Finish DAY 3 contents.

k14i-Azure · Mar 15, 2023 · 37f4e66 · 37f4e66
1 parent 684aab4
commit 37f4e66
Show file tree

Hide file tree

Showing 2 changed files with 4 additions and 4 deletions.
diff --git a/doc/modules/14_AzureMachineLearning概要/README.md b/doc/modules/14_AzureMachineLearning概要/README.md
@@ -92,7 +92,7 @@
 <i>
 次に機械学習のプロセスについて見ていきます。モデルの運用管理まで考えると大きく3つのプロセスに分かれると考えています。実験、モデル開発、運用管理です。
 
-実験においては試行錯誤するモデル開発を指しています。様々な特徴エンジニアリング、機械学習アルゴリズム、パラメータ、精度が高いモデルを探し出すプロセスになります。
+実験においては試行錯誤するモデル開発を指しています。様々な特徴量エンジニアリング、機械学習アルゴリズム、パラメータ、精度が高いモデルを探し出すプロセスになります。
 
 最近ですと実験の次のプロセスのモデル検証・運用管理のフェーズに行っているお客様も非常に増えています。当然実験のプロセスの一定精度が高いモデルつまり業務に適応できるモデルといったものが作成できるのであればモデルの検証運用管理といったフェーズに入ってきます。
 

diff --git a/doc/modules/15_AzureMachineLearning入門(L100)/8_自動ML(AutoML)/README.md b/doc/modules/15_AzureMachineLearning入門(L100)/8_自動ML(AutoML)/README.md
@@ -8,7 +8,7 @@
     - [1.2. しくみ](#12-しくみ)
     - [1.3. AutoML を使用する場合](#13-automl-を使用する場合)
     - [1.4. トレーニング、検証、テストのデータ](#14-トレーニング検証テストのデータ)
-    - [1.5. 特徴エンジニアリング](#15-特徴エンジニアリング)
+    - [1.5. 特徴量エンジニアリング](#15-特徴量エンジニアリング)
     - [1.6. アンサンブル モデル](#16-アンサンブル-モデル)
     - [1.7. AutoML と ONNX](#17-automl-と-onnx)
     - [1.8. ハンズオン](#18-ハンズオン)
@@ -91,9 +91,9 @@
 > 
 > このような偏りが最終的な推奨モデルに適用されないように、自動 ML では **テスト データ** を利用し、自動 ML から実験の最後に推奨される最終モデルが評価されます。 自動 ML 実験の構成でテスト データを与えるとき、実験の最後に既定でこの推奨モデルがテストされます (プレビュー)。
 
-### 1.5. [特徴エンジニアリング](https://learn.microsoft.com/ja-jp/azure/machine-learning/concept-automated-ml#feature-engineering)
+### 1.5. [特徴量エンジニアリング](https://learn.microsoft.com/ja-jp/azure/machine-learning/concept-automated-ml#feature-engineering)
 
-> 特徴エンジニアリングは、データに関するドメインの知識を活用して、ML アルゴリズムの学習を支援する機能を作成するプロセスです。 Azure Machine Learning では、特徴エンジニアリングを容易にするために、**スケーリング** と **正規化** の手法が適用されます。 これらの手法と特徴エンジニアリングは、まとめて **特徴量化** と呼ばれています。
+> 特徴量エンジニアリングは、データに関するドメインの知識を活用して、ML アルゴリズムの学習を支援する機能を作成するプロセスです。 Azure Machine Learning では、特徴量エンジニアリングを容易にするために、**スケーリング** と **正規化** の手法が適用されます。 これらの手法と特徴量エンジニアリングは、まとめて **特徴量化** と呼ばれています。
 > 
 > 自動機械学習の実験において、特徴量化は自動的に適用されますが、データに基づいてカスタマイズすることもできます。 [特徴量化の内容](https://learn.microsoft.com/ja-jp/azure/machine-learning/how-to-configure-auto-features#featurization)と、[AutoML がいかにしてモデルのオーバーフィットと不均衡データを回避するか](https://learn.microsoft.com/ja-jp/azure/machine-learning/concept-manage-ml-pitfalls)について学習してください。