Copy Files From Source Repo (2023-11-24 17:32)

Instructions/02-Explore-Azure-Machine-Learning.md

@@ -41,26 +41,26 @@ Azure Machine Learning ''ワークスペース'' では、モデルのトレー
 1. **[概要]** ページから **[スタジオの起動]** を選択します。 ブラウザーで別のタブが開き、Azure Machine Learning スタジオが開きます。
 1. スタジオに表示されるすべてのポップアップを閉じます。
 1. スタジオの左側に表示されているさまざまなページに注目してください。 メニューにシンボルのみが表示されている場合は、☰ アイコンを選択してメニューを展開し、ページの名前を調べることができます。
-1. **[作成]** セクションに注目します。ここには、 **[Notebooks]** 、 **[自動 ML]** 、 **[デザイナー]** が含まれます。 これらは Azure Machine Learning スタジオ内で独自の機械学習モデルを作成する 3 つの方法です。
+1. **[作成]** セクションに注目します。ここには、**[Notebooks]**、**[自動 ML]**、**[デザイナー]** が含まれます。 これらは Azure Machine Learning スタジオ内で独自の機械学習モデルを作成する 3 つの方法です。
 1. **[アセット]** セクションに注目します。ここには、 **[データ]** 、 **[ジョブ]** 、 **[モデル]** などが含まれます。 資産は、モデルをトレーニングまたはスコア付けするときに使用または作成するものです。 資産は、モデルのトレーニング、デプロイ、管理に使用し、履歴を追跡するためにバージョン管理できます。
-1. **[管理]** セクションに注目します。ここには、 **[コンピューティング]** などが含まれます。 これらは、機械学習モデルをトレーニングまたはデプロイするために必要なインフラストラクチャ リソースです。
+1. **[管理]** セクションに注目します。ここには、**[コンピューティング]** などが含まれます。 これらは、機械学習モデルをトレーニングまたはデプロイするために必要なインフラストラクチャ リソースです。
 
 ## トレーニング パイプラインを作成する
 
 Azure Machine Learning ワークスペースの資産とリソースの使用について調べるために、モデルを試し、トレーニングしてみましょう。
 
 モデル トレーニング パイプラインを簡単に作成するには、 **[デザイナー]** を使用します。
 
-> **注**: 全体を通して、スタジオの機能を紹介するポップアップが表示されることがあります。 すべてのポップアップを閉じて無視し、このラボの手順に集中できます。
+> **注**:全体を通して、スタジオを案内するポップアップが表示されることがあります。 すべてのポップアップを閉じて無視し、このラボの手順に集中できます。
 
 1. スタジオの左側にあるメニューから **[デザイナー]** ページを選択します。
 1. **[Regression - Automobile Price Prediction (Basic)]** サンプルを選択します。
 
     新しいパイプラインが表示されます。 パイプラインの上部に、**Automobile price data (raw)** を読み込むコンポーネントが表示されます。 このパイプラインでデータを処理し、各自動車の価格を予測する線形回帰モデルをトレーニングします。
-1. ページの上部にある **[構成と送信]** を選択して、 **[パイプライン ジョブのセットアップ]** ダイアログを開きます。
-1. **[基本]** ページで **[新規作成]** を選択し、実験の名前を `train-regression-designer` に設定し、 **[次へ]** を選択します。
+1. ページの上部にある **[構成と送信]** を選択して、**[パイプライン ジョブのセットアップ]** ダイアログを開きます。
+1. **[基本]** ページで **[新規作成]** を選び、実験の名前を `train-regression-designer` に設定し、**[次へ]** を選びます。
 1. **[入力と出力]** ページで、変更を加えずに **[次へ]** を選択します。
-1. パイプラインを実行する既定のコンピューティングがないため、 **[ランタイム設定]** ページにエラーが表示されます。
+1. パイプラインを実行する既定のコンピューティングがないため、**[ランタイム設定]** ページにエラーが表示されます。
 
 コンピューティング先を作成しましょう。
 
@@ -71,13 +71,13 @@ Azure Machine Learning ワークスペース内でワークロードを実行す
 1. Azure Machine Learning スタジオで、左側のメニューから **[コンピューティング]** ページを選択します。 使用できるコンピューティング リソースは 4 種類あります。
     - **コンピューティング インスタンス**: Azure Machine Learning によって管理される仮想マシン。 データを探索し、機械学習モデルを反復的に実験する場合の開発に最適です。
     - **コンピューティング クラスター**:実験コードをオンデマンドで処理するための、仮想マシンのスケーラブルなクラスター。 運用コードまたは自動ジョブの実行に最適です。
-    - **Kubernetes クラスター**: トレーニングとスコアリングに使用される Kubernetes クラスター。 大規模なリアルタイムのモデル デプロイに最適です。
+    - **Kubernetes クラスター**:トレーニングとスコアリングに使われる Kubernetes クラスター。 大規模なリアルタイムのモデル デプロイに最適です。
     - **アタッチされたコンピューティング**: Virtual Machines や Azure Databricks クラスターなどの既存の Azure コンピューティング リソースをワークスペースにアタッチします。
 
     デザイナーで作成した機械学習モデルをトレーニングするには、コンピューティング インスタンスまたはコンピューティング クラスターを使用できます。
 
 2. **コンピューティング インスタンス** タブで、次の設定を使用して新しいコンピューティング インスタンスを追加します。 
-    - **コンピューティング名**: "一意の名前を入力します"**
+    - **コンピューティング名**:*一意の名前を入力*
     - **場所**: "自動的にワークスペースと同じ場所になります"**
     - **仮想マシンの種類**: `CPU`
     - **仮想マシンのサイズ**: `Standard_DS11_v2`
@@ -99,10 +99,10 @@ Azure Machine Learning ワークスペース内でワークロードを実行す
 
 1. **[デザイナー]** ページに移動します。
 1. **[Regression - Automobile Price Prediction (Basic)]** パイプライン ドラフトを選択します。
-1. ページの上部にある **[構成と送信]** を選択して、 **[パイプライン ジョブのセットアップ]** ダイアログを開きます。
-1. **[基本]** ページで **[新規作成]** を選択し、実験の名前を `train-regression-designer` に設定し、 **[次へ]** を選択します。
+1. ページの上部にある **[構成と送信]** を選択して、**[パイプライン ジョブのセットアップ]** ダイアログを開きます。
+1. **[基本]** ページで **[新規作成]** を選び、実験の名前を `train-regression-designer` に設定し、**[次へ]** を選びます。
 1. **[入力と出力]** ページで、変更を加えずに **[次へ]** を選択します。
-1. **[ランタイムの設定]** の **[コンピューティングの種類の選択]** ドロップダウンで *[コンピューティング インスタンス]* を選び、 **[Azure ML コンピューティング インスタンスの選択]** ドロップダウンで新たに作成したコンピューティング インスタンスを選択します。
+1. **[ランタイムの設定]** の **[コンピューティングの種類の選択]** ドロップダウンで *[コンピューティング インスタンス]* を選び、**[Azure ML コンピューティング インスタンスの選択]** ドロップダウンで新たに作成したコンピューティング インスタンスを選択します。
 1. **[確認および送信]** を選択してパイプライン ジョブを確認し、 **[送信]** を選択してトレーニング パイプラインを実行します。
 
 これで、トレーニング パイプラインがコンピューティング インスタンスに送信されます。 パイプラインが完了するまで 10 分程度かかります。 その間に他のページを調べてみましょう。

Instructions/06-AutoML-classification-model.md

@@ -51,7 +51,7 @@ Azure Machine Learning ワークスペース、コンピューティング イ
 
 ワークスペースと必要なコンピューティング リソースを作成したら、Azure Machine Learning スタジオを開き、ラボの資料をワークスペースに複製できます。
 
-1. Azure portal で **mlw-dp100-...** という名前の Azure Machine Learning ワークスペースに移動します。
+1. Azure portal で、**mlw-dp100-...** という名前の Azure Machine Learning ワークスペースに移動します。
 1. Azure Machine Learning ワークスペースを選択し、その **[概要]** ページで **[スタジオの起動]** を選択します。 ブラウザーで別のタブが開き、Azure Machine Learning スタジオが開きます。
 1. スタジオに表示されるすべてのポップアップを閉じます。
 1. Azure Machine Learning スタジオ内で、 **[コンピューティング]** ページに移動し、前のセクションで作成したコンピューティング インスタンスとクラスターが存在することを確認します。 コンピューティング インスタンスが実行中である必要があります。クラスターはアイドル状態で、0 個のノードが実行中であるはずです。
@@ -87,7 +87,7 @@ Azure Machine Learning ワークスペース、コンピューティング イ
     Azure Machine Learning ワークスペースに新しいジョブが作成されます。 このジョブは、ジョブ構成で定義されている入力、使用されたデータ資産、モデルを評価するためのメトリックなどの出力を追跡します。
 
     自動機械学習ジョブに子ジョブが含まれていることに注目してください。子ジョブは、トレーニングされた個々のモデルと、実行に必要なその他のタスクを表しています。
-1. **[ジョブ]** に移動し、 **[auto-ml-class-dev]** 実験を選択します。
+1. **[ジョブ]** に移動し、**[auto-ml-class-dev]** 実験を選択します。
 1. **[表示名]** 列でジョブを選択します。
 1. 状態が **[完了]** に変わるのを待ちます。
 1. 自動機械学習ジョブの状態が **[完了]** に変わったら、スタジオでジョブの詳細を確認します。

Instructions/07-Notebooks-mlflow-tracking.md

@@ -50,7 +50,7 @@ Azure Machine Learning ワークスペースとコンピューティング イ
 
 ワークスペースと必要なコンピューティング リソースを作成したら、Azure Machine Learning スタジオを開き、ラボの資料をワークスペースに複製できます。
 
-1. Azure portal で **mlw-dp100-...** という名前の Azure Machine Learning ワークスペースに移動します。
+1. Azure portal で、**mlw-dp100-...** という名前の Azure Machine Learning ワークスペースに移動します。
 1. Azure Machine Learning ワークスペースを選択し、その **[概要]** ページで **[スタジオの起動]** を選択します。 ブラウザーで別のタブが開き、Azure Machine Learning スタジオが開きます。
 1. スタジオに表示されるすべてのポップアップを閉じます。
 1. Azure Machine Learning スタジオ内で、 **[コンピューティング]** ページに移動し、前のセクションで作成したコンピューティング インスタンスが存在することを確認します。 コンピューティング インスタンスが稼働している必要があります。