はじめに

Azure AI Engineer Associate(AI-102)取得に向けた勉強でまとめた内容を本記事では投稿しています。
試験範囲の内容を私が勉強していく中で、
・忘れてしまっていた内容
・他の知識と絡めて理解した方が良い内容
・Microsoft Learnの読解に苦戦した内容
などをできるだけ分かりやすく簡潔にまとめることを意識しています。
Azureの勉強を一から始め、AI-102取得を目指している方の参考になれば幸いです。
※本記事の内容が必ず試験に出るわけではないこと、ご注意ください
※勉強しながら投稿しているため、追加で学んだことがあれば随時投稿内容を更新します。

試験対策のまとめ

Custom Visionポータルを使用した画像分類モデルの構築

Custom Visionリソースの作成

Custom Visionサービスを使用するために下記リソースを作成
- Custom Vision Trainingリソース
- Custom Vision Predictionリソース

新しいプロジェクトを作成

プロジェクトの名前と説明を入力
Custom Vision Trainingリソースを選択
分類の種類を下記から選択
- マルチラベル：画像に任意の数のタグを付ける
- マルチクラス：画像は1つのカテゴリに分類される

下記の中から使用するドメインを選択

ドメイン	最適化	使用例
Generic	様々な画像分類タスク	・他のドメインのいずれも適切でない場合・どのドメインを選択すればよいか不確かな場合
Food	料理の写真	個々のフルーツや野菜の写真の分類
Landmarks	自然物や人工物のランドマーク	ランドマークが写真にはっきりと写っている場合
Retail	ショッピングカタログ/Webサイトで見られる画像	ドレス、ズボン、シャツの高い精度の分類
Compact domains	モデルデバイスでのリアルタイムの分類の制約	ローカルでの実行の場合 ※エクスポートが可能

プロジェクトの作成を選択

トレーニング画像の選択

初期トレーニングセットでタグごとに少なくとも30の画像の使用を推奨
モデルを効果的にトレーニングするためには、視覚的に多様性のある画像の使用を推奨

分類子のトレーニング

現在の画像をすべて使用し、各タグの視覚的特性を識別するモデルを作成

分類子の評価

トレーニング完了後、モデルのパフォーマンスが推定される
分類子の有効性を表す2つの測定値が表示
- 精度：正しかったと識別された分類の割合
  - 100個の画像が犬と識別され、そのうち99個が実際に犬だった場合⇒精度=99%
- 再現率：正しく識別された実際の分類の割合
  - 犬の画像が100個あり、そのモデルで80個が犬と識別された場合⇒再現率=80%

参考
- https://learn.microsoft.com/ja-jp/azure/ai-services/custom-vision-service/getting-started-build-a-classifier

次の試験対策のまとめ

AI-102試験対策のまとめ「Face APIにおけるFind Similar APIの呼び出し」

学習内容をまとめたページの一覧