설명

설명:

1단계: 데이터 증강
시나리오: 각 데이터 세트의 열에는 결측값과 null 값이 포함되어 있습니다. 또한 데이터 세트에는 많은 이상치가 포함되어 있습니다.
2단계: 베이지안 선형 회귀 모듈을 추가합니다.
시나리오: 선형 회귀 및 베이지안 선형 회귀 모듈을 사용하여 부동산 가격을 예측하는 회귀 모델을 생성합니다.
3단계: 정규화 가중치를 설정합니다.
정규화는 일반적으로 과적합을 방지하기 위해 사용됩니다. 예를 들어, L2 정규화 가중치에는 L2 정규화에 사용할 가중치 값을 입력합니다. 과적합을 방지하기 위해 0이 아닌 값을 사용하는 것이 좋습니다.
대본:
모델 적합도: 모델이 과적합된 것으로 보입니다. 과적합을 줄이는 보다 정교한 회귀 모델을 만들어야 합니다.

설명:

1단계: 워크스테이션에 Docker를 설치합니다.
필수 조건으로는 로컬 시스템에 Docker가 정상적으로 설치되어 있어야 한다는 점입니다.
Dockerfile을 컴퓨팅 노드에 빌드하거나 다운로드합니다.
2단계: AksWebservice 배포 구성을 생성하고 모델을 해당 구성에 배포합니다. Azure Kubernetes Service에 모델을 배포하려면 필요한 컴퓨팅 리소스를 설명하는 배포 구성을 생성합니다.
# 개발/테스트용으로 구성된 클러스터에 배포하는 경우, 클러스터가 충분한 리소스로 생성되었는지 확인하십시오.
# 이 배포 구성을 처리하는 데 필요한 코어 및 메모리입니다. 참고로 메모리는 다른 곳에서도 사용됩니다.
# 종속성 및 AML 구성 요소와 같은 것들.
deployment_config = AksWebservice.deploy_configuration(cpu_cores = 1, memory_gb = 1) service = Model.deploy(ws, "myservice", [model], inference_config, deployment_config, aks_target) service.wait_for_deployment(show_output = True) print(service.state) print(service.get_logs()) 3단계: 서비스에 대한 LocalWebservice 배포 구성을 생성하고 모델을 배포합니다. 로컬에 배포하려면 LocalWebservice.deploy_configuration()을 사용하여 배포 구성을 생성하도록 코드를 수정합니다. 그런 다음 Model.deploy()를 사용하여 서비스를 배포합니다.
4단계: 필요에 따라 채점 스크립트를 디버깅하고 수정합니다. 수정 후에는 서비스의 reload() 메서드를 사용하십시오.
로컬 테스트 중에는 로깅을 추가하거나 발견한 문제를 해결하기 위해 score.py 파일을 업데이트해야 할 수 있습니다. score.py 파일의 변경 사항을 다시 로드하려면 reload() 함수를 사용하십시오. 예를 들어, 다음 코드는 서비스용 스크립트를 다시 로드한 다음 서비스로 데이터를 전송합니다.
참조:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-deploy-azure-kubernetes-service
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-troubleshoot-deployment-local

설명:
Azure Machine Learning Studio의 누락된 데이터 정리 모듈은 누락된 값을 제거, 대체 또는 추론하는 데 사용됩니다.
틀린 답:
잠재 디리클레 변환(Latent Dirichlet Transformation): Azure Machine Learning Studio의 잠재 디리클레 할당(Latent Dirichlet Allocation, LDA) 모듈은 분류되지 않은 텍스트를 여러 범주로 그룹화하는 데 사용됩니다. 잠재 디리클레 할당(LDA)은 자연어 처리(NLP)에서 유사한 텍스트를 찾는 데 자주 사용됩니다. 이를 토픽 모델링이라고도 합니다.
카운팅 변환 모듈 빌드: Azure Machine Learning Studio에서 카운팅 변환 모듈을 빌드하여 학습 데이터를 분석합니다. 이 모듈은 해당 데이터를 기반으로 카운트 테이블과 예측 모델에서 사용할 수 있는 카운트 기반 특징 집합을 생성합니다.
결측값 제거 도구: 결측값 제거 모듈은 더 이상 사용되지 않습니다.
특징 해싱: 특징 해싱은 언어학에서 사용되며, 고유한 토큰을 정수로 변환하는 방식으로 작동합니다.
이산값 대체: Azure Machine Learning Studio의 이산값 대체 모듈은 이산값을 나타내는 데 사용할 수 있는 확률 점수를 생성하는 데 사용됩니다. 이 점수는 이산값의 정보 가치를 이해하는 데 유용할 수 있습니다.
참고 자료:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/clean-missing-data