설명

상자 1: 300
300(%)을 입력하면 모듈이 원래 데이터 세트(1000)에 비해 소수 사례(3000)의 백분율을 세 배로 늘립니다.
상자 2: 5
5개의 데이터 행을 사용해야 합니다.
최근접 이웃 수 옵션을 사용하여 새 케이스를 구축할 때 SMOTE 알고리즘이 사용하는 특징 공간의 크기를 결정합니다. 가장 가까운 이웃은 일부 대상 케이스와 매우 유사한 데이터 행(케이스)입니다. 두 경우 사이의 거리는 모든 특징의 가중치 벡터를 결합하여 측정됩니다.
최근접이웃의 수를 늘리면 더 많은 케이스에서 피처를 얻을 수 있습니다.
최근접이웃의 수를 낮게 유지하여 원래 샘플과 더 유사한 기능을 사용합니다.
참조:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/smote

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

광고 성향 모델은 컷 임계값이 0.45이고 가중치 카파가 0.1에서 벗어날 경우 재학습이 발생합니다.
+/- 5%.
모델 개발
질문 세트 2

설명:
상자 1: nb_server

상자 2: mlc_cluster
Azure Machine Learning을 사용하면 집합적으로 계산 대상이라고 하는 다양한 리소스 또는 환경에서 모델을 훈련할 수 있습니다. 컴퓨팅 대상은 로컬 머신 또는 Azure Machine Learning Compute, Azure HDInsight 또는 원격 가상 머신과 같은 클라우드 리소스일 수 있습니다.
참조:
https://docs.microsoft.com/en-us/azure/machine-learning/concept-compute-target
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-set-up-training-targets

설명:
상자 1: 불용어 제거
정보 검색을 최적화하기 위해 단어를 제거하십시오.
불용어 제거: 미리 정의된 불용어 목록을 텍스트 열에 적용하려면 이 옵션을 선택합니다. 중지 단어 제거는 다른 프로세스보다 먼저 수행됩니다.
상자 2: 표제어 표기법
단일 표준 형식에서 여러 관련 단어가 있는지 확인합니다.
표제어는 여러 관련 단어를 단일 표준 형식으로 변환합니다. 상자 3: 특수 문자 제거 특수 문자 제거: 이 옵션을 사용하여 영숫자가 아닌 특수 문자를 파이프 | 캐릭터.
참조:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/preprocess-text
주제 1, 사례 연구
개요
당신은 프로 스포츠 이벤트에 대한 데이터 과학을 제공하는 회사의 데이터 과학자입니다. 모델은 다음 비즈니스 목표를 충족하기 위한 글로벌 및 로컬 시장 데이터가 됩니다.
* 군중 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 감지합니다.
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.
* 군중 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 0.1 +/-5%에서 벗어나면 재학습이 발생합니다.
* 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.
* 드롭은 광고 스타일에 따라 일관되지 않았습니다.
* 교육 데이터와 프로덕션 데이터 간의 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 샘플은 캐치프레이즈의 길이가 지역에 따라 25%-47%로 다양함을 보여줍니다.
* 글로벌 페널티 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.