# 目次

1. はじめに

2. Azure Machine Learningとは？

3. Azure MLでのJupyter Notebook環境の構築手順

    1. Azureポータルへのサインイン

    2. Azure Machine Learningワークスペースの作成

    3. コンピューティングリソースの準備

    4. Jupyter Notebookの起動

4. 公開データセットの読み込み

5. モデルのトレーニングと評価

6. 結果の可視化

7. まとめ

# 1. はじめに

Azure Machine Learning（Azure ML）は、Microsoftが提供する一連のクラウドベースのサービスで、機械学習モデルの開発、トレーニング、デプロイを容易にすることを目的としています。その中でも、Jupyter Notebookはデータサイエンティストやエンジニアが対話形式でコードを書いたり、モデルのプロトタイプを作成したりするのに非常に役立ちます。本記事では、Azure MLを使用してJupyter Notebook環境を構築する具体的な手順を詳しく説明します。

# 2. Azure Machine Learningとは？

Azure Machine Learningは、データ準備や実験からデプロイ、管理まで、機械学習ライフサイクル全体をサポートするサービスです。これにより、モデルの開発と展開が簡素化され、より迅速かつスケーラブルなプロジェクト進行が可能となります。

## 2-1 機能の概要

Azure MLは以下のような特徴的な機能を提供しています。

- **データ準備と管理**: 大規模データセットの処理と分析が簡単に行える環境。

- **オートML**: 自動化された機械学習プロセスが可能。

- **ドラッグアンドドロップ インターフェース**: ノーコードなモデル開発環境もサポート。

- **エンドツーエンド MLOps**: 継続的デプロイと統合。

# 3. Azure MLでのJupyter Notebook環境の構築手順

ここでは、Azure MLワークスペースでJupyter Notebook環境を構築する各ステップを具体的に見ていきます。

## 3-1 Azureポータルへのサインイン

まず、Azureポータル(https://portal.azure.com)へアクセスし、Microsoftアカウントでサインインします。Azureアカウントを持っていない場合は、新たに作成することができます。

## 3-2 Azure Machine Learningワークスペースの作成

1. **Azureポータルのダッシュボード**で「リソースの作成」をクリックし、「Machine Learning」を選択します。

2. **ワークスペースの設定**: 

   - リソースグループ、ワークスペース名、リージョンを指定。

   - 表 \[1\]: 設定例

     | 項目            | 内容                   |

     |----------------|------------------------|

     | ワークスペース名 | my-aml-workspace       |

     | リソースグループ | my-resource-group     |

     | リージョン     | East US               |

3. **[確認および作成]** をクリックし、ポータルによる検証が完了すると **[作成]** をクリックします。

## 3-3 コンピューティングリソースの準備

1. ポータルの左メニューから「コンピュート」を選択し、「新規」をクリックします。

2. VMサイズファミリー、インスタンスサイズを選び、必要に応じて設定を調整します。

3. 必要な場合はスケール設定を行い、費用対効果を最適化します。

## 3-4 Jupyter Notebookの起動

1. Azure MLスタジオから [ノートブック] を選択します。

2. 「Jupyter ノートブック」オプションを選択し、新しいノートブックを作成します。

3. 必要に応じて、Python環境を設定します。

# 4. 公開データセットの読み込み

Notebook内で次のようなPythonコードを利用することで、公開データセットを簡単に読み込むことができます。

![img](/mosaic-code.jpg)

# 5. モデルのトレーニングと評価

トレーニングデータを使い、モデルをトレーニングします。たとえば、Scikit-learnを用いたトレーニングはこちらです。

![img](/mosaic-code.jpg)

# 6. 結果の可視化

トレーニングしたモデルの評価結果を可視化するために、MatplotlibやSeabornを使うことで理解しやすくなります。

![img](/mosaic-code.jpg)

# 7. まとめ

Azure MLによるJupyter Notebook環境のセットアップは、実際の機械学習プロジェクトで、データの処理からモデル開発、結果の報告に至るまで効率を大幅に向上させます。これにより、複雑な分析を実施するための時間と労力を削減し、効果的なプロトタイピングとスケーラブルなデプロイが可能になります。Azure MLを使いこなすことで、データサイエンスプロジェクトがより直感的になり、高品質なデータドリブンの意思決定をサポートします。

# 目次

1. はじめに

2. Azure Machine Learningとは？

3. Azure MLでのJupyter Notebook環境の構築手順

    1. Azureポータルへのサインイン

    2. Azure Machine Learningワークスペースの作成

    3. コンピューティングリソースの準備

    4. Jupyter Notebookの起動

4. 公開データセットの読み込み

5. モデルのトレーニングと評価

6. 結果の可視化

7. まとめ

# 1. はじめに

Azure Machine Learning（Azure ML）は、Microsoftが提供する一連のクラウドベースのサービスで、機械学習モデルの開発、トレーニング、デプロイを容易にすることを目的としています。その中でも、Jupyter Notebookはデータサイエンティストやエンジニアが対話形式でコードを書いたり、モデルのプロトタイプを作成したりするのに非常に役立ちます。本記事では、Azure MLを使用してJupyter Notebook環境を構築する具体的な手順を詳しく説明します。

# 2. Azure Machine Learningとは？

Azure Machine Learningは、データ準備や実験からデプロイ、管理まで、機械学習ライフサイクル全体をサポートするサービスです。これにより、モデルの開発と展開が簡素化され、より迅速かつスケーラブルなプロジェクト進行が可能となります。

## 2-1 機能の概要

Azure MLは以下のような特徴的な機能を提供しています。

- **データ準備と管理**: 大規模データセットの処理と分析が簡単に行える環境。

- **オートML**: 自動化された機械学習プロセスが可能。

- **ドラッグアンドドロップ インターフェース**: ノーコードなモデル開発環境もサポート。

- **エンドツーエンド MLOps**: 継続的デプロイと統合。

# 3. Azure MLでのJupyter Notebook環境の構築手順

ここでは、Azure MLワークスペースでJupyter Notebook環境を構築する各ステップを具体的に見ていきます。

## 3-1 Azureポータルへのサインイン

まず、Azureポータル(https://portal.azure.com)へアクセスし、Microsoftアカウントでサインインします。Azureアカウントを持っていない場合は、新たに作成することができます。

## 3-2 Azure Machine Learningワークスペースの作成

1. **Azureポータルのダッシュボード**で「リソースの作成」をクリックし、「Machine Learning」を選択します。

2. **ワークスペースの設定**: 

   - リソースグループ、ワークスペース名、リージョンを指定。

   - 表 \[1\]: 設定例

     | 項目            | 内容                   |

     |----------------|------------------------|

     | ワークスペース名 | my-aml-workspace       |

     | リソースグループ | my-resource-group     |

     | リージョン     | East US               |

3. **[確認および作成]** をクリックし、ポータルによる検証が完了すると **[作成]** をクリックします。

## 3-3 コンピューティングリソースの準備

1. ポータルの左メニューから「コンピュート」を選択し、「新規」をクリックします。

2. VMサイズファミリー、インスタンスサイズを選び、必要に応じて設定を調整します。

3. 必要な場合はスケール設定を行い、費用対効果を最適化します。

## 3-4 Jupyter Notebookの起動

1. Azure MLスタジオから [ノートブック] を選択します。

2. 「Jupyter ノートブック」オプションを選択し、新しいノートブックを作成します。

3. 必要に応じて、Python環境を設定します。

# 4. 公開データセットの読み込み

Notebook内で次のようなPythonコードを利用することで、公開データセットを簡単に読み込むことができます。

```python

from azureml.core import Dataset

workspace = AzureMLWorkspace.from_config()

dataset = Dataset.get_by_name(workspace, 'PublicDataset')

df = dataset.to_pandas_dataframe()

```

# 5. モデルのトレーニングと評価

トレーニングデータを使い、モデルをトレーニングします。たとえば、Scikit-learnを用いたトレーニングはこちらです。

```python

from sklearn.model_selection import train_test_split

from sklearn.linear_model import LogisticRegression

from sklearn.metrics import accuracy_score

X_train, X_test, y_train, y_test = train_test_split(df.drop(columns=['target']), df['target'], test_size=0.2, random_state=42)

model = LogisticRegression()

model.fit(X_train, y_train)

predictions = model.predict(X_test)

accuracy = accuracy_score(y_test, predictions)

```

# 6. 結果の可視化

トレーニングしたモデルの評価結果を可視化するために、MatplotlibやSeabornを使うことで理解しやすくなります。

```python

import matplotlib.pyplot as plt

from sklearn.metrics import confusion_matrix

import seaborn as sns

conf_matrix = confusion_matrix(y_test, predictions)

sns.heatmap(conf_matrix, annot=True)

plt.xlabel('Predicted labels')

plt.ylabel('True labels')

plt.show()

```

# 7. まとめ

Azure MLによるJupyter Notebook環境のセットアップは、実際の機械学習プロジェクトで、データの処理からモデル開発、結果の報告に至るまで効率を大幅に向上させます。これにより、複雑な分析を実施するための時間と労力を削減し、効果的なプロトタイピングとスケーラブルなデプロイが可能になります。Azure MLを使いこなすことで、データサイエンスプロジェクトがより直感的になり、高品質なデータドリブンの意思決定をサポートします。

目次

続きを読むには単価診断を受けてください（30秒）