설명
C: 베이지안 샘플링은 베이지안 최적화 알고리즘을 기반으로 하며 다음 샘플링을 위해 하이퍼파라미터 값을 지능적으로 선택합니다. 새 샘플이 보고된 기본 메트릭을 개선하도록 이전 샘플의 수행 방식을 기반으로 샘플을 선택합니다.
베이지안 샘플링은 조기 종료 정책을 지원하지 않습니다.
예시:
azureml.train.hyperdrive에서 BayesianParameterSampling 가져오기
azureml.train.hyperdrive에서 가져오기 유니폼, 선택
param_sampling = BayesianParameterSampling( {
"학습 속도": 균일(0.05, 0.1),
"batch_size": 선택(16, 32, 64, 128)
}
)
D: 랜덤 샘플링에서 하이퍼파라미터 값은 정의된 검색 공간에서 무작위로 선택됩니다. 랜덤 샘플링을 사용하면 검색 공간에 이산 및 연속 하이퍼파라미터가 모두 포함될 수 있습니다.
참조:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters

설명/참조:
설명:
Azure Machine Learning Studio에서 ARFF로 변환 모듈을 사용하여 Azure Machine Learning의 데이터 세트 및 결과를 Weka 도구 집합에서 사용하는 특성 관계 파일 형식으로 변환합니다. 이 형식을 ARFF라고 합니다.
Weka용 ARFF 데이터 사양은 데이터 사전 처리, 분류 및 기능 선택을 포함한 여러 기계 학습 작업을 지원합니다. 이 형식에서 데이터는 엔터티와 해당 속성으로 구성되며 단일 텍스트 파일에 포함됩니다.
참조:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/convert-to-arff Testlet 1 사례 연구 개요 귀하는 전문가에게 데이터 과학을 제공하는 회사의 데이터 과학자입니다. 스포츠 이벤트. 모델은 다음 비즈니스 목표를 달성하기 위해 글로벌 및 현지 시장 데이터를 사용합니다.
군중 반응의 오디오를 기반으로 스포츠 이벤트에서 모바일 장치 사용자의 감정을 이해합니다.

광고에 대한 사용자의 반응 경향을 평가합니다.

휴대기기에 게재되는 광고 스타일을 맞춤설정하세요.

비디오를 사용하여 페널티 이벤트 감지

현재 환경
패널티 이벤트 감지에 사용되는 미디어는 소비자 장치에서 제공됩니다. 미디어에는 다음이 포함될 수 있습니다.

스포츠 경기 중 캡처하고 소셜 미디어를 사용하여 공유하는 이미지 및 비디오. 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 제출한 모노 및 스테레오 오디오 녹음이 포함됩니다.

형식.
페널티 감지 및 감정
데이터 과학자는 패널티에 대해 여러 기계 학습 모델을 사용하여 지능형 솔루션을 구축해야 합니다.

이벤트 감지.
데이터 과학자는 자동 기능 엔지니어링 및

머신 러닝 파이프라인의 모델 구축.
동적 작업자 할당이 있는 Spark 인스턴스를 사용하여 재교육하려면 노트북을 배포해야 합니다.

노트북은 새 Spark 인스턴스에서 동일한 코드로 실행하여 소스만 다시 코딩해야 합니다.

데이터.
전역 패널티 감지 모델은 동적 런타임 그래프 계산을 사용하여 훈련해야 합니다.

훈련.
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 집계 실행 평균이 있어야 합니다.

및 표준 편차 측정항목을 사용할 수 있습니다.
광고
생산 초기 몇 주 동안 다음 사항이 관찰되었습니다.
평가된 광고 응답이 거부되었습니다.

하락은 광고 스타일 전반에 걸쳐 일관되지 않았습니다.

교육 및 프로덕션 데이터 전반에 걸쳐 기능 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 군중에 사용되는 교육 데이터에서 광범위한 대상 상태 밀도를 보여줍니다.

감성 모델.
모든 패널티 감지 모델은 SGD(Stochastic Gradient Descent)를 사용하는 추론 단계를 보여줍니다.

너무 느리게 실행.
오디오 샘플은 캐치 프레이즈의 길이가 지역에 따라 25%-47%로 다양함을 보여줍니다.

전역 패널티 감지 모델의 성능은 분산이 낮지만 편향이 높을 때

훈련 세트와 검증 세트를 비교합니다. 기능 변경을 구현하기 전에 모든 훈련 및 검증 사례를 사용하여 편향과 분산을 확인해야 합니다.
광고 응답 모델은 각 이벤트가 시작될 때 교육을 받아야 하고 스포츠 경기 중에 적용해야 합니다.

이벤트.
시장 세분화 모델은 유사한 광고 응답 기록에 대해 최적화해야 합니다.

샘플링은 로컬 및 글로벌 세분화 간에 독점적으로 상호 및 집단을 보장해야 합니다.

동일한 기능을 공유하는 모델.
사용자의 반응 성향을 결정하기 전에 현지 시장 세분화 모델이 적용됩니다.

광고.
광고 응답 모델은 기능의 비선형 경계를 지원해야 합니다.

광고 성향 모델은 컷 임계값이 0.45이고 가중치 카파가 이탈하는 경우 재학습이 발생합니다.

0.1 +/- 5%에서.
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.

설명

대본:
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.
참고: 모델 오류율과 중심 거리 간의 상관 관계 변화를 평가합니다. 기계 학습에서 최근접 중심 분류기 또는 가장 가까운 프로토타입 분류기는 평균(중심)이 관찰.
참조:
https://en.wikipedia.org/wiki/Nearest_centroid_classifier
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/sweep-clustering

output_action(str): 출력을 구성하는 방법입니다. 현재 지원되는 값은 'append_row' 및 'summary_only'입니다.
'append_row' - run() 메서드 호출에 의해 출력되는 모든 값은 출력 위치에 생성되는 parallel_run_step.txt라는 하나의 고유한 파일로 집계됩니다.
'요약_만'
참조:
https://docs.microsoft.com/en-us/python/api/azureml-contrib-pipeline-steps/azureml.contrib.pipeline.steps.parallelrunconfig
주제 1, 개요
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.

설명

데이터 집합을 데이터의 하위 집합으로 나누려면 데이터를 파티션으로 분할 옵션을 사용합니다. 이 옵션은 교차 검증을 위해 사용자 정의 접기 수를 생성하거나 행을 여러 그룹으로 분할하려는 경우에도 유용합니다.
* Studio(클래식)에서 실험에 파티션 및 샘플 모듈을 추가하고 데이터세트를 연결합니다.
* 파티션 또는 샘플 모드의 경우 폴드에 할당을 선택합니다.
* 파티셔닝에서 교체 사용: 샘플링된 행을 잠재적 재사용을 위해 행 풀에 다시 넣으려면 이 옵션을 선택하십시오. 결과적으로 동일한 행이 여러 폴드에 할당될 수 있습니다.
* 교체(기본 옵션)를 사용하지 않는 경우 샘플링된 행은 잠재적인 재사용을 위해 행 풀에 다시 넣지 않습니다. 결과적으로 각 행은 하나의 접기에 할당될 수 있습니다.
* 무작위 분할: 접기에 행을 무작위로 할당하려면 이 옵션을 선택하십시오.
이 옵션을 선택하지 않으면 라운드 로빈 방법을 사용하여 접기에 행이 할당됩니다.
참조:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/partition-and-sample