Upgrade to Pro — share decks privately, control downloads, hide ads and more …

Auto AI 機械学習分類モデル作成 / AutoAI ML Classification

Auto AI 機械学習分類モデル作成 / AutoAI ML Classification

2021/11/24 九州大学で行った「Auto AI 機械学習分類モデル作成」のハンズオン資料を一般向けに編集したものです。

Kyoko Nishito

November 24, 2021
Tweet

More Decks by Kyoko Nishito

Other Decks in Technology

Transcript

  1. "*ϋϯζΦϯ
    "VUP"*ػցֶश ෼ྨϞσϧ࡞੒
    ੢ށ ژࢠ
    ,ZPLP/JTIJUP
    ೔ຊΞΠɾϏʔɾΤϜגࣜձࣾ
    ςΫϊϩδʔࣄۀ෦
    %BUB"*5FDIOJDBM4BMFT

    View Slide

  2. ੢ށ ژࢠ
    ೔ຊΞΠɾϏʔɾΤϜגࣜձࣾ
    ςΫϊϩδʔࣄۀ෦
    %BUB"*5FDIOJDBM4BMFT
    github.com/kyokonishito
    twitter.com/KyokoNishito
    www.linkedin.com/in/kyokonishito
    qiita.com/nishikyon
    speakerdeck.com/kyokonishito
    ೔ຊ*#.ʹͯओʹ*#.ͷࣾ಺γεςϜ։ൃɾอकʹैࣄ͠ɺཁ
    ݅ఆ͔ٛΒอक·Ͱɺ։ൃऀɾ1.ɾΞʔΩςΫτͱͯ͠೔ຊɺ
    "1֤ࠃͷੜ࢈؅ཧγεςϜ΍ߪങγεςϜɺ*5ࢿ࢈؅ཧγε
    ςϜ ౳ɺ෯޿͘ܦݧ͖ͯ͠·ͨ͠ɻͦͷޙ*#.%FWFMPQFS
    "EWPDBUFͱͯ͠։ൃऀ΁ͷܒ໤׆ಈΛߦ͍ͬͯ·ͨ͠ɻ
    ݱࡏ͸%BUB"*ͷςΫχΧϧɾηʔϧε΍͍ͬͯ·͢ɻ
    8PNFOJO%BUB4DJFODF 5PLZP!*#. ։࠵
    ୈ ճ ೔ຊ౷ܭֶձ౷ܭڭҭ৆ ड৆
    2

    View Slide

  3. ຊ೔ͷ໨తͱΰʔϧ
    ໨త
    ػցֶशͷ֓ཁΛཧղ͠ɺ8BUTPO4UVEJP͔Β"VUP"*Λ࢖͑Δ
    Α͏ʹͳΔ
    ΰʔϧ
    "VUP"*Λ࢖ͬͯ෼ྨͷػցֶशϞσϧΛ࡞੒Ͱ͖ΔΑ͏ʹͳ
    Δ
    3

    View Slide

  4. ຊ೔ͷઆ໌ॱং
    ػցֶशΠϯτϩμΫγϣϯ
    8BUTPO4UVEJPͷ͝঺հ
    "VUP"*ͷ͝঺հ
    "VUP"*ϋϯζΦϯ
    ·ͱΊ
    4

    View Slide

  5. 1. 機械学習イントロダクション
    5

    View Slide

  6. ⼈⼯知能(AI)のサブセット(部分集合)
    ディープ
    ラーンニング
    (深層学習)
    ⼈⼯知能
    機械学習 機械学習は⼈⼯知能(AI)のサブセット
    ディープラーンニングは機械学習のサブセット
    6

    View Slide

  7. パターン認識と統計から進化した
    機械学習は、
    ルールベースのアルゴリズムに従う
    のではなく、
    データから分類と予測を⾏うための
    モデル構築を⾏うことです。
    7

    View Slide

  8. 機械学習 Machine Learning
    8
    課題: ⼼不全がおこるかどうかを判断する
    *BMI: 体重kg÷(⾝⻑m*⾝⻑m)
    実⾏:
    モデルは⼼不全の有無
    を予測
    学習:
    学習し結果予測モデル作成のために
    データセットを利⽤
    ⼼拍数 BMI 年齢 性別 結果
    93 25 49 F False
    108 24 32 M False
    80 31 60 M True
    93 27 58 F True
    ⼊⼒:
    ⼼拍数,
    BMI*, 年齢,
    性別

    View Slide

  9. 今までのやり⽅ -- Traditional
    データ
    ルール
    if BPM-BMI > 60:
    result = True
    else:
    result = False
    結果
    アルゴリズム
    9

    View Slide

  10. 機械学習 Machine Learning
    データ
    ルール
    アルゴリズム(モデル)
    結果 (学習済モデル)
    学習
    (パラメータ内部調整)
    10

    View Slide

  11. 機械学習 Machine Learning
    データ
    ルール
    アルゴリズム(モデル)
    結果 (学習済モデル)
    学習
    (パラメータ内部調整)
    ルール
    (学習済モデル)
    予測したい
    データ
    予測結果
    11

    View Slide

  12. 機械学習
    教師あり学習 教師なし学習 強化学習
    分類
    回帰
    クラスタ分析
    次元削減
    報酬
    (Reward)
    12

    View Slide

  13. 教師あり学習
    機械学習
    教師なし学習 強化学習
    回帰
    Regression
    分類
    Classification
    連続した数値を推定
    Watson Studioの
    AutoAI機能で
    プログラミングなしで
    モデル作成が可能!
    分類クラスを推定
    • Decision Tree Regression
    • Extra Trees Regression
    • Gradient Boosting Regression
    • LGBM Regression
    • Linear Regression
    • Random Forest Regression
    • Ridge
    • XGBoost Regression
    • Decision Tree Classifier
    • Extra Trees Classifier
    • Gradient Boosted Tree Classifier
    • LGBM Classifier
    • Logistic Regression
    • Random Forest Classifier
    • XGBoost Classifier
    13

    View Slide

  14. 2. Watson Studioのご紹介
    14

    View Slide

  15. 8BUTPO4UVEJPͷಛ௃ r෼ੳͷશϓϩηεͰҰ؏ͯ͠࢖͑Δπʔϧ r
    *#.$MPVEͷ4BB4 4PGUXBSFBTB4FSWJDF
    ͱͯ͠ར༻͕ՄೳͰ͢ɻ
    データソース カタログ
    抽出
    加⼯・結合 テーブル作成
    (BIモデル
    作成)
    データ
    可視化
    機械学習
    モデル作成
    特徴点
    抽出
    Tool A
    Tool B
    Tool C
    Watson
    Studio
    ガバナンス
    再利⽤
    基盤担当
    データ
    エンジニア
    データサイエンティスト
    アプリ開発者
    データ
    ガバナンス担当
    つなぐ 整える 分析活⽤する
    チームで協働する
    15

    View Slide

  16. つなぐ︓データ提供元の選択 〜収集・蓄積・仮想化〜
    IBMのデータベースソリューション
    他社のデータベースソリューション
    様々なデータベースへのコネクタを
    使って企業内のデータを仮想的に
    統合活⽤する
    16

    View Slide

  17. 整える︓データ準備 (探索・確認・加⼯) の効率化
    データの品質や分布を可視化
    ⽋損値や外れ値を把握・修正
    ユーザー⾃⾝が、様々な
    データをGUIで簡単に加⼯
    • 検索機能をつかって探し出す
    • 他のユーザが作成した加⼯デー
    タ等を共有・再利⽤が出来る
    ⽬的に合う正しいデータを
    探し取り出す
    データの特徴・分布状況を
    簡単に確認
    データ加⼯や結合を容易に
    ① データカタログ ② データプロファイル ③ セルフETL
    17

    View Slide

  18. 分析する︓利⽤者のレベル・経験に即したツールの提供
    SPSS
    Modeler
    AutoAI
    GUI コーディング
    18

    View Slide

  19. 様々な分析ツールを選択可能
    従来のデータ分析の世界では、分析者により利⽤するツールが異なり、チームメンバー間でのコラボ
    レーションが難しいという課題がありました。
    Watson Studioでは、データ分析で標準的なツールを⼀通り備えており、どの分析者も⾃分にとって
    慣れた環境をクラウド上に持つことで分析を⾏えます。
    SPSS Modeler
    Jupyter Notebook
    +Python
    R Studio
    19

    View Slide

  20. Watson Studio 機能
    • カタログ機能: Connection登録
    • カタログ機能: テーブル登録
    • カタログ機能: ⽂書
    • Refinery: データ分析
    • Refinery: データ整形
    • Cognos Service: BI Tool
    • 機械学習⽤GUIツール (AutoAI)
    • SPSS modeler機能
    • R Studio機能
    • Jupyter Notebook機能
    • 深層学習⽤GUIツール (Neural Network
    Designer)
    • 深層学習⽤GUIツール (Experiment
    Builder)
    • 深層学習⽤の実験環境(HPO)の提供
    • Decision Optimizer
    • Machine Learning: モデル管理機能
    • Machine Learning: Webサービス化
    • Machine Learning: モデルの再評価、再学
    習、再配置
    • Visual Recognition Model作成ツール
    • Natural Language Classifier model作成
    ツール
    • NeuNetS(学習データ(イメージ)に応じて最
    適な深層学習モデルを⽣成)
    20

    View Slide

  21. Watson Studio 機能
    • カタログ機能: Connection登録
    • カタログ機能: テーブル登録
    • カタログ機能: ⽂書
    • Refinery: データ分析
    • Refinery: データ整形
    • Cognos Service: BI Tool
    • 機械学習⽤GUIツール (AutoAI)
    • SPSS modeler機能
    • R Studio機能
    • Jupyter Notebook機能
    • 深層学習⽤GUIツール (Neural Network
    Designer)
    • 深層学習⽤GUIツール (Experiment
    Builder)
    • 深層学習⽤の実験環境(HPO)の提供
    • Decision Optimizer
    • Machine Learning: モデル管理機能
    • Machine Learning: Webサービス化
    • Machine Learning: モデルの再評価、再学
    習、再配置
    • Visual Recognition Model作成ツール
    • Natural Language Classifier model作成
    ツール
    • NeuNetS(学習データ(イメージ)に応じて最
    適な深層学習モデルを⽣成)
    今回はAutoAI︕
    21

    View Slide

  22. "VUP"*ͷ͝঺հ
    22

    View Slide

  23. AutoAIとは
    23
    "VUP.-
    ʮ"VUPNBUFE.BDIJOF-FBSOJOHʢࣗಈԽ͞ΕͨػցֶशʣʯͷུশͰ͢ɻ
    ࣗಈԽ͞Εͨػցֶशʢ"VUP.-ʣ͸ɺػցֶशϞσϧʢ.-ϞσϧʣΛߏ
    ஙͯ͠τϨʔχϯά͢ΔࡍʹσʔλαΠΤϯςΟετ͕ߦΘͳ͚Ε͹ͳΒ
    ͳ͍खಈλεΫΛࣗಈԽ͢ΔϓϩηεͰ͢ɻ
    "VUP"*
    "VUP"*͸8BUTPO 4UVEJP্Ͱ࣮ߦͰ͖Δ*#.͕։ൃͨ͠"VUP .-ͷ࢓૊Έ
    Ͱ͢ɻػցֶशʹৄ͘͠ͳ͍ϢʔβͰ͋ͬͯ΋ɺ$47ϑΝΠϧͱϚ΢εૢ
    ࡞Ͱ؆୯ʹػցֶशϞσϧΛ࡞Γɺ༧ଌΛ࣮ࢪՄೳͰ͢ɻ

    View Slide

  24. AutoAIとは
    AutoAIは従来型の機械学習モデルを対象として、前処理、モデル選定、パラメータ
    チューニングなど含めたモデル最適化を⾃動的に⾏います。
    24

    View Slide

  25. AutoAIの⾃動学習
    データ前処理
    効率のいいモデル作成に必須の処理である、⽋損値の補間、データのエンコードなどを、最適
    な形で⾃動的に⾏います。
    モデル選定
    モデル選定に関しては、少ないデータで簡易的なモデルを作成し、有⼒な候補のモデルを絞り
    込む⽅式を採⽤しています。この⽅法により、少ない処理時間で効率よく精度の⾼いモデルを
    選定することが可能です。候補となるモデル数は 分類型: 7種類 回帰型: 8種類です。
    特徴量最適化
    AutoAIでは、強化学習の仕組みを利⽤して、しらみつぶしではない効率のいい⽅法により、
    精度の最適化をするための特徴量チューニングを⾏います。
    ハイパーパラメータ最適化
    モデルの精度に影響のある、ハイパーパラメータの最適化についても、計算資源をあまり使わ
    ない効率のいい⽅法で⾏います。
    参照: https://dataplatform.cloud.ibm.com/docs/content/wsj/analyze-data/autoai-overview.html?audience=wdp 25

    View Slide

  26. AutoAIの⾃動学習
    AutoAIは、①⼊⼒となるCSVファイルと②⽬的変数だけ指定すると、あとはすべて⾃動的に最
    適な機械学習モデルを⽣成します。



    26

    View Slide

  27. AutoAIの⾃動学習
    AutoAIの処理は「パイプライン」という形で、左から右に流れていきます。
    現在、どの処理が⾏われているかは、Web画⾯で確認可能です。
    データ前処理 モデル選定
    パラメータ
    最適化
    特徴量
    最適化
    27

    View Slide

  28. AutoAIの⾃動学習
    最新版では、次のような画⾯で、パイプライン処理の状況を表⽰することも可能になりました。
    28

    View Slide

  29. AutoAIの⾃動学習
    ⾃動的に作られた8つのモデルは、事前設定した評価項⽬により順位付けされて表⽰されます。
    29

    View Slide

  30. AutoAIの⾃動学習
    「Pipneline comparison」のタブをクリックすると、評価基準ごとの順位を視覚的に確認可能です。
    30

    View Slide

  31. AutoAIの⾃動学習
    個別の⾏をクリックすると、各モデルの詳細情報が表⽰されます。
    ①ROCカーブというモデルの精度を評価するために利⽤されるグラフや、②どのような特徴量
    最適化を⾏ったか、あるいは、③特徴量ごとの寄与度などが表⽰可能です。



    31

    View Slide

  32. (参考) AutoAIでサポートしているモデル(回帰)
    回帰型モデルでは、次の8種類のモデルをサポートしています。
    Algorithm Description
    Decision Tree Regression
    Maps observations about an item (represented in the branches) to conclusions
    about the item’s target value (represented in the leaves). It supports both
    continuous and categorical features.
    Extra Trees Regression An averaging algorithm based on randomized decision trees.
    Gradient Boosting Regression
    Produces a regression prediction model in the form of an ensemble of decision
    trees. It supports both continuous and categorical features.
    LGBM Regression Gradient boosting framework that uses tree-based learning algorithms.
    Linear Regression
    Models the linear relationship between a scalar-dependent variable y and one or
    more explanatory variables (or independent variables) x.
    Random Forest Regression
    Constructs multiple decision trees to produce the mean prediction of each decision
    tree. It supports both continuous and categorical features.
    Ridge
    Ridge regression is similar to Ordinary Least Squares but imposes a penalty on the
    size of coefficients.
    XGBoost Regression
    GBRT is an accurate and effective off-the-shelf procedure that can be used for
    regression problems. Gradient Tree Boosting models are used in a variety of areas
    including Web search ranking and ecology.
    32

    View Slide

  33. (参考) AutoAIでサポートしているモデル(分類)
    分類型モデルでは、次の7種類のモデルをサポートしています。
    Algorithm Description
    Decision Tree Classifier
    Maps observations about an item (represented in branches) to conclusions about the
    item’s target value (represented in leaves). Supports both binary and multiclass
    labels, as well as both continuous and categorical features.
    Extra Trees Classifier An averaging algorithm based on randomized decision trees.
    Gradient Boosted Tree
    Classifier
    Produces a classification prediction model in the form of an ensemble of decision
    trees. It only supports binary labels, as well as both continuous and categorical
    features.
    LGBM Classifier
    Gradient boosting framework that uses leaf-wise (horizontal) tree-based learning
    algorithm.
    Logistic Regression
    Analyzes a data set in which there are one or more independent variables that
    determine one of two outcomes. Only binary logistic regression is supported
    Random Forest Classifier
    Constructs multiple decision trees to produce the label that is a mode of each
    decision tree. It supports both binary and multiclass labels, as well as both
    continuous and categorical features.
    XGBoost Classifier
    Accurate sure procedure that can be used for classification problems. XGBoost
    models are used in a variety of areas including Web search ranking and ecology.
    33

    View Slide

  34. 4. Auto AI ハンズオン
    ػցֶश ෼ྨϞσϧ࡞੒
    34

    View Slide

  35. 4. Auto AI ハンズオン
    1. データ準備
    2. Watson Studio のセットアップ
    3. Watson Studio の起動
    4. Watson Studio プロジェクトの作成
    5. Machine Learningサービスの作成と追加
    6. Auto AI モデル作成
    7. Auto AI Deploy & テスト
    35

    View Slide

  36. 36
    ຊ೔࢖༻͢Δֶशσʔλ
    ػցֶशͷαϯϓϧʹΑ͘࢖ΘΕΔ
    ΞΠϦεσʔληοτΛ࢖༻͠·͢ɻ
    ௨ৗ͸σʔλΛ࢖͑ΔΑ͏ʹ͢ΔσʔλΫϨϯδϯά࡞ۀ͕ඞཁͰ͕͢ɺ͜ͷσʔλ͸ΫϨϯδϯάෆཁͰ͢ʣ
    छྨͷ͋΍Ί *SJTΞΠϦε
    ͷ਺஋σʔλ
    • 4&1"--&/(5)͕͘ͷ௕͞ DN
    • 4&1"-8*%5)͕͘ͷ෯ DN
    • 1&5"--&/(5)ՖͼΒͷ௕͞ DN
    • 1&5"-8*%5)ՖͼΒͷ෯ DN
    • $-"44*SJTTFUPTB ητφ

    *SJTWFSTJDPMPVS όʔγΫϧ

    *SJTWJSHJOJDB όʔδχΧ

    View Slide

  37. 37
    ༧ଌ͢Δ಺༰
    ͕͘ͷ௕͞ɺ͕͘ͷ෯ɺՖͼΒͷ௕͞ɺՖͼΒͷ෯͔Β
    Ͳͷ͋΍Ίͷछྨ͔Λ༧ଌ
    • 4&1"--&/(5)͕͘ͷ௕͞ DN
    • 4&1"-8*%5)͕͘ͷ෯ DN
    • 1&5"--&/(5)ՖͼΒͷ௕͞ DN
    • 1&5"-8*%5)ՖͼΒͷ෯ DN
    • $-"44 *SJTTFUPTB ητφ

    *SJTWFSTJDPMPVS όʔγΫϧ

    *SJTWJSHJOJDB όʔδχΧ

    (あやめの種類)

    View Slide

  38. ࢖༻σʔλ
    ͋Β͔͡Ί"VUP"*Ͱ࢖͏σʔλͱ
    ಈ࡞ςετʹ࢖༻͢ΔσʔλΛ෼͚ͯ͋Γ·͢
    オリジナル
    150レコード
    または
    Iris_test.json
    テスト⽤
    10レコード
    動作テストに使います
    AutoAI⽤
    140レコード
    38

    View Slide

  39. ハンズオン全体の流れ
    プロジェクト
    IBM Watson Studio (IBM Cloud Pak for Data)
    iris.csv
    トレーニング⽤データ
    Irisモデル
    機械学習
    (AutoAI)
    iris_test.csv
    新たなデータ
    Webサービス
    モデルをプロモートして
    Webサービスとしてデプロイ
    予測結果
    デプロイメント・スペース
    Machine Learning サービス
    39

    View Slide

  40. "VUP"*ϋϯζΦϯ
    1. データ準備
    2. Watson Studio のセットアップ
    3. Watson Studio の起動
    4. Watson Studio プロジェクトの作成
    5. Machine Learningサービスの作成と追加
    6. Auto AI モデル作成
    7. Auto AI Deploy & テスト
    40

    View Slide

  41. 1. データ準備
    アイリスデータセット 学習⽤データ iris.csv
    を以下からダウンロードし、⾃分のPCに保存します︓
    https://ibm.box.com/v/20211124iris
    右上のダウンロードボタンをクリックして保存します。
    • SEPAL LENGTH: がくの⻑さ cm
    • SEPAL WIDTH : がくの幅 cm
    • PETAL LENGTH: 花びらの⻑さ cm
    • PETAL WIDTH : 花びらの幅 cm
    • CLASS: Iris-setosa(セトナ),
    Iris-versicolour(バーシクル),
    Iris-virginica (バージニカ)41

    View Slide

  42. 1. データ準備
    2. Watson Studio のセットアップ
    3. Watson Studio の起動
    4. Watson Studio Projectの作成
    5. サービスの作成と追加
    6. Auto AI モデル作成
    7. Auto AI Deploy & テスト
    "VUP"*ϋϯζΦϯ
    42

    View Slide

  43. 43
    8BUTPO4UVEJPͷηοτΞοϓ
    • IBM Cloud ログイン
    https://cloud.ibm.com/loginにアクセスしてログインします。

    View Slide

  44. 1. 「カタログ」をクリック
    44
    8BUTPO4UVEJPͷηοτΞοϓ
    44

    View Slide

  45. ̎ݕࡧϑΟʔϧυʹ8BUTPO 4UVEJPͱೖΕɺදࣔ͞ΕͨϦετͷ
    ʮ8BUTPO 4UVEJPʯΛબ୒ɻ
    8BUTPO4UVEJPͷηοτΞοϓ
    45

    View Slide

  46. ϩέʔγϣϯͷબ୒͸ʮμϥε VTTPVUI
    ʯΛબ୒ɻ
    ϓϥϯ͸ʮϥΠτʯΛ֬ೝ͠ɺӈଆͷʮҎԼͷ͝࢖༻৚݅ΛಡΈɺಉҙ͠
    ·͢ʯʹνΣοΫΛೖΕɺʮ࡞੒ʯΛΫϦοΫɻ
    8BUTPO4UVEJPͷηοτΞοϓ
    46
    ౦ژ΋બ୒Ͱ͖·͕͢ɺ
    ೔໨ʹߦ͏ϕʔλͷ࣌ܥ
    ྻ༧ଌ͕ݱࡏ
    ࣮૷͞Εͯͳ͍ͨΊɺμϥ
    εΛબ୒͠·͢ɻ

    View Slide

  47. ҎԼͷը໘͕දࣔ͞ΕͨΒ࡞੒׬ྃͰ͢
    8BUTPO4UVEJPͷηοτΞοϓ
    47

    View Slide

  48. 1. データ準備
    2. Watson Studio のセットアップ
    3. Watson Studio の起動
    4. Watson Studio プロジェクトの作成
    5. サービスの作成と追加
    6. Auto AI モデル作成
    7. Auto AI Deploy & テスト
    "VUP"*ϋϯζΦϯ

    View Slide

  49. 49
    ϦιʔεϦετΛදࣔ
    *#.$MPVEϩΰͷࠨԣͷϋϯόʔΨɾϝχϡʔΛΫϦοΫ

    ϦιʔεɾϦετΛબ୒
    8BUTPO4UVEJPͷىಈ

    View Slide

  50. 50
    αʔϏε͓Αͼιϑτ΢ΣΞͷ8BUTPO4UVEJPYYΛબ୒ YY͸ਓʹΑͬͯҧ
    ͍·͢

    8BUTPO4UVEJPͷىಈ

    View Slide

  51. 51
    -BVODIJO*#.$MPVE1BLGPS%BUBΛબ୒ͯ͠ىಈ
    ৽͍͠ϒϥ΢β͕։͖·͢

    8BUTPO4UVEJPͷىಈ

    View Slide

  52. 52
    ʮ৘ใΛೖྗͯ͠ଓߦ͍ͯͩ͘͠͞ʯ͕දࣔ͞Εͨ৔߹͸ɺద౰ͳి࿩
    ൪߸ΛೖΕͯɺʮଓߦʯΛΫϦοΫ͍ͯͩ͘͠͞ɻ
    ʮ$MPVE1BLGPS%BUB΁Α͏ͦ͜ɻʯͷ΢Πϯυ΢͕දࣔ͞Εͨ৔߹͸9
    ΛΫϦοΫͯ͠ফ͠·͢ɻ
    8BUTPO4UVEJPͷىಈ

    View Slide

  53. 1. データ準備
    2. Watson Studio のセットアップ
    3. Watson Studio の起動
    4. Watson Studio プロジェクトの作成
    5. サービスの作成と追加
    6. Auto AI モデル作成
    7. Auto AI Deploy & テスト
    "VUP"*ϋϯζΦϯ
    53

    View Slide

  54. ハンズオン全体の流れ
    プロジェクト
    IBM Watson Studio (IBM Cloud Pak for Data)
    iris.csv
    トレーニング⽤データ
    Irisモデル
    機械学習
    (AutoAI)
    iris_test.csv
    新たなデータ
    Webサービス
    モデルをプロモートして
    Webサービスとしてデプロイ
    予測結果
    デプロイメント・スペース
    Machine Learning サービス
    54

    View Slide

  55. 55
    ΛΫϦοΫ͠·͢ɻ
    ΛΫϦοΫ͠·͢ɻ
    ϓϩδΣΫτͷ࡞੒

    View Slide

  56. 56
    ໊લʹ೚ҙͷϓϩδΣΫτ໊ΛೖΕ·͢ɻ
    ͜͜Ͱ͸"VUP"*8PSLTIPQͰ࡞੒͠·͢

    ʮετϨʔδͷఆٛʯʹʮ௥Ճʯͱදࣔ͞Ε͍ͯΔ৔߹͸"ʹਐΈ·͢ɻ
    ͦΕҎ֎͸#ʹਐΈ·͢ɻ
    ϓϩδΣΫτͷ࡞੒

    View Slide

  57. "0CKFDU4UPSBHFະ࡞੒ͷ৔߹
    " ετϨʔδͷఆٛ ͷᶃετϨʔδɾαʔϏεͷબ୒͔Βʮ௥ՃʯΛΫ
    ϦοΫ͠·͢ɻ
    ϓϩδΣΫτͷ࡞੒

    View Slide

  58. 58
    "ϥΠτ͕બ୒͞Ε͍ͯΔ͜ͱΛ֬ೝͯ͠ΛΫϦοΫ͠·͢ɻ
    ϓϩδΣΫτͷ࡞੒

    View Slide

  59. 59
    " ৽نϓϩδΣΫτͷը໘ʹͳΔͷͰɺετϨʔδͷఆٛ ͷᶄ࠷৽දࣔ
    ΛΫϦοΫ͠·͢ɻ
    " ετϨʔδ͕දࣔ͞ΕͨޙɺΛΫϦοΫ͠·͢ɻ
    ʹਐΜͰ͍ͩ͘͞

    ϓϩδΣΫτͷ࡞੒

    View Slide

  60. 60
    #0CKFDU4UPSBHF࡞੒ࡁͷ৔߹
    # ΛΫϦοΫ
    ͨͩ͠0CKFDU4UPSBHFΛෳ਺࡞੒͍ͯ͠Δ৔߹͸ɺ࢖༻͍ͨ͠0CKFDU
    4UPSBHFΛબ୒ޙʹΛΫϦοΫ
    ϓϩδΣΫτͷ࡞੒

    View Slide

  61. 61
    ϓϩδΣΫτͷը໘͕දࣔ͞Ε·͢
    ϓϩδΣΫτͷ࡞੒

    View Slide

  62. 1. データ準備
    2. Watson Studio のセットアップ
    3. Watson Studio の起動
    4. Watson Studio プロジェクトの作成
    5. サービスの作成と追加
    6. Auto AI モデル作成
    7. Auto AI Deploy & テスト
    "VUP"*ϋϯζΦϯ

    View Slide

  63. ハンズオン全体の流れ
    プロジェクト
    IBM Watson Studio (IBM Cloud Pak for Data)
    iris.csv
    トレーニング⽤データ
    Irisモデル
    機械学習
    (AutoAI)
    iris_test.csv
    新たなデータ
    Webサービス
    モデルをプロモートして
    Webサービスとしてデプロイ
    予測結果
    デプロイメント・スペース
    Machine Learning サービス

    View Slide

  64. 64
    ΛΫϦοΫ͠·͢ɻ
    ԼʹεΫϩʔϧͯ͠ɺؔ࿈αʔϏεͷΛΫϦοΫͯ͠
    <8BUTPO>Λબ୒
    αʔϏεͷ࡞੒ͱ௥Ճ

    View Slide

  65. ʮ৽نαʔϏεʯΛΫϦοΫ
    .BDIJOF-FBSOJOHΛબ୒ɺϓϥϯʮϥΠτʯʹνΣοΫ͕͞Ε͍ͯΔ͜
    ͱΛ֬ೝ͠ɺʮ࡞੒ʯΛΫϦοΫ
    .BDIJOF-FBSOJOHࠨଆʹνΣοΫΛೖΕɺӈ্ͷ
    ΛΫϦοΫ͠·͢ɻ
    65
    αʔϏεͷ࡞੒ͱ௥Ճ

    View Slide

  66. 66
    ӈ্ͷYΛΫϦοΫ ͷը໘ʹ໭Γ·͢ɻ
    ؔ࿈αʔϏεʹ௥Ճͨ͠αʔϏεͷΠϯελϯε͕௥Ճ͞Ε͍ͯΔ͜ͱΛ֬
    ೝ͠·͢ɻ
    ˞ΫϦοΫ͠
    ͯด͡·͢
    ˞໊લ͕ҟͳΔ৔߹͕͋Γ·͕͢ɺ໰୊͋Γ·ͤΜ
    αʔϏεͷ࡞੒ͱ௥Ճ

    View Slide

  67. 1. データ準備
    2. Watson Studio のセットアップ
    3. Watson Studio の起動
    4. Watson Studio プロジェクトの作成
    5. サービスの作成と追加
    6. Auto AI モデル作成
    7. Auto AI Deploy & テスト
    "VUP"*ϋϯζΦϯ

    View Slide

  68. ハンズオン全体の流れ
    プロジェクト
    IBM Watson Studio (IBM Cloud Pak for Data)
    iris.csv
    トレーニング⽤データ
    Irisモデル
    機械学習
    (AutoAI)
    iris_test.csv
    新たなデータ
    Webサービス
    モデルをプロモートして
    Webサービスとしてデプロイ
    予測結果
    デプロイメント・スペース
    Machine Learning サービス

    View Slide

  69. "VUP"*Ϟσϧ࡞੒
    69
    ը໘ͷӈ্ʹ͋ΔʮϓϩδΣΫτʹ௥ՃʯΛΫϦοΫ͠·͢ɻ
    දࣔ͞Εͨ΢Οϯυ΢ͷʮ"VUP"* ΤΫεϖϦϝϯτʯΛΫϦοΫ͠·͢ɻ

    View Slide

  70. "VUP"*Ϟσϧ࡞੒
    70
    ໊લ *SJTΛೖྗ͠ɺ
    ࣗ෼ͷ8BUTPO.BDIJOF-FBSOJOHαʔϏεΠϯελϯε͕ηοτ͞Εͯ
    ͍ΔͷΛ֬ೝͯ͠ɺΛΫϦοΫ
    ʮෳ਺ͷιʔεΛαϙʔτʯ
    ͱ͍͏΢Οϯυ΢͕දࣔ͞Ε
    ͨΒʮྃղʯΛΫϦοΫͯ͠
    ͍ͩ͘͞ɻ
    ˞໊લ͕ҟͳΔ৔߹͕͋Γ·͕͢ɺ
    ໰୊͋Γ·ͤΜ

    View Slide

  71. 71
    ʮσʔλͷμ΢ϯϩʔυʯͰμ΢ϯϩʔυͨ͠JSJTDTW
    Λυϥοάˍυϩοϓͯ͠ σʔλΛΞοϓϩʔυ͠·͢ɻ
    iris.csv
    ドラッグ&ドロップ
    "VUP"*Ϟσϧ࡞੒

    View Slide

  72. 72
    ʮ࣌ܥྻ༧ଌΛ࡞੒͠·͔͢ ʯ͸ʮ͍͍͑ʯΛΫϦοΫ͠·͢ɻ
    ϩέʔγϣϯ͕μϥεͷ৔߹ͷΈදࣔ͞Ε·͢

    "VUP"*Ϟσϧ࡞੒

    View Slide

  73. 73
    ʮ༧ଌྻͷબ୒ʯ͔Β༧ଌ͍߲ͨ͠໨ΛΫϦοΫ͠·͢ɻ$-"44Λબ୒͠
    ·͢ɻ
    ʮ ΤΫεϖϦϝϯτͷ࣮ߦʯΛΫϦοΫͯ͠ɺϞσϧ࡞੒Λ։࢝͠·͢ɻ
    "VUP"*Ϟσϧ࡞੒

    View Slide

  74. 74
    ࣮ߦ͸ෳ਺ͷεςοϓΛܦͯɺͭͷϞσϧΛੜ੒͠·͢ɻ͜ͷϓϩηε
    ʹ͸ʙ෼͔͔Γ·͢ ͜ͷσʔλͷ৔߹ ࣌ؒ͸σʔλͷྔʹΑΓ·͢
    ɻ
    ʮΤΫεϖϦϝϯτ׬ྃ ʯ͕දࣔ͞ΕΔ·Ͱ଴ͪ·͢ɻ
    "VUP"*Ϟσϧ࡞੒

    View Slide

  75. 75
    ԼʹεΫϩʔϧ͢Δͱɺ࡞੒͞ΕͨϞσϧͷಛੑ͕Θ͔Γ·͢ɻҰ൪্ͷ
    Ϟσϧ͕ઃఆ͞Εͨج४Ͱ࠷΋Α͍ϞσϧͱͳΓ·͢ɻ
    Ұ൪্ͷߦΛΫϦοΫͯ͠ಛੑΛݟͯΈ·͢ɻ
    評価基準(変更可能)
    クリック
    "VUP"*Ϟσϧ࡞੒

    View Slide

  76. ϞσϧධՁɺద߹཰࠶ݱ཰ 13
    ۂઢɺϞσϧ৘ใɺಛ௃ྔͷαϚϦʔͳ
    Ͳɺ͞·͟·ͳϝτϦοΫΛ֬ೝͰ͖·͢ɻ
    ֬ೝޙɺը໘ͷࠨ্ʹ͋Δ<9>ΛΫϦοΫͯ͠લͷը໘ʹ໭Γ·͢ɻ
    76
    "VUP"*Ϟσϧ࡞੒

    View Slide

  77. 11. ⼀番評価の⾼いモデルを保存します。
    ⼀番上のモデルの⾏にマウスカーソルを合わせると「名前を付けて保存」
    というボタンが表⽰されるので、それをクリックします。
    77
    "VUP"*Ϟσϧ࡞੒

    View Slide

  78. ʮϞσϧʯ͕બ୒͞Ε͍ͯΔ͜ͱΛ֬ೝ͠ɺ
    Ϟσϧͷ໊લΛʰ*SJTNPEFMʱʹมߋͯ͠ɺΛΫϦοΫ͠·͢ɻ
    78
    "VUP"*Ϟσϧ࡞੒

    View Slide

  79. อଘ͕׬ྃ͢Δͱӈ্ʹҎԼͷΑ͏ͳ΢Οϯυ΢͕දࣔ͞ΕΔͷͰ
    ʮ ϓϩδΣΫτʹදࣔ ʯΛΫϦοΫ͠·͢ɻ
    79
    ΋͠ɺ͜ͷද͕ࣔফ͑ͯ͠·ͬͨ৔߹͸࣍ทࢀর
    "VUP"*Ϟσϧ࡞੒

    View Slide

  80. " ʮϓϩδΣΫτʹදࣔ ʯ͕ফ͑ͯ͠·ͬͨ৔߹͸ɺ্෦φϏήʔ
    γϣϯΑΓϓϩδΣΫτ໊ΛΫϦοΫɺࢿ࢈λϒΛΫϦοΫɺԼʹε
    Ϋϩʔϧͯ͠ɺϞσϧͷԼͷઃఆͨ͠Ϟσϧ໊ΛΫϦοΫ
    80
    "VUP"*Ϟσϧ࡞੒

    View Slide

  81. 4. Auto AI 課題Demo
    1. データ準備
    2. Watson Studio のセットアップ
    3. Watson Studio の起動
    4. Watson Studio Projectの作成
    5. サービスの作成と追加
    6. Auto AI モデル作成
    7. Auto AI Deploy & テスト

    View Slide

  82. ハンズオン全体の流れ
    プロジェクト
    IBM Watson Studio (IBM Cloud Pak for Data)
    iris.csv
    トレーニング⽤データ
    Irisモデル
    機械学習
    (AutoAI)
    iris_test.csv
    新たなデータ
    Webサービス
    モデルをプロモートして
    Webサービスとしてデプロイ
    予測結果
    デプロイメント・スペース
    Machine Learning サービス

    View Slide

  83. "VUP"*%FQMPZςετ
    ΛΫϦοΫ
    දࣔ͞ΕͨʮεϖʔεͷϓϩϞʔτʯϖʔδͷλʔήοτɾεϖʔε͔Β
    ʮ৽نσϓϩΠϝϯτɾεϖʔεͷ࡞੒ʯΛΫϦοΫ
    83
    「Space1」など

    View Slide

  84. "VUP"*%FQMPZςετ
    දࣔ͞ΕͨʮσϓϩΠϝϯτɾεϖʔεͷ࡞੒ʯϖʔδͷʮ໊લʯʹ
    ʮ4QBDFʯΛೖྗͯ͠࡞੒ΛΫϦοΫɻ
    ʮεϖʔεͷ४උ͕׬ྃ͠·ͨ͠ʯ͕දࣔ͞ΕͨΒɺʮด͡ΔʯΛΫϦοΫɻ
    84

    View Slide

  85. 4. 「プロモート」をクリック。
    プロモートが完了すると、プロジェクトの資産画⾯が表⽰されます。右上に
    表⽰されたメッセージ内の「デプロイメント・スペース」をクリックしてく
    ださい。
    85
    "VUP"*%FQMPZςετ
    ΋͠ɺ͜ͷද͕ࣔফ͑ͯ͠·ͬͨ৔߹
    ͸࣍ทࢀর

    View Slide

  86. 4A. もし、メッセージを閉じてしまった場合は以下の⽅法でデプロイメントス
    ペースを開きます。
    左上の「ナビゲーションメニュー」を開き、「デプロイメント・スペース」
    の下の「Space1」 をクリックしてください。
    86
    "VUP"*%FQMPZςετ

    View Slide

  87. 5. 以下のウィンドウが表⽰された場合は[X]をクリックして閉じてください。
    87
    "VUP"*%FQMPZςετ
    [概要]が表⽰された場合は[管理]タブをクリックしてください。
    (メッセージから開いた場合は資産、ナビゲーションメニューから開いた場合
    は概要が表⽰されています)

    View Slide

  88. ػցֶशαʔϏεͷΛΫϦοΫ͠ɺʮػցֶ
    शαʔϏεͷબ୒ʯͷυϩοϓμ΢ϯϦετ͔Βɺ
    දࣔ͞Εͨ.BDIJOF-FBOJOHYYΛΫϦοΫ͠·͢ɻ YY͸ਓʹΑͬͯҧ͍·͢

    88
    "VUP"*%FQMPZςετ

    View Slide

  89. 7.「資産」タブをクリックします。
    Iris Modelの⾏にマウスポインタを重ねると、右側に「デプロイ」アイコ
    ンが表⽰れますので、クリックしてデプロイ作業を始めます。
    89
    "VUP"*%FQMPZςετ

    View Slide

  90. ΦϯϥΠϯΛબ୒͠ɺ໊લʹʰ*SJTʱΛೖྗɺӈԼͷ࡞੒ΛΫϦοΫ͠·͢
    90
    όονΛ࢖͑͹$47σʔλͰςετ͕Ͱ͖·͢ɻ
    1Λࢀর

    "VUP"*%FQMPZςετ

    View Slide

  91. Ϟσϧ໊ *SJT.PEFMΛΫϦοΫ
    91
    "VUP"*%FQMPZςετ

    View Slide

  92. ঢ়گ͕ʮσϓϩΠࡁΈʯʹͳͬͨΒɺ*SJTΛΫϦοΫ
    92
    "VUP"*%FQMPZςετ

    View Slide

  93. 11. テストをクリックします。データ⼊⼒画⾯が表⽰されます。
    93
    "VUP"*%FQMPZςετ

    View Slide

  94. ʮೖྗσʔλΛೖྗ͍ͯͩ͘͠͞ʯͷԼͷϑΥʔϜʹςετσʔλ
    [email protected]ͷҰߦ໨Λೖྗ͠ɺʮϦετʹ௥ՃʯΛΫϦοΫɻ
    [email protected]͸ͪ͜ΒIUUQTJCNCPYDPNWJSJTUFTU
    94
    "VUP"*%FQMPZςετ

    View Slide

  95. ʮ༧ଌʯϘλϯΛΫϦοΫ͠·͢ɻ͠͹Β͘͢Δͱӈଆʹ༧ଌ݁Ռ͕
    දࣔ͞Ε·͢ɻ͜ͷ৔߹ɺ༧ଌ஋͸*SJTTFUPTBͰ֬཰ QSPCBCJMJUZ
    ͸
    Ͱ͢ɻ ͜ͷ஋͸ਓ ࡞੒ͨ͠Ϟσϧ
    ʹΑͬͯҟͳΓ·͢

    95
    *[email protected]ͷ$-"44ͷ஋
    ͱൺ΂ͯΈ·͠ΐ͏ɻ༧ଌ
    ͸߹͍ͬͯ·͔ͨ͠
    ଞͷߦͷ*[email protected]ͷ஋Ͱ
    ΋ࢼͯ͠Έ·͠ΐ͏ɻ
    "VUP"*%FQMPZςετ

    View Slide

  96. 6. まとめ
    • AutoAIを使⽤すれば、予測対象を指定する等の
    最⼩限の操作で機械学習モデルを⽣成できます

    View Slide

  97. 「7-8 AutoAI Deploy & テスト」の補⾜
    https://qiita.com/osonoi/items/54cd435d10985b0bae61
    ⼤量のデータを⼀括して予測したい

    View Slide

  98. ͓ർΕ༷Ͱͨ͠
    2"
    98

    View Slide

  99. View Slide