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）
1.2機械学習プロセスと責任ある AI
機械学習の一連の流れ（データ準備→学習→評価→デプロイ→監視）と、自動機械学習（AutoML）・デザイナー・コード（SDK/CLI） の選択、責任ある AI（公平性・説明可能性）を理解します。
機械学習は反復的なプロセスです。Azure ML は、コードを書かない方法から完全なコードまで、複数のアプローチを提供します。
1.2.1ML プロセスとアプローチ
- プロセス：データ準備→学習→評価→デプロイ→監視を反復し、必要に応じ再学習する。
- AutoML：最適なアルゴリズムと前処理を自動探索する（コードを書かずに高品質モデル）。
- デザイナー：ドラッグ&ドロップでパイプラインを組む（ローコード）。
- コード（SDK/CLI v2）：最大の柔軟性。スクリプトでジョブやパイプラインを定義する。
「最適なモデル/前処理を自動探索＝AutoML」「ドラッグ&ドロップ＝デザイナー」「最大の柔軟性＝コード（SDK/CLI v2）」「公平性/説明可能性＝責任ある AI ダッシュボード」 は DP-100 で頻出です。コーディング不要で素早く試すなら AutoML、細かい制御ならコードを選びます。
責任ある AI ダッシュボードでは、説明可能性（特徴量の重要度）・誤差分析・公平性評価をまとめて確認できます。
機械学習は CRISP-DM 的に反復します：問題定義→データ準備（クレンジング・特徴量エンジニアリング・分割）→学習→評価（指標は分類＝適合率/再現率/F1/AUC、回帰＝RMSE/MAE/R²）→デプロイ→監視→再学習。アプローチは要件で選びます：素早く高品質モデルが欲しいなら AutoML（前処理・アルゴリズム・ハイパーパラメーターを自動探索し、リーダーボードで比較）、ローコードで可視的に組むなら デザイナー、最大の制御と再現性なら コード（SDK/CLI v2）。責任ある AI は RAI ダッシュボード に集約され、解釈可能性（SHAP 等の特徴量重要度）・誤差分析（部分集団ごとの失敗）・公平性（Fairlearn）・反事実/因果 を確認できます。過学習を避けるため 学習/検証/テスト分割・交差検証 を行い、データ漏洩（リーケージ）に注意。AutoML でも、規制・説明責任の要件があれば RAI ダッシュボードでの説明や公平性評価が重要です。「ノーコードで速く＝AutoML、可視的＝デザイナー、細かい制御＝コード」「公平性/説明＝RAI ダッシュボード」と整理します。
| アプローチ | コード量 | 向く場面 |
|---|---|---|
| AutoML | ノーコード | 素早く高品質モデルを探索 |
| デザイナー | ローコード | 可視的にパイプラインを構築 |
| コード（SDK/CLI v2） | フルコード | 最大の制御・再現性・CI/CD |
シナリオ： 表形式データで分類モデルを素早く作り、説明責任のため特徴量の重要度と公平性も確認したい。→ AutoML で複数アルゴリズムを自動探索しリーダーボードで最良を選択、責任ある AI ダッシュボードで説明可能性（特徴量重要度）・誤差分析・公平性を確認します。細かい制御や CI/CD が必要になればコード（SDK/CLI v2）へ移行します。
FAQ： Q. AutoML を使えば責任ある AI は不要？ → A. いいえ。AutoML でも公平性や説明可能性の確認は重要で、RAI ダッシュボードで評価します。Q. 過学習を防ぐには？ → A. 学習/検証/テスト分割や交差検証で汎化性能を確認し、データ漏洩（リーケージ）を避けます。
ひっかけ： 「最大の柔軟性・再現性が要るのに AutoML を選ぶ」は誤りです。細かい制御・CI/CD はコード（SDK/CLI v2）、AutoML は素早い自動探索向け。また「AutoML を使えば公平性評価は不要」も誤り（説明責任には RAI ダッシュボードでの評価が必要）。
1.2.2この節のまとめ
- プロセス＝準備→学習→評価→デプロイ→監視（反復）
- アプローチ＝AutoML（自動）／デザイナー（ローコード）／コード（柔軟）
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. コードを書かずに、最適なアルゴリズムと前処理を自動的に探索して高品質なモデルを得たい。何を使いますか？
Q2. ドラッグ&ドロップでローコードに機械学習パイプラインを組みたい。何を使いますか？
Q3. モデルの公平性・説明可能性・誤差分析をまとめて確認したい。Azure ML の何を使いますか？