데이터를 Bins로 그룹화 모듈은 데이터 비닝을 위한 여러 옵션을 지원합니다. Bin 가장자리가 설정되는 방식과 값이 Bin에 할당되는 방식을 사용자 정의할 수 있습니다.
참고자료:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/group-data-into-bins 기능 엔지니어링 테스트 수행 1 사례 연구 개요 귀하는 다음과 같은 회사의 데이터 과학자입니다. 프로 스포츠 이벤트를 위한 데이터 과학을 제공합니다. 모델은 다음 비즈니스 목표를 달성하기 위해 글로벌 및 현지 시장 데이터를 사용합니다.
* 군중 반응의 오디오를 기반으로 스포츠 이벤트에서 모바일 장치 사용자의 감정을 이해합니다.
* 광고에 반응하는 사용자의 경향을 평가합니다.
* 휴대기기에 게재되는 광고 스타일을 맞춤설정하세요.
* 비디오를 사용하여 페널티 이벤트 감지
현재 환경
* 페널티 이벤트 감지에 사용되는 미디어는 소비자 기기에서 제공됩니다. 미디어에는 스포츠 경기 중에 캡처하여 소셜 미디어를 통해 공유한 이미지와 비디오가 포함될 수 있습니다. 이미지와 비디오의 크기와 형식은 다양합니다.
* 모델 구축에 사용할 수 있는 데이터는 7년간의 스포츠 이벤트 미디어로 구성됩니다. 스포츠 이벤트 미디어에는 다음이 포함됩니다. 녹화된 비디오 대본이나 라디오 해설, 스포츠 경기 중 캡처된 관련 소셜 미디어 피드의 로그.
* 군중 감정에는 이벤트 참석자가 모노 및 스테레오 형식으로 제출한 오디오 녹음이 포함됩니다.
페널티 감지 및 감정
* 데이터 과학자는 페널티 이벤트 감지를 위해 여러 기계 학습 모델을 사용하여 지능형 솔루션을 구축해야 합니다.
* 데이터 과학자는 기계 학습 파이프라인의 자동 기능 엔지니어링 및 모델 구축을 사용하여 로컬 환경에서 노트북을 구축해야 합니다.
* 동적 작업자 할당이 포함된 Spark 인스턴스를 사용하여 재교육하려면 노트북을 배포해야 합니다.
* 데이터 소스만 기록하려면 노트북이 새 Spark 인스턴스에서 동일한 코드로 실행되어야 합니다.
* 전역 페널티 감지 모델은 학습 중에 동적 런타임 그래프 계산을 사용하여 학습해야 합니다.
* 로컬 페널티 감지 모델은 BrainScript를 사용하여 작성해야 합니다.
* 지역 군중 감정 모델 실험에서는 지역 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 측정항목이 있어야 합니다.
광고
생산 초기 몇 주 동안 다음 사항이 관찰되었습니다.
* 광고 응답이 거부되었습니다.
* 드롭은 광고 스타일 전반에 걸쳐 일관되지 않았습니다.
* 교육 및 프로덕션 데이터 전반에 걸친 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 선형적으로 상관되지 않은 특성 10개를 엔지니어링하는 것입니다.
* 초기 데이터 발견은 군중 감정 모델에 사용되는 훈련 데이터에서 목표 상태의 광범위한 밀도를 보여줍니다.
* 모든 페널티 감지 모델은 SGD(확률적 경사하강법)를 사용하는 추론 단계가 너무 느리게 실행되는 것을 보여줍니다.
* 오디오 샘플에 따르면 캐치프레이즈의 길이는 지역에 따라 25%~47% 사이로 다양합니다.
* 전역 페널티 탐지 모델의 성능은 훈련 세트와 검증 세트를 비교할 때 분산은 낮지만 편향은 더 높습니다. 기능 변경을 구현하기 전에 모든 학습 및 검증 사례를 사용하여 편향과 분산을 확인해야 합니다.
* 광고 반응 모델은 각 이벤트 시작 시 학습되어야 하며 스포츠 이벤트 중에 적용되어야 합니다.
* 시장 세분화 모델은 유사한 광고 응답 기록에 맞게 최적화되어야 합니다.
* 샘플링은 동일한 기능을 공유하는 로컬 및 글로벌 세분화 모델 간의 상호적이고 배타적인 집합성을 보장해야 합니다.
* 사용자의 광고 반응 성향을 결정하기 전에 지역 시장 세분화 모델이 적용됩니다.
* 광고 응답 모델은 기능의 비선형 경계를 지원해야 합니다.
* 광고 성향 모델은 컷 임계값 0.45를 사용하며 가중치 Kappa가 0.45에서 벗어나면 재학습이 발생합니다.
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 요소 시나리오의 성능 곡선은 다음 다이어그램에 표시됩니다.

설명
텍스트, 애플리케이션 설명이 자동으로 생성됨

상자 1: 로컬 웹 서비스
로컬 웹 서비스 컴퓨팅 대상은 테스트/디버깅에 사용됩니다. 제한된 테스트 및 문제 해결에 사용하십시오. 하드웨어 가속은 로컬 시스템의 라이브러리 사용에 따라 달라집니다.
상자 2: AKS(Azure Kubernetes Service)
AKS(Azure Kubernetes Service)는 실시간 추론에 사용됩니다.
프로덕션 워크로드에 권장됩니다.
대규모 프로덕션 배포에 사용하세요. 빠른 응답 시간과 배포된 서비스의 자동 확장을 제공합니다. 참조:
https://docs.microsoft.com/en-us/azure/machine-learning/concept-compute-target

설명/참조:
설명:
C: Windows 시스템이 하드웨어 가상화 기술을 지원하고 가상화가 활성화되어 있는지 확인하세요.
BIOS 설정에서 하드웨어 가상화 지원이 켜져 있는지 확인하세요. 예를 들어:

E: Docker를 실행하려면 컴퓨터에 Windows 7 이상을 실행하는 64비트 운영 체제가 있어야 합니다.
참고자료:
https://docs.docker.com/toolbox/toolbox_install_windows/
https://blogs.technet.microsoft.com/canitpro/2015/09/08/step-by-step-enabling-hyper-v-for-use-on- windows-10/