入門

照理講，我們應該先了解『機器學習』(Machine Learning)概念，再談如何實作，但是，長篇大論恐怕讀者跑光光，所以，還是柿子挑軟的吃，從簡單的開始，先實作後讀理論，滿足一下自己的成就感。

依照上一篇末介紹的程序，先註冊一個 Azure ML Studio 帳號，之後，在瀏覽器中輸入 https://studio.azureml.net/ ，畫面依序如下：

上圖，紅色框框的部分就是主選單，功能如下：

1. Projects：建立專案，可以將其他的選單功能，組合在一起，例如資料集(Datasets)+實驗(Experiments)+網頁服務(Web Services)。
2. Experiments：這是 ML Studio 的核心，我們可以在這裡建立實驗，從匯入檔案、選擇演算法、訓練模型、模型評估，都在這裡完成。
3. Web Services：當實驗(Experiments)設計完成，並起執行無誤後，即可佈署模型，上線供使用者進行預測。
4. Notebooks：提供雲端編輯 Python 或 R 的程式碼，並支援測試、作筆記的功能，好像與其他選單沒有太大的關聯。
5. Datasets：包括內建的資料集(Datasets)，也可以上傳自己的資料集，作為實驗的資料來源。
6. Trained models：實驗訓練好的模型會自動儲存到這個選單內。
7. Settings：儲存自己工作空間(Workspace)的設定，例如 WORKSPACE ID、AUTHORIZATION TOKEN，作為 Web Services 的認證碼， 另外，我們也可以開放其他使用者存取我們的環境。

使用流程整理如下圖：

建立第一個實驗(Experiments)

了解了選單功能後，我們就可以建立第一個實驗了，依照官方文件指引，網址如下：
https://docs.microsoft.com/zh-tw/azure/machine-learning/studio/create-experiment

注意，操作時對照下表，就不會迷失在操作中，不知道每一步驟的用意，由於選單功能過多，初學者可直接輸入英文關鍵字搜尋較容易。

以下我們就這張圖的步驟，依序來操作。

圖片來源：Free Machine learning diagram

圖. 機器學習(Machine Learning)中各種演算法

執行

模型建置的過程請隨時記得要點選 『儲存』(Save) ，跳離時，ML Studio 不會提醒你尚未存檔，模型建置的過程也可以隨時按 『執行』(Run) ，觀看中間過程的結果。
模型建置完成後，如下圖，我們就可以執行所有的步驟，成功後，我們就可以觀看結果了，注意，幾乎每一步驟，我們都可以按滑鼠右鍵，選擇『Visualize』，觀看執行結果，這很方便讓我們確認資料的轉換，是否如我們所預期。

圖. 完成後的模型

圖. 觀看模型評估結果

下一篇，我們就來說明執行結果及模型評估，看看準確率如何。