Molte volte vengono considerati solo l'algoritmo per creare il modello, ma come funziona la sicurezza del Machine Learning Studio e come possiamo rendere il nostro progetto più compliant con le necessità di privacy? Come funziona il sistema di Encripting e come utilizzare il Key Vault?

Quali metodologie si possono utilizzare per sviluppare il nostro modello, partendo dall'AutoML fino ad arrivare ai Notebook, senza per questo dimenticarci del Designer? Una panoramica sui sistemi di implementazione dei modelli messi a disposizione da Azure Machine Learning.

Gli algoritmi per creare un modello sono molti, ma quali sono le metriche e che importanza hanno nel nostro processo decisionale al fine di valutare quale sia l'approccio migliore? Vediamo insieme qualche esempio per fare una knowledge base sugli strumenti che abbiamo a disposizione.

Gli explainer ci permettono di valutare il modello a posteriori tentando di capire come funzionino i nostri algoritmi. Vediamo che sono sono e come vanno implementati. [Come prerequisito occorre aver partecipato al webinar precedente: "L'importanza delle metriche nel processo di valutazione di un modello: quali sono e come vanno interpretate"]

Come gli Hyperparameters ci aiutano a configurare correttamente il modello e a valutarne la il comportamento. Come possiamo utilizzarli per arrivare ad una configurazione ottimale del modello. [Come prerequisito occorre aver partecipato al precedente webinar 3: "L'importanza delle metriche nel processo di valutazione di un modello: quali sono e come vanno interpretate"]