Azure Machine Learningではじめる機械学習/LLM活用入門

構成数 : 1

■第1部 Azure Machine Learningの基本
第1章 機械学習をビジネスに活かすには
1.1 機械学習に関わる用語の整理
1.2 機械学習が解決できる課題
1.3 生成AI時代における機械学習の意義
1.4 機械学習が取り組むべき課題
1.4.1 需要予測
1.4.2 画像分類による品質検査
1.4.3 自然言語処理による文書分類
1.5 機械学習の全体的なプロセスと課題
1.5.1 課題設定:解決すべき課題の明確化とプロジェクトの基盤構築
1.5.2 データ収集・探索:必要なデータの収集と分析
1.5.3 データ前処理:モデルが学習可能なデータセットの整備
1.5.4 アルゴリズム選定:タスクに最適なモデルの選択
1.5.5 パラメーター探索:モデル性能を左右するパラメーターの最適化
1.5.6 モデル学習:データからパターンを学ぶプロセス
1.5.7 モデル評価:モデルの性能確認と改善
1.5.8 デプロイ:モデルの実稼働環境への導入
1.5.9 モニタリング:デプロイ後のモデル性能監視とメンテナンス
1.6 ビジネスにおける機械学習
1.6.2 トレーニングループ
1.6.3 運用ループ
1.7 まとめ

第2章 Azure Machine Learningの概要
2.1 Azure Machine Learningとは
COLUMN マネージド計算リソースとは
2.1.1 使い慣れたツールとの統合
2.1.2 MLflowへのネイティブ対応
2.1.3 MLOpsのプラットフォーム
2.1.4 責任あるAI利用のための機能
2.1.5 エンタープライズ対応
2.1.6 LLMを利用したアプリケーションの開発
2.2 Azure Machine Learning の主要な概念
2.2.1 ワークスペース
COLUMN Azure Machine Learningの価格
2.2.2 クライアントツール
2.2.3 開発用機能
2.2.4 アセット
COLUMN Azure Machine Learning推論HTTPサーバー
2.2.5 管理
2.2.6 レジストリ
COLUMN Azure Machine Learning CLI/SDK v2
2.3 Azureサービスとの連携
2.3.1 Azure Synapse Analytics/Azure Data Factory
2.3.2 Microsoft Fabric
2.3.3 Azure Kubernetes Services/Azure Arc
2.3.4 GitHub/Azure DevOps
2.4 まとめ
COLUMN Microsoftの責任あるAIへの取り組み

第3章 Azure Machine Learningのセットアップ
3.1 Azureリソースの階層構造
3.1.1 管理グループ(Management groups)
3.1.2 サブスクリプション(Subscriptions)
3.1.3 リソースグループ(Resource groups)
3.1.4 リソース(Resources)
3.2 Azureアカウント作成
3.3 Azure Machine Learningワークスペースの作成
3.4 クォータの引き上げ申請
COLUMN プレビュー機能の有効化
3.5 まとめ

第4章 AutoMLの概要と実践
4.1 AutoML(自動機械学習)とは?
4.2 AutoMLでサポートされる機械学習のタスク
4.2.1 分類
4.2.2 回帰
4.2.3 時系列予測
4.2.4 画像(Computer Vision)
4.2.5 自然言語処理(NLP)
4.3 ハンズオン
4.3.1 データの登録
4.3.2 学習ジョブの作成と実行
4.3.3 結果の確認
4.3.4 モデルのデプロイ
4.4 まとめ
COLUMN データのラベリング

■第2部 機械学習モデルの構築と活用
第5章 スクラッチでのモデル開発
5.1 ノートブック上でのモデル開発
5.1.1 コンピューティングインスタンスの作成
5.1.2 Web版のVS Codeを起動
5.1.3 サンプルコードのダウンロード
5.1.4 conda仮想環境作成
COLUMN Azure Machine Learning上でのAnacondaライセンスについて
5.1.5 新しいカーネルとして追加
5.1.6 モデル開