You can not select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
23 lines
2.3 KiB
23 lines
2.3 KiB
<!--
|
|
CO_OP_TRANSLATOR_METADATA:
|
|
{
|
|
"original_hash": "8fdc4a5fd9bc27a8d2ebef995dfbf73f",
|
|
"translation_date": "2025-08-25T17:27:23+00:00",
|
|
"source_file": "5-Data-Science-In-Cloud/18-Low-Code/assignment.md",
|
|
"language_code": "ja"
|
|
}
|
|
-->
|
|
# Azure MLでのローコード/ノーコード データサイエンスプロジェクト
|
|
|
|
## 手順
|
|
|
|
Azure MLプラットフォームを使用して、ローコード/ノーコード形式でモデルをトレーニング、デプロイ、利用する方法を学びました。次に、別のモデルをトレーニングし、デプロイして利用するために使用できるデータを探してみましょう。[Kaggle](https://kaggle.com)や[Azure Open Datasets](https://azure.microsoft.com/services/open-datasets/catalog?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109)でデータセットを探すことができます。
|
|
|
|
## 評価基準
|
|
|
|
| 優秀 | 適切 | 改善が必要 |
|
|
|------|------|------------|
|
|
| データをアップロードする際、必要に応じて特徴量の型を変更しました。また、必要に応じてデータをクリーンアップしました。AutoMLを使用してデータセットでトレーニングを実行し、モデルの説明を確認しました。最適なモデルをデプロイし、それを利用することができました。 | データをアップロードする際、必要に応じて特徴量の型を変更しました。AutoMLを使用してデータセットでトレーニングを実行し、最適なモデルをデプロイして、それを利用することができました。 | AutoMLでトレーニングされた最適なモデルをデプロイし、それを利用することができました。 |
|
|
|
|
**免責事項**:
|
|
この文書は、AI翻訳サービス [Co-op Translator](https://github.com/Azure/co-op-translator) を使用して翻訳されています。正確性を追求しておりますが、自動翻訳には誤りや不正確さが含まれる可能性があります。元の言語で記載された原文が正式な情報源と見なされるべきです。重要な情報については、専門の人間による翻訳を推奨します。この翻訳の使用に起因する誤解や誤認について、当社は一切の責任を負いません。 |