マイクロソフトは5月31日より、Azure Machine LearningのハンズオンラボコンテンツをGitHubで公開しました。これにより、機械学習についての情報や、Azure Machine Learningについての使い方がステップbyステップで学べます。

現時点では8つのラボコンテンツが公開されています：

Lab 1. 開発環境の準備
Azure Machine Learningをベースとして、このラボでは複数種類のツールが使用されています。機械学習のソリューション開発者に人気のある既存のツールや、開発言語を紹介します。このラボのセッションでは、Azure Machine Learningへのサブスクリプション登録の方法と、最も人気のある、機械学習のローカル開発環境を試します。

 

Lab 2. R言語、PythonとData Synthについて
PythonとR言語について概要を説明した後でローカル環境にてコードを実行する方法を説明し、Azure Machine Learningでどのようにそれらコードの移行して実行するかを説明します。実データを使っての分析と可視化は難しいので、このラボのセッションではシンプルなデータセットを使用します。

サンプルのデータセットから得られた情報を元にExcelでの可視化の情報を紹介します。サンプルデータも使用しますが、一般公開されている実データも使用して機械学習モデルを構築していきます。また、一般公開されているビッグデータをAzure Machine Learningへ転送する方法も紹介します。

 

Lab 3. Azure ML で実験 & データの扱い方
このラボでは、Azure Machine Learningを活用した実験をし、データソースへ接続してみます。

ここでは一般的なデータソースを試し、Azure Machine Learningからの接続方法と、データの基本的な取り扱い方法について学びます。

 

Lab 4. Azure Machine Learningモデルを開発し、活用する
サンプルデータを元にAzure機械学習モデルを構築し、どんなアプリケーションでも活用できるWebサービスを発行します。

C#言語でコンソールアプリケーションwk開発し、発行されたWebサービスエンドポイントを活用してみます。構築した機械学習モデルは新しいデータで試し、結果を確認します。

 

Lab 5. Azure Machine Learningでカスタムスクリプト(R & Python)を試す
PythonとR言語のどちらも活用し、データの加工方法を学びます。Azure Machine Learningのスクリプト実行機能を活用して、現在インストールされているパッケージの一覧を取得してみます。
Lab 6. Azure Machine Learningのモデルを評価する
Azure機械学習モデルの構築したあと、モデルのパフォーマンスについて確認します。その評価方法や主な評価基準とは何か? これらの答えは複数の機械学習モデルで得られます。

 

Lab 7. Azure Machine Learning のバッチスコア、再トレーニング、自動化と製造

機械学習ソリューションはデータを基に構築し、学習します。では、そのデータが時間と共に変化した場合はどうするのでしょう。モデルを常に更新する方法は？１つ以上のサンプルを基にAzure Machine Learningのモデルで予測する方法は？バッチでスコアを算出するには？

このラボのセッションでは、サンプルを基にステップバイステップでこれらの質問について答えていきます。

 

Lab 8. 「おすすめ」システム（Recommendation System）

このラボでは、製品や製品仕様とユーザー評価のサンプルデータを基に、Azure Machine Learningで製品のおすすめ機能を活用する方法を紹介します。
Microsoft社シニアソフトウェアデザインエンジニア – Mustafa Kasap氏の投稿

吉田の備忘録では上記で紹介した各ラボの内容を随時和訳し、公開していきます。

情報元: Announcing the Availability of Azure ML Hands-on Lab Content