참조:
https://github.com/Azure/MachineLearningNotebooks/tree/master/how-to-use-azureml/machine-learningpipelines/parallel-run

설명/참조:
설명:
DSVM에서 훈련 모델은 GPU(그래픽 처리 장치)를 기반으로 하는 하드웨어에서 딥 러닝 알고리즘을 사용할 수 있습니다.
PostgreSQL은 다음 운영 체제에서 사용할 수 있습니다. Linux(최근 모든 배포판), macOS(OS X) 버전 10.6 이상에서 사용 가능한 64비트 설치 프로그램 - Windows(64비트 버전용으로 사용 가능한 설치 프로그램 포함, 최신 버전에서 테스트한 후 다시 윈도우 2012 R2.
오답:
B: Azure Geo AI 데이터 과학 VM(Geo-DSVM)은 Microsoft의 데이터 과학 VM에서 지리 공간 분석 기능을 제공합니다. 특히 이 VM은 시장을 선도하는 ESRI의 ArcGIS Pro Geographic Information System을 추가하여 Data Science VM의 AI 및 데이터 과학 툴킷을 확장합니다.
C, D: DLVM은 DSVM 이미지 위에 템플릿입니다. 패키지 측면에서 GPU 드라이버 등이 모두 DSVM 이미지에 있습니다. 대부분 Azure의 GPU VM 인스턴스에서만 DLVM을 생성하도록 허용하는 생성 중 편의를 위한 것입니다.
참조:
https://docs.microsoft.com/en-us/azure/machine-learning/data-science-virtual-machine/overview

설명
framework_version: 교육 코드를 실행하는 데 사용할 PyTorch 버전입니다.
참조:
https://docs.microsoft.com/en-us/python/api/azureml-train-core/azureml.train.dnn.pytorch?view=azure-ml-py

RMSE와 R2는 모두 회귀 모델에 대한 메트릭입니다.
A: RMSE(제곱 평균 제곱근) 오차는 모델의 오차를 요약하는 단일 값을 생성합니다. 차이를 제곱함으로써 메트릭은 과대 예측과 과소 예측 간의 차이를 무시합니다.
D: 결정 계수(R2라고도 함)는 0과 1 사이의 값으로 모델의 예측력을 나타냅니다. 0은 모델이 무작위임을 의미합니다(설명 없음). 1은 완벽한 적합이 있음을 의미합니다.
그러나 낮은 값은 완전히 정상일 수 있고 높은 값은 의심될 수 있으므로 R2 값을 해석할 때는 주의해야 합니다.
오답:
C, E: F-점수는 회귀 모델이 아닌 분류 모델에 사용됩니다.
참조:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/evaluate-model 모델링을 위한 데이터 준비 Testlet 1 사례 연구 개요 귀하는 데이터 과학을 제공하는 회사의 데이터 과학자입니다. 프로 스포츠 이벤트용. 모델은 글로벌 및 현지 시장 데이터를 사용하여 다음 비즈니스 목표를 달성합니다.
* 군중 반응의 오디오를 기반으로 스포츠 이벤트에서 모바일 장치 사용자의 감정을 이해합니다.
* 사용자가 광고에 반응하는 경향을 평가합니다.
* 휴대기기에 게재되는 광고 스타일을 맞춤설정합니다.
* 비디오를 사용하여 페널티 이벤트 감지
현재 환경
* 패널티 이벤트 감지에 사용되는 미디어는 소비자 기기에서 제공됩니다. 미디어에는 스포츠 경기 중 캡처하고 소셜 미디어를 사용하여 공유하는 이미지와 비디오가 포함될 수 있습니다. 이미지와 비디오는 다양한 크기와 형식을 갖습니다.
* 모델 구축에 사용할 수 있는 데이터는 7년 간의 스포츠 이벤트 미디어로 구성됩니다. 스포츠 이벤트 미디어에는 다음이 포함됩니다. 녹화된 비디오 대본 또는 라디오 해설, 스포츠 경기 중 캡처한 관련 소셜 미디어 피드의 로그.
* 군중 감정에는 이벤트 참석자가 모노 및 스테레오 형식으로 제출한 오디오 녹음이 포함됩니다.
페널티 감지 및 감정
* 데이터 과학자는 패널티 이벤트 감지를 위해 여러 기계 학습 모델을 사용하여 지능형 솔루션을 구축해야 합니다.
* 데이터 과학자는 기계 학습 파이프라인에서 자동 기능 엔지니어링 및 모델 구축을 사용하여 로컬 환경에서 노트북을 구축해야 합니다.
* 동적 작업자 할당이 있는 Spark 인스턴스를 사용하여 재교육하려면 노트북을 배포해야 합니다.
* 노트북은 데이터 소스만 다시 코딩하려면 새 Spark 인스턴스에서 동일한 코드로 실행해야 합니다.
* 글로벌 페널티 감지 모델은 훈련 중에 동적 런타임 그래프 계산을 사용하여 훈련해야 합니다.
* 로컬 페널티 감지 모델은 BrainScript를 사용하여 작성해야 합니다.
* 로컬 군중 감정 모델에 대한 실험은 로컬 페널티 감지 데이터를 결합해야 합니다.
* 군중 감정 모델은 환호 및 알려진 캐치 프레이즈와 같은 알려진 소리를 식별해야 합니다. 개별 군중 감정 모델은 유사한 소리를 감지합니다.
* 로컬 모델의 모든 공유 기능은 연속 변수입니다.
* 공유 기능은 배정밀도를 사용해야 합니다. 후속 레이어에는 사용 가능한 집계 실행 평균 및 표준 편차 메트릭이 있어야 합니다.
광고
생산 초기 몇 주 동안 다음이 관찰되었습니다.
* 광고 응답 평가가 거부되었습니다.
* 드롭은 광고 스타일 전반에 걸쳐 일관되지 않았습니다.
* 교육 및 프로덕션 데이터 전반에 걸쳐 기능의 분포가 일관되지 않음 분석에 따르면 사용자 위치 및 행동에 대한 100개의 숫자 기능 중 위치 소스에서 가져온 47개의 기능이 원시 기능으로 사용되고 있습니다. 편향 및 분산 문제를 해결하기 위해 제안된 실험은 선형으로 상관되지 않은 10개의 기능을 엔지니어링하는 것입니다.
* 초기 데이터 검색은 군중 감정 모델에 사용되는 훈련 데이터에서 광범위한 대상 상태 밀도를 보여줍니다.
* 모든 패널티 감지 모델은 SGD(Stochastic Gradient Descent)를 사용하는 추론 단계가 너무 느리게 실행되고 있음을 보여줍니다.
* 오디오 샘플은 캐치프레이즈의 길이가 지역에 따라 25%-47%로 다양함을 보여줍니다.
* 글로벌 패널티 감지 모델의 성능은 훈련 세트와 검증 세트를 비교할 때 분산은 낮지만 편향은 더 높습니다. 기능 변경을 구현하기 전에 모든 훈련 및 검증 사례를 사용하여 편향과 분산을 확인해야 합니다.
* 광고 응답 모델은 각 이벤트가 시작될 때 학습되고 스포츠 이벤트 중에 적용되어야 합니다.
* 시장 세분화 모델은 유사한 광고 응답 기록에 대해 최적화해야 합니다.
* 샘플링은 동일한 기능을 공유하는 로컬 및 글로벌 세분화 모델 간에 독점적으로 상호 및 집단을 보장해야 합니다.
* 사용자의 광고 반응 성향을 판단하기 전에 현지 시장 세분화 모델을 적용합니다.
* 광고 응답 모델은 기능의 비선형 경계를 지원해야 합니다.
* 광고 성향 모델은 컷 임계값이 0.45이고 가중치 카파가
0.1 +/- 5%.
* 광고 성향 모델은 다음 다이어그램에 표시된 비용 요소를 사용합니다.

* 광고 성향 모델은 다음 다이어그램에 표시된 제안된 비용 요소를 사용합니다.

* 현재 및 제안된 비용 요인 시나리오의 성능 곡선은 다음 다이어그램에 나와 있습니다.