# Azure Machine Learning Studioの使い方入門

## 目次

1. 1-1 はじめに

2. 1-2 Azure Machine Learning Studioとは

3. 1-3 環境のセットアップ

   - 1-3-1 Azureアカウントの作成

   - 1-3-2 Azureポータルへのログイン

4. 1-4 初期設定

   - 1-4-1 ワークスペースの作成

   - 1-4-2 Computeリソースの設定

5. 1-5 データのインポートと準備

   - 1-5-1 データのインポート

   - 1-5-2 データの前処理

6. 1-6 モデルトレーニング

   - 1-6-1 モデルの選択

   - 1-6-2 トレーニングの実行

7. 1-7 モデル評価

8. 1-8 デプロイと運用

9. 1-9 まとめ

## 1-1 はじめに

Azure Machine Learning Studioは、Microsoftが提供するクラウドベースの機械学習サービスです。開発者やデータサイエンティストが、スケーラブルな機械学習モデルを迅速に構築、トレーニング、デプロイできるプラットフォームを提供します。本記事では、Azure Machine Learning Studioの基本的な使い方をステップバイステップで解説します。

## 1-2 Azure Machine Learning Studioとは

Azure Machine Learning Studioは、多様な機械学習タスクを行うための強力なツールです。このサービスでは、以下の機能を利用できます。

- **モデルトレーニングと評価**: クラウドベースで大規模なデータセットの処理が可能。

- **自動化された機械学習**: AutoMLを使用して、最適なモデルを自動的に探し出します。

- **統合環境**: Jupyter NotebookやVisual Studio Codeの統合。

## 1-3 環境のセットアップ

### 1-3-1 Azureアカウントの作成

まず最初に、Azureのアカウントが必要です。公式サイト([Azureの公式サイト](https://azure.microsoft.com/ja-jp/free/))で無料アカウントを作成しましょう。ここでクレジットカード情報の入力が必要ですが、無料プランには料金が発生しません。

### 1-3-2 Azureポータルへのログイン

アカウント作成後、Azureポータル([portal.azure.com](https://portal.azure.com))にログインします。ここがすべてのAzureサービスを管理する中心的な場所になります。

## 1-4 初期設定

### 1-4-1 ワークスペースの作成

Azureポータルから「リソースの作成」をクリックし、「Machine Learning」を検索します。「Machine Learningワークスペース」を選択し、必要な情報を入力して新しいワークスペースを設定します。

- **リソースグループ**: ワークスペースをグループ化するための項目です。

- **ワークスペース名**: 一意の名前。

### 1-4-2 Computeリソースの設定

ワークスペースができたら、Computeリソースを設定します。これは、実際に計算を行うための仮想マシン環境を指します。

- **Compute Instance**: 開発環境。

- **Compute Cluster**: トレーニング用。

設定はワークスペースの「Compute」タブから行います。

## 1-5 データのインポートと準備

### 1-5-1 データのインポート

データセットをAzure Machine Learning Studioにインポートする方法は数多くあります。Blobストレージ、SQLデータベース、または直接アップロードが可能です。

#### サンプルコード (Python)

```python

from azureml.core import Workspace, Dataset

workspace = Workspace.from_config()

datastore = workspace.get_default_datastore()

dataset = Dataset.File.from_files((datastore, 'data/your-dataset-folder'))

```

### 1-5-2 データの前処理

インポートされたデータは、クレンジングや正規化といった前処理が必要なことが多いです。Azure Machine Learning Studioでは、Data Prep SDKを使って前処理が可能です。

## 1-6 モデルトレーニング

### 1-6-1 モデルの選択

トレーニングをはじめる前に、適切な機械学習アルゴリズムを選びましょう。Azure Machine Learning Studioでは、サポートしているアルゴリズムのリストが豊富で、ニーズに合ったモデルを選択できます。

### 1-6-2 トレーニングの実行

モデルトレーニングは、Azure Machine Learning StudioのUIを使うか、自作のスクリプトを実行して行うことができます。後者の例を以下に示します。

#### サンプルコード (Python)

```python

from azureml.core import Experiment, ScriptRunConfig

experiment = Experiment(workspace, 'my-experiment')

config = ScriptRunConfig(source_directory='script-folder', script='train.py')

run = experiment.submit(config)

run.wait_for_completion(show_output=True)

```

## 1-7 モデル評価

モデルがトレーニングされると、評価フェーズに移ります。トレーニング済みモデルのパフォーマンスを評価し、必要であればハイパーパラメータの調整を行います。AzureのUIは、評価メトリクスを視覚化しやすいグラフで提供します。

## 1-8 デプロイと運用

モデル評価が満足できる結果なら、「デプロイ」フェーズへと進みます。Azure Machine Learning Studioは、モデルをWebサービスとしてデプロイし、APIを介してアクセス可能にできます。

- **モデルをコンテナ化**: 自動的にDockerコンテナを生成。

- **スケーリング**: クラウドならではのスケーリングが可能。

APIエンドポイントが提供され、アプリケーションやサービスからアクセス可能になります。

## 1-9 まとめ

Azure Machine Learning Studioは、クラウド上での効果的な機械学習プラットフォームを提供します。この入門記事をもとに、まずは基本機能の使用を試し、徐々に高度な機能を掘り下げていくことで、データサイエンスプロジェクトがより効果的になるでしょう。データのインポートからモデルのデプロイまで、Azure Machine Learning Studioが一貫したサポートを提供する点は、エンジニアにとって貴重なリソースとなります。

Azure Machine Learning Studioの使い方入門

目次

続きを読むには単価診断を受けてください（30秒）