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:
반복 = 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: ds-workstation 노트북 VM
테스트에 인증된 연결이 필요하지 않아야 합니다.
DSVM(Data Science Virtual Machine)을 포함한 Microsoft Azure VM(가상 머신)에서 VM을 프로비저닝하는 동안 로컬 사용자 계정을 만듭니다. 그런 다음 사용자는 이러한 자격 증명을 사용하여 VM에 인증합니다.
상자 2: GPU 컴퓨팅 클러스터
이미지 분류는 GPU 컴퓨팅 클러스터에 적합합니다.
참조:
https://docs.microsoft.com/en-us/azure/machine-learning/data-science-virtual-machine/dsvm-common-identity
https://docs.microsoft.com/en-us/azure/architecture/reference-architectures/ai/training-deep-learning

설명

상자 1: 누락된 데이터 정리
상자 2: 스모트
Azure Machine Learning Studio의 SMOTE 모듈을 사용하여 기계 학습에 사용되는 데이터 세트에서 제대로 표시되지 않는 사례의 수를 늘립니다. SMOTE는 단순히 기존 케이스를 복제하는 것보다 희귀 케이스의 수를 늘리는 더 좋은 방법입니다.
상자 3: 지표 값으로 변환
Azure Machine Learning Studio에서 지표 값으로 변환 모듈을 사용합니다. 이 모듈의 목적은 범주형 값을 포함하는 열을 기계 학습 모델의 기능으로 더 쉽게 사용할 수 있는 일련의 이진 표시기 열로 변환하는 것입니다.
상자 4: 중복 행 제거
참조:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/smote
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/convert-to-indicator-values

설명:
상자 1: 부스트된 의사 결정 트리 회귀
평균 절대 오차(MAE)는 예측이 실제 결과에 얼마나 가까운지를 측정합니다. 따라서 점수가 낮을수록 좋습니다.
상자 2:
온라인 경사 하강법: 알고리즘이 최적의 매개변수를 찾도록 하려면 트레이너 모드 생성 옵션을 매개변수 범위로 설정하십시오. 그런 다음 시도할 알고리즘에 대해 여러 값을 지정할 수 있습니다.
참조:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/evaluate-model
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/linear-regression