第1部　Azure Machine Learningの基本

第1章　機械学習をビジネスに活かすには

• 1.1　機械学習に関わる用語の整理
• 1.2　機械学習が解決できる課題
• 1.3　生成AI時代における機械学習の意義
• 1.4　機械学習が取り組むべき課題
  • 1.4.1　需要予測
  • 1.4.2　画像分類による品質検査
  • 1.4.3　自然言語処理による文書分類
• 1.5　機械学習の全体的なプロセスと課題
  • 1.5.1　課題設定：解決すべき課題の明確化とプロジェクトの基盤構築
  • 1.5.2　データ収集・探索：必要なデータの収集と分析
  • 1.5.3　データ前処理：モデルが学習可能なデータセットの整備
  • 1.5.4　アルゴリズム選定：タスクに最適なモデルの選択
  • 1.5.5　パラメーター探索：モデル性能を左右するパラメーターの最適化
  • 1.5.6　モデル学習：データからパターンを学ぶプロセス
  • 1.5.7　モデル評価：モデルの性能確認と改善
  • 1.5.8　デプロイ：モデルの実稼働環境への導入
  • 1.5.9　モニタリング：デプロイ後のモデル性能監視とメンテナンス
• 1.6　ビジネスにおける機械学習
  • 1.6.2　トレーニングループ
  • 1.6.3　運用ループ
• 1.7　まとめ

第2章　Azure Machine Learningの概要

• 2.1　Azure Machine Learningとは
  • COLUMN　マネージド計算リソースとは
  • 2.1.1　使い慣れたツールとの統合
  • 2.1.2　MLflowへのネイティブ対応
  • 2.1.3　MLOpsのプラットフォーム
  • 2.1.4　責任あるAI利用のための機能
  • 2.1.5　エンタープライズ対応
  • 2.1.6　LLMを利用したアプリケーションの開発
• 2.2　Azure Machine Learning の主要な概念
  • 2.2.1　ワークスペース
  • COLUMN　Azure Machine Learningの価格
  • 2.2.2　クライアントツール
  • 2.2.3　開発用機能
  • 2.2.4　アセット
  • COLUMN　Azure Machine Learning推論HTTPサーバー
  • 2.2.5　管理
  • 2.2.6　レジストリ
  • COLUMN　Azure Machine Learning CLI/SDK v2
• 2.3　Azureサービスとの連携
  • 2.3.1　Azure Synapse Analytics/Azure Data Factory
  • 2.3.2　Microsoft Fabric
  • 2.3.3　Azure Kubernetes Services/Azure Arc
  • 2.3.4　GitHub/Azure DevOps
• 2.4　まとめ
  • COLUMN　Microsoftの責任あるAIへの取り組み

第3章　Azure Machine Learningのセットアップ

• 3.1　Azureリソースの階層構造
  • 3.1.1　管理グループ（Management groups）
  • 3.1.2　サブスクリプション（Subscriptions）
  • 3.1.3　リソースグループ（Resource groups）
  • 3.1.4　リソース（Resources）
• 3.2　Azureアカウント作成
• 3.3　Azure Machine Learningワークスペースの作成
• 3.4　クォータの引き上げ申請
  • COLUMN　プレビュー機能の有効化
• 3.5　まとめ

第4章　AutoMLの概要と実践

• 4.1　AutoML（自動機械学習）とは？
• 4.2　AutoMLでサポートされる機械学習のタスク
  • 4.2.1　分類
  • 4.2.2　回帰
  • 4.2.3　時系列予測
  • 4.2.4　画像（Computer Vision）
  • 4.2.5　自然言語処理（NLP）
• 4.3　ハンズオン
  • 4.3.1　データの登録
  • 4.3.2　学習ジョブの作成と実行
  • 4.3.3　結果の確認
  • 4.3.4　モデルのデプロイ
• 4.4　まとめ
  • COLUMN　データのラベリング

第2部　機械学習モデルの構築と活用

第5章　スクラッチでのモデル開発

• 5.1　ノートブック上でのモデル開発
  • 5.1.1　コンピューティングインスタンスの作成
  • 5.1.2　Web版のVS Codeを起動
  • 5.1.3　サンプルコードのダウンロード
  • 5.1.4　conda仮想環境作成
  • COLUMN　Azure Machine Learning上でのAnacondaライセンスについて
  • 5.1.5　新しいカーネルとして追加
  • 5.1.6　モデル開発
• 5.2　学習ジョブでのモデル開発
  • 5.2.1　Azure Machine Learningワークスペースに接続
  • COLUMN　DefaultAzureCredentialとは
  • 5.2.2　データアセットの作成
  • 5.2.3　カスタム環境の作成
  • 5.2.4　学習用スクリプト作成
  • COLUMN　IPythonマジック
  • 5.2.5　ジョブの構成
  • COLUMN　LightGBMとは
  • 5.2.6　ジョブの実行
• 5.3　モデルの評価
• 5.4　コンピューティングインスタンスの停止
• 5.5　まとめ

第6章　MLflowによる実験管理とモデル管理

• 6.1　MLflow概要
• 6.2　MLflowの構成と使い方
  • 6.2.1　MLflow Tracking
  • 6.2.2　MLflow Models
• 6.3　Azure Machine LearningとMLflowの関係
  • 6.3.1　MLflow Tracking Server-as-a-Service
  • 6.3.2　その他のクラウドサービスの対応状況
  • COLUMN　MLflowとAzure Machine LearningのアセットURI
• 6.4　実験管理とモデル管理の実例と解説
  • 6.4.1　autologを使用したノートブック上での実験管理
  • 6.4.2　ノートブック上でのカスタム実験管理
  • COLUMN　ジョブ中での実験管理
• 6.5　まとめ

第7章　機械学習パイプライン

• 7.1　機械学習パイプラインとは？
• 7.2　Azure Machine Learningパイプラインとコンポーネント
  • 7.2.1　Azure Machine Learning パイプラインの概要
  • 7.2.2　パイプラインの仕組み
  • 7.2.3　パイプラインの実行方法
  • 7.2.4　Azure Machine Learningコンポーネント
• 7.3　コンポーネントを用いたパイプラインの設計
  • 7.3.1　パイプライン全体の処理内容の定義
  • 7.3.2　コンポーネントの処理内容の定義
  • 7.3.3　コンポーネントの依存関係
  • 7.3.4　コンポーネントの設定
• 7.4　Azure Machine Learningパイプラインの構築ハンズオン
  • 7.4.1　事前準備
  • 7.4.2　コンポーネントの作成
  • 7.4.3　パイプラインの作成
  • 7.4.4　パイプラインの実行
• 7.5　まとめ

第8章　モデルのデプロイ

• 8.1　機械学習モデルの推論
• 8.2　オンラインエンドポイント
  • 8.2.1　オンラインエンドポイント概要
  • 8.2.2　エンドポイントとデプロイ
  • 8.2.3　デプロイに必要なアセット
  • 8.2.4　ユーザーへの影響を最小限に抑えた推論環境の移行
  • 8.2.5　マネージドオンラインエンドポイントの認証
• 8.3　マネージドオンラインエンドポイントの構築ハンズオン
  • 8.3.1　アセットの準備
  • 8.3.2　エンドポイントの作成
  • 8.3.3　デプロイの作成
  • 8.3.4　推論の実行
• 8.4　バッチエンドポイント
  • 8.4.1　バッチエンドポイントの概要
  • 8.4.2　バッチエンドポイントの認証
• 8.5　モデルデプロイの構築ハンズオン
  • 8.5.1　アセットの準備
  • 8.5.2　エンドポイントの作成
  • 8.5.3　デプロイの作成
  • 8.5.4　推論の実行
• 8.6　パイプラインコンポーネントデプロイの構築ハンズオン
  • 8.6.1　エンドポイントの作成
  • 8.6.2　パイプラインジョブのデプロイ
  • 8.6.3　パイプラインの実行
• 8.7　まとめ

第9章　MLOpsの概要と実践

• 9.1　MLOpsとは
• 9.2　MLOps実現に向けたMicrosoftの取り組み
• 9.3　Azure Machine LearningのMLOps機能
  • 9.3.1　レジストリとは
  • 9.3.2　レジストリの構築ハンズオン
  • 9.3.3　モデル監視
  • 9.3.4　モデル監視ジョブの構築ハンズオン
  • COLUMN　ドリフトメトリクスの詳細
  • 9.3.5　機械学習における継続的インテグレーション／デリバリー
  • 9.3.6　継続的インテグレーション／デリバリーの構築ハンズオン
• 9.4　まとめ

第3部　大規模言語モデルの活用

第10章　大規模言語モデルの概要

• 10.1　大規模言語モデルとは
  • 10.1.1　LLMのテキスト生成の仕組み
  • 10.1.2　LLMの「文脈理解」能力
  • 10.1.3　LLMの特徴
  • 10.1.4　LLMの構築プロセス
  • COLUMN　ユーザー独自のデータセットを使ったファインチューニング
• 10.2　これまでの機械学習との違い
  • 10.2.1　タスクごとのモデル設計 vs. 汎用的なモデルの利用
  • 10.2.2　基盤モデル
  • 10.2.3　推論フェーズの重要性
  • 10.2.4　プロンプトによるタスク指示
• 10.3　RAGワークフローの概要
  • COLUMN　RAGとファインチューニングの使い分け
• 10.4　LLMを活用したアプリケーション開発のライフサイクル
  • 10.4.1　初期化
  • 10.4.2　実験
  • 10.4.3　評価と改善
  • 10.4.4　本番
• 10.5　まとめ

第11章　基盤モデルとモデルカタログ

• 11.1　基盤モデルの概要
  • 11.1.1　自己教師あり学習と基盤モデル
  • COLUMN　ライセンスと機械学習モデル
  • 11.1.2　ファインチューニングとは
• 11.2　モデルカタログの概要
  • 11.2.2　Azure OpenAIのモデル
  • 11.2.3　Hugging Face Hub のモデル
• 11.3　基盤モデルのデプロイ
  • 11.3.1　サーバーレスAPI
  • COLUMN　Azure AI Content Safety
  • COLUMN　Azure AI Inference SDK
  • 11.3.2　マネージドオンラインエンドポイントへのノーコードデプロイ
• 11.4　ファインチューニング
  • 11.4.1　SaaS 的ファインチューニング
  • 11.4.2　PaaS的ファインチューニング
  • COLUMN　深層学習モデルの軽量化手法
• 11.5　まとめ

第12章 プロンプトフローの活用

• 12.1　RAGとは
  • 12.1.1　検索システム
  • COLUMN　ベクトル検索について
  • 12.1.2　オーケストレーター
• 12.2　プロンプトフローとは
• 12.3　ハンズオンの設定
  • 12.3.1　Azure OpenAIのデプロイ
  • 12.3.2　Azure AI Searchのデプロイ
  • 12.3.3　各サービスへの接続設定
  • 12.3.4　インデックスの作成
• 12.4　問い合わせチャットボットの開発
  • 12.4.1　フローの作成
  • 12.4.2　フローの評価
  • 12.4.3　フローの実行
  • 12.4.4　フローのデプロイ
• 12.5　まとめ

第13章　LLMOpsへの招待

• 13.1　LLMOpsとは
  • 13.1.1　MLOpsとLLMOpsの違い
  • 13.1.2　MicrosoftのLLMOps実現に向けた取り組み
• 13.2　Azure Machine LearningのLLMOps機能
  • 13.2.1　LLMワークフローの監視
  • 13.2.2　LLMワークフローの監視ジョブ構築ハンズオン
  • COLUMN　LLMワークフローのコード管理とCI/CD環境整備
• 13.3　まとめ
  • COLUMN　Azure AI Foundry

付録

付録A　クライアント環境のセットアップ

• A.1　Azure CLIのインストール
  • A.1.1　インストール手順（Windows）
  • A.1.2　インストール手順（macOS）
  • A.1.3　インストール手順（Linux；Ubuntu、Debian）
  • A.1.4　Dockerコンテナ（Dockerに対応しているオペレーティングシステム）
• A.2　Azure Machine Learning用のAzure CLI拡張機能
• A.3　Azure Machine Learning Python SDKのインストール

付録B　Azure Machine Learningとデータ

• B.1　データに関連する機能とアセット
  • B.1.1　データアセット
  • B.1.2　データインポート
  • COLUMN　v1時代のリレーショナルデータベース連携
  • B.1.3　特徴量ストア
• B.2　データソース連携
  • B.2.1　アプリケーションデータ
  • B.2.2　データレイクハウスを中心とするデータ分析基盤
• B.3　まとめ

付録C　MLflow Modelsによるノーコードコンテナビルドとデプロイ

• C.1　MLflow Modelsのメリット
• C.2　モデルの読み込みと推論
• C.3　APIのデプロイ
  • C.3.1　事前準備
  • COLUMN　MLFLOW_TRACKING_URI
  • C.3.2　コンテナビルド
  • C.3.3　サービング
  • C.3.4　MLflowによって自動生成されたAPIの仕様
  • C.3.5　Azure Machine Learningマネージドオンラインエンドポイント
  • COLUMN　Kunbernetesオンラインエンドポイント
• C.4　まとめ

付録D　責任あるAIツールボックス

• D.1　責任あるAIツールボックスの概要
• D.2　エラー分析
• D.3　解釈可能性
• D.4　公平性評価
• D.5　反実仮想サンプル生成
• D.6　因果推論