참조:
https://docs.microsoft.com/en-us/python/api/azureml-core/azureml.data.tabulardataset

설명:
1단계: 파이프라인을 게시합니다.
파이프라인을 예약하려면 작업 공간에 대한 참조, 게시된 파이프라인의 식별자, 일정을 생성하려는 실험의 이름이 필요합니다.
2단계: 파이프라인 ID를 검색합니다.
일정에 필요합니다.
3단계: ScheduleRecurrence 만들기..
반복적으로 파이프라인을 실행하려면 일정을 생성합니다. 일정은 파이프라인, 실험 및 트리거를 연결합니다.
먼저 일정을 만듭니다. 예: 15분마다 실행을 시작하는 일정 만들기:
되풀이 = ScheduleRecurrence(주파수="분", 간격=15)
4단계: Azure Machine Learning 파이프라인 일정 정의..
예, 계속:
recurring_schedule = Schedule.create(ws, name="MyRecurringSchedule",
description="시간 기준",
파이프라인_ID=파이프라인_ID,
실험명=실험명,
재발=재발)
참조:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-schedule-pipelines

설명:
상자 1: 행 분할
데이터를 두 부분으로 나누려는 경우 행 분할 옵션을 사용합니다. 각 분할에 넣을 데이터의 백분율을 지정할 수 있지만 기본적으로 데이터는 50-50으로 분할됩니다.
또한 각 그룹의 행 선택을 무작위화하고 계층화된 샘플링을 사용할 수 있습니다. 계층화된 샘플링에서는 두 개의 결과 데이터 세트 간에 값을 동일하게 할당하려는 데이터의 단일 열을 선택해야 합니다.
상자 2: 0.75
숫자를 백분율로 지정하거나 "%" 문자가 포함된 문자열을 사용하는 경우 값은 백분율로 해석됩니다. 모든 백분율 값은 0과 100 값을 포함하지 않는 범위(0, 100) 내에 있어야 합니다.
상자 3: 예
분할이 균형을 이루도록 합니다.
Box 4: No
계층 분할에 대한 옵션을 사용하는 경우 계층 열을 선택하여 출력 데이터 세트를 하위 그룹으로 더 나눌 수 있습니다.
참조:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/split-data

설명

1단계: 교차 엔트로피 함수 활성화 정의
신경망을 사용하여 분류 및 예측을 수행할 때 일반적으로 분류 오류보다 교차 엔트로피 오류를 사용하는 것이 좋으며 신경망의 품질을 평가하기 위해 평균 제곱 오류보다 교차 엔트로피 오류를 사용하는 것이 다소 좋습니다.
2단계: 각 대상 상태에 대한 비용 함수를 추가합니다.
3단계: 거리 오류 메트릭을 평가했습니다.
참조:
https://www.analyticsvidhya.com/blog/2018/04/fundamentals-deep-learning-regularization-techniques/