대상 열이 있는 Entropy MDL 비닝 모드를 사용합니다.
참조:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/group-data-into-bins

설명/참조:
설명:
DSVM(데이터 과학 가상 머신)은 데이터 과학을 수행하기 위해 특별히 구축된 Microsoft Azure 클라우드의 맞춤형 VM 이미지입니다. Caffe2 및 Chainer는 DSVM에서 지원됩니다.
DSVM은 Azure Machine Learning과 통합됩니다.
오답:
B: 기계 학습 모델을 빠르고 쉽게 실험하고 싶고 기본 제공 기계 학습 알고리즘으로 솔루션을 충분할 때 기계 학습 스튜디오를 사용하십시오.
참조:
https://docs.microsoft.com/en-us/azure/machine-learning/data-science-virtual-machine/overview

Spearman의 순위 상관 계수는 단조 함수를 사용하여 두 변수 간의 관계를 얼마나 잘 설명할 수 있는지 평가합니다.
참고: Spearman과 Kendall은 모두 보다 일반적인 상관 계수의 특수한 경우로 공식화할 수 있으며 둘 다 이 시나리오에 적합합니다.
시나리오: MedianValue 및 AvgRoomsInHouse 열은 모두 숫자 형식의 데이터를 보유합니다. 두 열 간의 관계를 보다 자세히 분석하려면 특성 선택 알고리즘을 선택해야 합니다.
오답:
B: 두 변수 간의 Spearman 상관 관계는 두 변수의 순위 값 간의 Pearson 상관 관계와 같습니다. Pearson의 상관 관계는 선형 관계를 평가하는 반면 Spearman의 상관 관계는 단조로운 관계(선형이든 아니든)를 평가합니다.
참조:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/feature-selection-modules 기능 엔지니어링 질문 세트 3 수행

설명:
랜덤 샘플링에서 하이퍼파라미터 값은 정의된 검색 공간에서 무작위로 선택됩니다. 랜덤 샘플링을 사용하면 검색 공간에 이산 및 연속 하이퍼파라미터가 모두 포함될 수 있습니다.
예시:
azureml.train.hyperdrive에서 RandomParameterSampling 가져오기
param_sampling = RandomParameterSampling( {
"학습 속도": normal(10, 3),
"keep_probability": 균일(0.05, 0.1),
"batch_size": 선택(16, 32, 64)
}
참조:
https://docs.microsoft.com/en-us/azure/machine-learning/service/how-to-tune-hyperparameters

설명

1단계: K-평균 클러스터링 모델 구현
2단계: 클러스터를 Decision 정글 모델의 기능으로 사용합니다.
결정 정글은 비모수적 모델로, 비선형 결정 경계를 나타낼 수 있습니다.
3단계: 원시 점수를 Score Matchbox Recommender 모델의 기능으로 사용 추천 시스템을 만드는 목표는 시스템의 "사용자"에게 하나 이상의 "항목"을 추천하는 것입니다.
항목의 예로는 영화, 레스토랑, 책 또는 노래가 있습니다. 사용자는 개인, 개인 그룹 또는 항목 기본 설정이 있는 기타 엔터티일 수 있습니다.
대본:
평가된 광고 응답이 거부되었습니다.
광고 응답 모델은 각 이벤트가 시작될 때 학습되고 스포츠 이벤트 중에 적용되어야 합니다.
시장 세분화 모델은 유사한 광고 응답 기록에 대해 최적화해야 합니다.
광고 응답 모델은 기능의 비선형 경계를 지원해야 합니다.
참조:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/multiclass-decision-jungle
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/score-matchbox-recommende
주제 1, 사례 연구 1
개요
당신은 프로 스포츠 이벤트에 대한 데이터 과학을 제공하는 회사의 데이터 과학자입니다. 모델은 다음 비즈니스 목표를 충족하기 위한 글로벌 및 로컬 시장 데이터가 됩니다.
* 관중 반응의 오디오를 기반으로 스포츠 이벤트에서 모바일 장치 사용자의 감정을 이해합니다.
*광고에 대한 사용자의 반응 경향에 접근합니다.
*휴대기기에 게재되는 광고 스타일을 맞춤설정합니다.
* 비디오를 사용하여 페널티 이벤트를 감지하십시오.
현재 환경
요구 사항
* 페널티 이벤트 감지에 사용되는 미디어는 소비자 기기에서 제공됩니다. 미디어에는 스포츠 경기 중 캡처하고 소셜 미디어를 사용하여 올가미한 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 녹화된 비디오, 라디오 해설 녹취록, 스포츠 이벤트 중에 캡처된 관련 소셜 미디어 피드 피드의 로그가 포함됩니다.
*관중 감정에는 이벤트 참석자가 모노 및 스테레오 형식으로 제출한 오디오 녹음이 포함됩니다.
광고
* 광고 응답 모델은 각 이벤트가 시작될 때 학습되고 스포츠 이벤트 중에 적용되어야 합니다.
* 시장 세분화 nxxlels는 유사한 광고 보고서 기록에 대해 최적화해야 합니다.
* 샘플링은 동일한 기능을 공유하는 상호 및 집단 독점 로컬 및 글로벌 세분화 모델을 보장해야 합니다.
* 사용자의 광고 반응 성향을 판단하기 전에 현지 시장 세분화 모델을 적용합니다.
* 데이터 과학자는 모델 저하 및 붕괴를 감지할 수 있어야 합니다.
* 광고 응답 모델은 비선형 경계 기능을 지원해야 합니다.
* 광고 성향 모델은 컷 임계값이 0.45이고 가중치 카파가 0.1에서 벗어날 경우 재학습이 발생합니다.
+/-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.

페널티 감지 및 감정
결과
*데이터 과학자는 페널티 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.
세그먼트
생산 초기 몇 주 동안 다음 사항이 관찰되었습니다.
*광고 응답률이 감소했습니다.
*드랍률은 광고 스타일 전반에 걸쳐 일관되지 않았습니다.
*교육 데이터와 프로덕션 데이터의 기능 분포가 일관되지 않습니다.
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 수정되지 않은 10개의 기능을 엔지니어링하는 것입니다.
페널티 감지 및 감정
*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 많이 실행되고 있음을 보여줍니다.
*오디오 샘플에 따르면 캐치프레이즈의 길이는 지역에 따라 25%-47% 사이입니다.
*글로벌 페널티 감지 모델의 성능은 훈련 세트와 검증 세트를 비교할 때 분산은 더 낮지만 편향은 더 높습니다. 기능 변경을 구현하기 전에 모든 훈련 및 검증 사례를 사용하여 편향과 분산을 확인해야 합니다.