필터링: # 정확함 - 증오적이거나 안전하지 않은 응답을 적극적으로 감지하고 방지합니다.
* D. 미세 조정: 추가적인 훈련 데이터를 사용하여 모델 동작을 조정하지만 안전 모니터링을 보장하지는 않습니다.

설명:

설명:

이 문제는 Microsoft Azure AI Fundamentals(AI-900) 학습 가이드와 Microsoft Learn 모듈 "머신러닝 프로세스 살펴보기"에 설명된 머신러닝 워크플로 작업에 대한 이해도를 평가합니다. AI-900 커리큘럼은 머신러닝 수명 주기를 데이터 준비, 특성 엔지니어링 및 선택, 모델 학습, 모델 평가, 모델 배포라는 주요 단계로 구분합니다. 각 단계에는 배포 전에 예측 모델을 준비, 구축 및 평가하기 위한 구체적인 작업이 포함되어 있습니다.
* 혼동 행렬 값 검토 # 모델 평가 Azure Machine Learning에서 모델 평가는 정확도, 정밀도, 재현율, F1 점수와 같은 지표를 사용하여 성능을 확인하는 과정입니다. 혼동 행렬은 이러한 목적에 가장 널리 사용되는 도구 중 하나입니다. Microsoft Learn에 따르면 "모델 평가는 배포 전에 안정성을 보장하기 위해 테스트 데이터와 비교하여 학습된 모델의 성능을 평가하는 프로세스"입니다. 혼동 행렬 분석은 예측이 실제 결과와 일치하는지 확인하는 데 도움이 되므로, 혼동 행렬 분석은 모델 평가의 일부입니다.
* 날짜를 월, 일, 년 필드로 분할 # 피처 엔지니어링피처 엔지니어링은 모델 성능을 향상시키기 위해 원시 데이터를 기본 패턴을 더 잘 나타내는 피처로 변환하는 것을 의미합니다. 학습 가이드에서는 이를 "기존 데이터에서 새로운 입력 피처를 생성하는 프로세스"라고 설명합니다. 날짜 필드를 별도의 숫자 필드(월, 일, 년)로 분할하는 것은 피처 엔지니어링의 전형적인 예입니다. 이를 통해 모델은 그렇지 않으면 숨겨져 있을 수 있는 시간 패턴을 학습할 수 있습니다.
* 날씨 모델 학습을 위한 온도 및 기압 선택 # 특성 선택 특성 선택은 모델에 대한 예측력이 가장 높은 변수를 식별하는 것을 포함합니다. Microsoft Learn에 정의된 바와 같이 "특성 선택은 학습에 가장 유용한 입력 특성의 하위 집합을 선택하는 과정"입니다. 이 시나리오에서 날씨 예측 모델의 입력으로 온도 및 기압 변수를 선택하는 것은 특성 선택 단계에 완벽하게 부합합니다.
따라서 올바른 일치 항목은 다음과 같습니다.
# 혼동 행렬 검토 # 모델 평가
# 날짜 필드 분할 # 기능 엔지니어링
# 온도 및 압력 선택 # 기능 선택