変更要約: DP-100 第1章を深掘り（図ja化・比較表/シナリオ/FAQ/ひっかけ/深掘り段落を全節に追加）
1.1Azure Machine Learning ワークスペースとリソース
機械学習の中核基盤 Azure Machine Learning（Azure ML） のワークスペース、コンピューティング（インスタンス/クラスター）、データストア/データアセット、開発環境（Studio・SDK・CLI）を理解します。DP-100 の出発点です。
Azure で機械学習を行う中心が Azure Machine Learning です。ワークスペースを起点に、コンピューティング・データ・モデル・実験を一元管理します。
1.1.1Azure ML の構成要素
- ワークスペース：ML の成果物（データ・モデル・実験・エンドポイント）を一元管理する中心。
- コンピューティング：コンピューティングインスタンス（開発用）とコンピューティングクラスター（学習をスケール）。
- データストア/データアセット：Blob/ADLS への接続情報と、再利用可能なデータの参照。
- 開発手段：Studio（GUI）・Python SDK・CLI(v2) で実験やパイプラインを構築する。
「ML の中心＝Azure ML ワークスペース」「開発用＝コンピューティングインスタンス、学習スケール＝コンピューティングクラスター」「データへの接続＝データストア、再利用参照＝データアセット」「操作＝Studio/SDK/CLI v2」 は DP-100 で頻出です。学習負荷が変動するならクラスターをオートスケールします。
コンピューティングクラスターは使わないときにノード数を 0 に縮小でき、学習ジョブのコストを抑えられます。
ワークスペース作成時には、関連リソースとして ストレージアカウント（既定のデータストア）・Key Vault（シークレット）・Application Insights（監視）・Container Registry（環境イメージ）が紐づきます。コンピューティング は用途別に、開発/ノートブック用の コンピューティングインスタンス（個人専用・停止でコスト節約）、学習をスケールさせる コンピューティングクラスター（オートスケール・アイドル時 0 ノード・低優先度 VM 可）、リアルタイム推論用の マネージドオンラインエンドポイント／バッチ用の バッチエンドポイント、外部の アタッチ済みコンピューティング（既存 AKS 等）があります。データは データストア（Blob/ADLS Gen2 への接続・認証情報を Key Vault 管理）と データアセット（uri_file/uri_folder/mltable の 3 タイプ・バージョン管理）で扱い、再利用と再現性を確保。環境（Environment） は依存関係（conda/Docker）を定義し、ジョブの再現性を担保します。操作は Studio（GUI）・Python SDK v2・CLI v2（YAML でジョブ定義）から行い、CLI/SDK v2 が現行の標準です。学習負荷が変動するならクラスターをオートスケール、常用の開発はインスタンスを停止運用するのがコストの勘所です。
| コンピューティング | 用途 | 特徴 |
|---|---|---|
| コンピューティングインスタンス | 開発/ノートブック | 個人専用・停止でコスト節約 |
| コンピューティングクラスター | 学習のスケール | オートスケール・0 ノード・低優先度VM |
| オンラインエンドポイント | リアルタイム推論 | 常時稼働・低遅延 |
| バッチエンドポイント | 大量データの一括推論 | クラスター上で非同期実行 |
シナリオ： データサイエンティストがノートブックで開発し、重い学習はスケールさせ、コストも抑えたい。→ 開発はコンピューティングインスタンス（使わない時は停止）、学習はコンピューティングクラスター（オートスケール・アイドル時 0 ノード・必要なら低優先度 VM）。データはデータアセットでバージョン管理し、環境で依存を固定して再現性を確保します。
FAQ： Q. コンピューティングインスタンスとクラスターの違いは？ → A. インスタンスは個人の開発用（単一・常時起動だと課金）、クラスターは学習をスケールさせる（オートスケール・アイドル時 0 ノード）。Q. データストアとデータアセットの違いは？ → A. データストアは接続情報、データアセットは特定データへの再利用可能・バージョン管理された参照です。
ひっかけ： 「大規模な並列学習にはコンピューティングインスタンスを使う」は誤りです。スケールする学習はコンピューティングクラスター（インスタンスは個人の開発用）。また「コスト削減のためクラスターを常時最大ノードで固定」も誤り（アイドル時 0 ノードへオートスケールするのが節約の基本）。
1.1.2この節のまとめ
- Azure ML＝ワークスペース中心（コンピューティング/データ/モデル/実験）
- コンピューティング＝インスタンス（開発）／クラスター（学習）
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. Azure で機械学習の成果物（データ・モデル・実験）を一元管理する中心的なサービスはどれですか？
Q2. 学習ジョブを並列・大規模に実行するために、必要時のみスケールするコンピューティングはどれですか？
Q3. Blob/ADLS への接続情報を保持し、データへ安全にアクセスするための Azure ML の要素はどれですか？