【AI-900】Azureの機械学習系サービスまとめ（勉強ログ#3）

※本記事はAI-900の資格試験対策用に私が勉強した内容を備忘録として残したものです。想定問題を解いていて重要だ、ここは忘れそうだと感じた部分をまとめています。網羅的な解説記事ではありませんのでご容赦ください。

はじめに

さて今回は、AI-900（Microsoft Certified：Azure AI Fundamentals）の資格試験対策として、Azureの機械学習系サービスについてまとめたいと思います。

資格試験に受かることだけを目標に、ポイントだけ抑えた記事となっていますので、詳しく知りたい方はMicrosoftの公式HPでしっかり学習してください。

それでは見ていきましょ～。

オススメの試験対策用Udemy講座も載せておきますね。

以下は体系的に知識を学ぶのにぴったりです。

体系的に学習した後は、過去問を解きまくりましょう。以下の模擬問題集がオススメなので是非！

Azure Machine Learning Studioでは、機械学習モデルの開発、トレーニング、デプロイを簡単に行えるツールが提供されています。

ひとまず超重要な「AutoML」と「Azure Machine Learning デザイナー」だけハイライトしておきますね。

機能	説明	用途・特徴
自動機械学習（AutoML）	コードを書かずに、最適な機械学習モデルを自動で選択・チューニングする	・データをアップロードするだけで最適なアルゴリズムを選定・初心者でも簡単にモデル作成が可能
Azure Machine Learning デザイナー	GUI（ドラッグ＆ドロップ）で機械学習パイプラインを作成できるツール	・コーディング不要でモデル作成・視覚的にワークフローを構築できる
データメトリックの視覚化	モデルの評価結果やデータの統計情報を可視化するツール	・トレーニングの進捗や精度を確認・グラフやヒートマップでデータを分析
Notebook	Jupyter Notebookを利用してPythonコードを書き、カスタム機械学習モデルを開発	・高度なカスタマイズが可能・データサイエンティスト向け

Azure Machine Learning を使用すると、クラウド上でモデルをトレーニングし、デプロイすることが可能です。以下のステップを覚えておきましょう。

Azure Machine Learning

Step1
ワークスペース作成

Azure Machine Learning スタジオを利用するにはワークスペースが必要。ワークスペースは、モデル・データ・コンピューティングリソースを管理する環境。
Step2
ジョブを作成し、トレーニング

データセット（特徴量とラベル）を使い、モデル（例：線形回帰）を学習。モデルをトレーニングするには、「ジョブ（モデルのトレーニングを実行する単位）」を作成して実行 します。
Step3
モデルのデプロイ

ACI（軽量） or AKS（大規模運用）にデプロイ。トレーニングが完了したら、モデルをデプロイし、APIとして利用可能にする。

AutoMLでは、以下の3つの要素を自動的に選択・最適化します。

要素	説明
特徴量（Feature Engineering）	重要なデータの特徴を抽出し、学習しやすい形に変換する（例：欠損値補完、カテゴリ変数のエンコーディング）
アルゴリズム（Model Selection）	適切な機械学習アルゴリズム（例：決定木、SVM、ニューラルネットワーク）を選択する
パラメータ（Hyperparameter Tuning）	モデルの性能を最適化するために、学習率や木の深さなどのハイパーパラメータを自動調整する