変更要約: AI-900 第2章を AZ-900 基準まで深掘り（特徴量/ラベル/汎化/過学習、深層学習=多層NN、評価指標 精度/適合率/再現率/混同行列、ワークスペース、FAQ追加）
2.2Azure の機械学習サービスとワークフロー
機械学習の基本的なワークフロー（データ準備→学習→評価→デプロイ→予測）と、Azure Machine Learning のノーコード機能（自動機械学習・デザイナー）を理解します。
モデルは「作って終わり」ではなく、準備→学習→評価→デプロイ→予測という流れで育てます。Azure では Azure Machine Learning がこの一連を支援し、コードを書かなくても使える機能（Automated ML・Designer）から、Python での本格開発まで幅広く対応します。
2.2.1機械学習のワークフロー
- データ準備：データを集め、欠損や外れ値を整理し、必要ならラベルを付ける。訓練用と評価用に分割する。
- 学習（トレーニング）：訓練用データでモデルにパターンを学習させる。
- 評価：学習に使っていないデータで精度などを測り、良し悪しを判断する。
- デプロイ：モデルをサービス（エンドポイント）として公開する（リアルタイム/バッチ）。
- 予測（推論）：新しいデータに対して予測を返す。必要に応じ再学習する。
2.2.2Azure Machine Learning の機能
- 自動機械学習（Automated ML）：複数のアルゴリズムと前処理を自動で試し、最良のモデルを選ぶ（ノーコード〜ローコード）。
- デザイナー（Designer）：ドラッグ＆ドロップでパイプラインを組むノーコード機能。
- ノートブック / Python SDK：本格的なコードベースの開発。
- 計算リソース（compute）・データセット・登録モデル・エンドポイントを一元管理できる（ワークスペース）。
| 機能 | 特徴 | 向く利用者 |
|---|---|---|
| Automated ML | 最良モデルを自動選択 | ML初心者・素早い試行 |
| Designer | ドラッグ＆ドロップ（ノーコード） | 視覚的にパイプライン構築 |
| ノートブック/SDK | Pythonで自由に | データサイエンティスト |
2.2.3評価指標をもう少し詳しく
評価指標は課題の種類で変わります。分類では、全体の正答割合である 正解率（accuracy） が基本ですが、見逃しを避けたい場面（病気の検出など）では 再現率（recall）（本当に陽性のうち拾えた割合）、誤検知を避けたい場面では 適合率（precision）（陽性と判定したうち本当に陽性だった割合）を重視します。これらは 混同行列（confusion matrix） から計算でき、正解率だけでは見えない弱点を補います。回帰では予測値と実測値の誤差の大きさを測り、平均絶対誤差（MAE）や二乗平均平方根誤差（RMSE）を使います。いずれも必ず学習に使っていないデータで測るのが鉄則です。
評価指標は課題で変わる：分類は正解率（accuracy）・適合率/再現率など、回帰は誤差の大きさ（平均絶対誤差 MAE・二乗平均平方根誤差 RMSE など）。良し悪しは必ず学習に使っていないデータで測ります（過学習＝訓練データだけに過剰適合、を見抜くため）。
Q. Azure ML の「ワークスペース」とは？ 計算リソース（compute）、データセット、登録済みモデル、エンドポイントなどを一元管理する入れ物です。実験や成果物がここに集約されるため、チームでの再現・共有がしやすくなります。Q. リアルタイムとバッチのデプロイの違いは？ リアルタイムは1件ずつ即座に予測を返す用途（例：オンライン判定）、バッチは大量データをまとめて処理する用途（例：夜間の一括スコアリング）です。
シナリオ：離反予測を素早く試す。 データサイエンティストがいないチームが、まず Automated ML に顧客データを入れて最良の分類モデルを自動探索→Designerで前処理を可視化して調整→良ければエンドポイントにデプロイして既存システムから呼び出し。評価は学習に使っていないデータで実施。
混同に注意：
①Automated ML（最良モデルを自動選択）とDesigner（ノーコードでパイプライン構築）——目的が別。
②評価は学習に使っていないデータで（同じデータで測ると過大評価＝過学習を見逃す）。
③「マネージド」でも学習データの質・偏りは利用者の責任（前章の責任あるAI）。
Automated ML＝最良モデルを自動選択、Designer＝ドラッグ＆ドロップのノーコード、評価は学習に使っていないデータ、分類=正解率/回帰=誤差、という対応が頻出です。
2.2.4この節のまとめ
- ワークフロー：準備（分割）→学習→評価→デプロイ→予測
- Azure ML：Automated ML（自動選択）／Designer（ノーコード）／ノートブック・SDK
- 評価は学習に使っていないデータで。指標は分類=正解率・回帰=誤差
進捗の記録にはログインが必要です。
理解度チェック
（軽い確認用）Q1. 複数のアルゴリズムを自動的に試して最良のモデルを見つける Azure Machine Learning の機能はどれですか？
Q2. コードを書かずドラッグ＆ドロップで機械学習パイプラインを構築できる機能はどれですか？
Q3. モデルの良し悪しを正しく判断するために、評価に使うべきデータはどれですか？
Q4. 分類モデルの評価指標として一般的なものはどれですか？
Q5. 学習済みモデルを呼び出して予測を返せるように公開する手順はどれですか？