# Low code/No code Data Science-project op Azure ML ## Instructies We hebben gezien hoe je het Azure ML-platform kunt gebruiken om een model te trainen, implementeren en gebruiken op een Low code/No code-manier. Zoek nu naar wat gegevens die je kunt gebruiken om een ander model te trainen, te implementeren en te gebruiken. Je kunt datasets vinden op [Kaggle](https://kaggle.com) en [Azure Open Datasets](https://azure.microsoft.com/services/open-datasets/catalog?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). ## Rubric | Uitmuntend | Voldoende | Verbetering Nodig | |------------|-----------|-------------------| |Bij het uploaden van de gegevens heb je ervoor gezorgd dat je indien nodig het type van de kenmerken hebt aangepast. Je hebt ook de gegevens schoongemaakt indien nodig. Je hebt een training uitgevoerd op een dataset via AutoML en je hebt de modelverklaringen gecontroleerd. Je hebt het beste model geïmplementeerd en je kon het gebruiken. | Bij het uploaden van de gegevens heb je ervoor gezorgd dat je indien nodig het type van de kenmerken hebt aangepast. Je hebt een training uitgevoerd op een dataset via AutoML, je hebt het beste model geïmplementeerd en je kon het gebruiken. | Je hebt het beste model dat door AutoML is getraind geïmplementeerd en je kon het gebruiken. | --- **Disclaimer**: Dit document is vertaald met behulp van de AI-vertalingsservice [Co-op Translator](https://github.com/Azure/co-op-translator). Hoewel we streven naar nauwkeurigheid, dient u zich ervan bewust te zijn dat geautomatiseerde vertalingen fouten of onnauwkeurigheden kunnen bevatten. Het originele document in de oorspronkelijke taal moet worden beschouwd als de gezaghebbende bron. Voor kritieke informatie wordt professionele menselijke vertaling aanbevolen. Wij zijn niet aansprakelijk voor misverstanden of verkeerde interpretaties die voortvloeien uit het gebruik van deze vertaling.