初夏のIBM Dojo #6 Auto AI を使ったらくらく機械学習 / IBM Dojo AutoAI ML 20200617

初夏のIBM Dojo #6
Auto AI を使ったらくらく機械学習
Kyoko Nishito
Developer Advocate
Tokyo City Team

View Slide

Kyoko Nishito
IBM Developer Advocate
2
KyokoNishito

View Slide

質問&ライブ投票参加
はこちら
slido.com
#dojo617
質問タブで質問⼊⼒
⾃分も知りたい質問には
「いいね」をプッシュ!
絵⽂字は表⽰されません
スマホでアクセスして
ぜひ参加お願いします︕
6/17 Auto AI を使ったらくらく機械学習

View Slide

本⽇のタイムテーブル
14:00-14:05
(5min)
オープニング
資料ダウンロード,出席登録など
14:05-15:00
(55min)
Watson Studio & Auto AI ⼊⾨

15:00-15:15
(15min)
課題の説明とQ&A

View Slide

本⽇の資料
本⽇の資料はこちらからPCにダウンロードお願いし
ます。URLをクリックしたり、コマンドをコピペしたりでき
ますので、サイトでみるのではなく、ダウンロードをお勧めし
ます。(connpassの資料にもリンクあり)
http://ibm.biz/dojo20200617doc

View Slide

出席登録
こちらのURLにアクセスして、IBM Cloudにログイン
お願いします。
http://ibm.biz/dojo0617
アカウント未登録の⽅も
こちらから登録お願いします。

View Slide

新しい取り組み“バッジ取得プログラム”のご案内
7
IBM Cloud & AI develop Basic
Online Developer Dojo
” IBM Cloud & AI develop Basic Online Developer badge“について
- 2020年6⽉1⽇より開始のIBM Developer Dojo 12回シリーズと同様の内容のIBM Developer Dojoのクラスが対象
https://www.ibm.com/jp-ja/partnerworld/events/developer-dojo
- スキルアップのため全クラスの受講をお奨めします。
- 12回のクラスのうちPAYGアカウントまたはサブスクリプションが必要としない8つのクラスの課題を実施
- 8クラスのうち5クラスの課題について指定された結果を⾃分のアカウントが⾒えるようにスクリーンショットを撮影
- 5クラス分の課題のスクリーンショットをPDFにして以下の宛先に送付
- 提出した課題が承認されるとAcclaimからバッジが発⾏されます。
※バッジ発⾏のためにこれ以外の処理が発⽣する場合、別途ご連絡させていただきます
2020年6⽉1⽇
お問い合わせは、Online Developer Dojo バッジ事務局
（ビジネス・パートナープログラムヘルプデスク [email protected] ）

View Slide

ハンズオン事前準備
1. IBM Cloudアカウント(無料)の取得
2. Webブラウザー Chrome または Firefoxの導⼊

View Slide

学習の⽬的とゴール
⽬的
Watson Studio概要について理解し、AutoAIを使えるように
なる
ゴール
AutoAIを使って機械学習モデルを作成できるようになる
このコースを学ぶ⽅の想定スキル
EXCEL等で表データを使ったことのあるWatson Studio初⼼者
の⽅

View Slide

⽬次
1. 機械学習
2. Watson Studio概要
3. Watson Studio 注⽬機能
4. Auto AI
5. Auto AI 課題DEMO
6. 課題
7. まとめ

View Slide

1. 機械学習

View Slide

⼈⼯知能(AI)のサブセット(部分集合)
12
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

View Slide

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。
13

View Slide

機械学習 Machine Learning
14 14
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

今までのやり⽅ -- Traditional
15
データ
ルール
if BPM-BMI > 60:
result = True
else:
result = False
結果
アルゴリズム

View Slide

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)

View Slide

17
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

View Slide

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)

View Slide

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!
AdaBoost
Regression
Elastic Net with
Cross-
Validation
Nearest
Neighbor
Analysis (KNN)
Lasso Lars with
Cross-
Validation
MLP
Regression
Orthogonal
Matching
Pursuit with
Cross-
Validation
Random Forest
Regression
Theil-Sen
Regression
ARD
Regression
Elastic Net Kernel Ridge Lasso Lars
MultiTask
Elastic Net CV
Orthogonal
Matching
Pursuit
RANSAC
Regression
XGBoost
Regression
Bayesian Ridge
Regression
Gaussian
Process
Lars with
Cross-
Validation
Lasso Lars IC
MultiTask
Elastic Net
Passive-
Aggressive
Regression
Ridge with
Cross-
Validation
CCA
Gaussian
Process
Regression
Lars
LGBM
Regression
Multi Task
Lasso CV
PLS Canonical Ridge
Decision Tree
Regression
Gradient
Boosting
Regression
Lasso with
Cross-
Validation
Linear
Regression
Multi Task
Lasso
PLS Regression
SGD
Regression
Extra Trees
Regression
Huber
Regression
Lasso
Linear Support
Vector
Regression
Nu SVR
Radius
Neighbors
Regression
Support Vector
Regression
AdaBoost Classifier
Gaussian Naïve
Bayes Classifier
Label Spreading Logistic Regression
Passive Aggressive
Classifier
Ridge Classifier
with Cross-
Validation
Bernoulli Naïve
Bayes Classifier
Gaussian Process
Classifier
LGBM Classifier MLP Classifier Perceptron Ridge Classifier
Calibrated
Classifier with
Cross-Validation
Gradient Boosted
Tree Classifier
Linear Discriminant
Analysis
Multinomial Naïve
Bayes Classifier
Quadratic
Discriminant
Analysis
SGD Classifier
Decision Tree
Classifier
Nearest Neighbor
Analysis (KNN)
Classifier
Linear Support
Vector Classifier
Nearest Centroid
Radius Neighbors
Classifier
Support Vector
Classifier
Extra Trees
Classifier
Label Propagation
Logistic Regression
with Cross-
Validation
Nu Support Vector
Classifier
Random Forest
Classifier
XGBoost Classifier
分類クラスを推定

View Slide

(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44種類のモデルをサポートしています。
AdaBoost
Regression
Elastic Net
with Cross-
Validation
Nearest
Neighbor
Analysis
(KNN)
Lasso Lars
with Cross-
Validation
MLP
Regression
Orthogonal
Matching
Pursuit with
Cross-
Validation
Random
Forest
Regression
Theil-Sen
Regression
ARD
Regression
MultiTask
Elastic Net
CV
Orthogonal
Matching
Pursuit
RANSAC
Regression
XGBoost
Regression
Bayesian
Ridge
Regression
Gaussian
Process
Lars with
Cross-
Validation
Lasso Lars IC
MultiTask
Elastic Net
Passive-
Aggressive
Regression
Ridge with
Cross-
Validation
CCA
Gaussian
Process
Regression
Lars
LGBM
Regression
Multi Task
Lasso CV
PLS Canonical Ridge
Decision Tree
Regression
Gradient
Boosting
Regression
Lasso with
Cross-
Validation
Linear
Regression
Multi Task
Lasso
PLS
Regression
SGD
Regression
Extra Trees
Regression
Huber
Regression
Lasso
Linear
Support
Vector
Regression
Nu SVR
Radius
Neighbors
Regression
Support
Vector
Regression

View Slide

(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30種類のモデルをサポートしています。
AdaBoost
Classifier
Gaussian Naïve
Bayes Classifier
Label Spreading
Logistic
Regression
Passive
Aggressive
Classifier
Ridge Classifier
with Cross-
Validation
Bernoulli Naïve
Bayes Classifier
Gaussian Process
Classifier
Calibrated
Classifier with
Cross-Validation
Gradient Boosted
Tree Classifier
Linear
Discriminant
Analysis
Multinomial Naïve
Bayes Classifier
Quadratic
Discriminant
Analysis
SGD Classifier
Decision Tree
Classifier
Nearest Neighbor
Analysis (KNN)
Classifier
Linear Support
Vector Classifier
Nearest Centroid
Radius Neighbors
Classifier
Support Vector
Classifier
Extra Trees
Classifier
Label Propagation
Logistic
Regression with
Cross-Validation
Nu Support
Vector Classifier
Random Forest
Classifier
XGBoost Classifier

View Slide

2. Watson Studio概要

View Slide

Watson Studio 概念図
エンタープライズ・カタログ (メタデータや分析資産を共有し、だれもが使える状態に)
データソース
構造化
パブリック
オンプレミス
プライベート
データ加⼯/品質確認
(プレパレーション)
AI/マシン
ラーニング
データ可視化
ダッシュボード
データへのアクセス
データ蓄積
整える分析活⽤する
つなぐ
データ
サインティスト
ビジネスプロセス
スコアリング
結果
提供者の視点利⽤者の視点
Watson Studio
チームで協働する
データ分析

View Slide

Watson Studioの特徴 –分析の全プロセスで⼀貫して使えるツール -
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

View Slide

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

View Slide

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

View Slide

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

View Slide

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

View Slide

3. Watson Studio注⽬機能

View Slide

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)

View Slide

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)
今回は上記⿊字機能を
ご紹介します

View Slide

Refinery (データ分析)
Knowledge CatalogではRefineryというツールがあり、Studio上からシームレスに呼出し可能です。
Refineryの持つデータ分析機能を使うと、解析対象のデータの項⽬別の状況を視覚的に確認できます。
Knowledge Catalog

View Slide

Refinery (データ精製=データ整形)
Refineryはデータ整形機能を持っています。下記のような処理をプログラミングなしに実現可能です。
また⼀度実⾏した⼿順を覚えて、同じ処理を⾃動で再実⾏することもできます(スケジュール機能)。
Knowledge Catalog
四則計算
属性変換
フィル
ター
関数計算
除去
リネーム
ソート(昇
順)
ソート(降
順)
表示マス
キング
テキスト
処理
欠損値へ変
換
重複行除去
空白行除去
欠損値の置
換
部分文字列
置換
日時データ
抽出
集約
条件置換
ジョイン
サンプル抽
出
列分割
連結
ストップ
ワード除去
形態素解析

View Slide

機械学習⽤GUIツール (AutoAI)
• 機械学習モデルに関してはAutoAIという機能があり、機械学習に詳しくないユーザーもCSVフ
ァイルの準備とマウス操作で簡単にモデルを作ることが可能です。

View Slide

Jupyter Notebook機能
Jupyter Notebookの実⾏環境をクラウド上に持たせることができます。
サポートしている⾔語はPython 3.6とR、及びScalaです。
Python 3.6の場合、次のライブラリは事前導⼊済みですぐに使える状態です。
Tensorflow、Keras、Caffe、scikit-learn、Spark Mlib、XGBoost、Numpy、Pandas、
matplotlib等。
事前導⼊されていないライブラリもpipコマンドで導⼊可能なものであれば、追加導⼊して
利⽤可能となります。

View Slide

Decision Optimizer
従来 CPLEXという製品名で提供されていた最適化ソリューションもDecision Optimizer
という名前でWatson Studioから利⽤可能になりました。
「数独」を解いた例「巡回セールスマン問題」を解いた例
https://qiita.com/makaishi2/items/78570f9283c0bc6c7e6c
https://qiita.com/makaishi2/items/d1cc9a3f49f640a3b649

View Slide

4. AutoAI

View Slide

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。

View Slide

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: 30種類回帰型: 44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

View Slide

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。
①
②
③

View Slide

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

View Slide

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。

View Slide

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。

View Slide

「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。

View Slide

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。
②
③
①

View Slide

(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44種類のモデルをサポートしています。
AdaBoost
Regression
Elastic Net
with Cross-
Validation
Nearest
Neighbor
Analysis
(KNN)
Lasso Lars
with Cross-
Validation
MLP
Regression
Orthogonal
Matching
Pursuit with
Cross-
Validation
Random
Forest
Regression
Theil-Sen
Regression
ARD
Regression
MultiTask
Elastic Net
CV
Orthogonal
Matching
Pursuit
RANSAC
Regression
XGBoost
Regression
Bayesian
Ridge
Regression
Gaussian
Process
Lars with
Cross-
Validation
Lasso Lars IC
MultiTask
Elastic Net
Passive-
Aggressive
Regression
Ridge with
Cross-
Validation
CCA
Gaussian
Process
Regression
Lars
LGBM
Regression
Multi Task
Lasso CV
PLS Canonical Ridge
Decision Tree
Regression
Gradient
Boosting
Regression
Lasso with
Cross-
Validation
Linear
Regression
Multi Task
Lasso
PLS
Regression
SGD
Regression
Extra Trees
Regression
Huber
Regression
Lasso
Linear
Support
Vector
Regression
Nu SVR
Radius
Neighbors
Regression
Support
Vector
Regression

View Slide

(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30種類のモデルをサポートしています。
AdaBoost
Classifier
Gaussian Naïve
Bayes Classifier
Label Spreading
Logistic
Regression
Passive
Aggressive
Classifier
Ridge Classifier
with Cross-
Validation
Bernoulli Naïve
Bayes Classifier
Gaussian Process
Classifier
Calibrated
Classifier with
Cross-Validation
Gradient Boosted
Tree Classifier
Linear
Discriminant
Analysis
Multinomial Naïve
Bayes Classifier
Quadratic
Discriminant
Analysis
SGD Classifier
Decision Tree
Classifier
Nearest Neighbor
Analysis (KNN)
Classifier
Linear Support
Vector Classifier
Nearest Centroid
Radius Neighbors
Classifier
Support Vector
Classifier
Extra Trees
Classifier
Label Propagation
Logistic
Regression with
Cross-Validation
Nu Support
Vector Classifier
Random Forest
Classifier
XGBoost Classifier

View Slide


View Slide

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. 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

View Slide

4. Auto AI 課題Demo
1. データ準備
5. Machine Learningサービスの作成と追加

View Slide

1. データ準備
架空の電話会社の顧客データ customer_churn.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/dojo2020-customer-churn-data
右上のダウンロードボタンをクリックして保存します。

View Slide

1. データ準備
架空の電話会社の顧客データ customer_churn.csv
このファイルには顧客の属性と契約を解約したかしないか(CHURN)のデー
タがあります。
このデータからCHURNを予測するモデルを作ります。

View Slide

1. データ準備
5. サービスの作成と追加

View Slide

54
2. Watson Studioのセットアップ
• IBM Cloud ログイン
アカウントをすでにお持ちの⽅は、
IBMidを⼊⼒してこちらからログインしてください
https://cloud.ibm.com/loginにアクセスしてログインします。
• IBM Cloud ライトアカウント作成
アカウントをお持ちでない⽅は、
ご登録をお願いします

View Slide

1. 「カタログ」をクリック
55
55

View Slide

２.左側のメニューから「サービス」→カテゴリ「AI」をクリックし、
Watson Studio をクリック

View Slide

3. リージョンの選択は「ダラス」を選択。プランは「ライト」を確認
して、右側の「作成」をクリック

View Slide

4. 以下の画⾯が表⽰されたら作成完了です!
バッジプログラム申請
キャプチャー画⾯

View Slide


View Slide

60
1. ダッシュボードを表⽰ (左上のIBM Cloudロゴをクリック)
2. リソースの要約「Services」 →「Services」からWatson Studioのサー
ビスを選択
3. Watson Studioの起動
もし右側にこ
のような画⾯
がでてきたら、
「全詳細の表
⽰」をクリッ
クする

View Slide

61
3. Get Startedを選択して起動
3. Watson Studioの起動

View Slide

1. データ準備

View Slide

63
1. [プロジェクトの作成]をクリックします。
2. [空のプロジェクトを作成]をクリックします。
4. Projectの作成

View Slide

64
3. 名前に任意のプロジェクト名を⼊れます。
(Tutorialでなるべく作成してください（違う名前でもOKです）)
4. 「ストレージの定義」が表⽰されてない場合は、下にスクロールして、
「ストレージの定義」を表⽰させます(ブラウザー表⽰が横⻑の場合は右
側に表⽰されています)。
4. プロジェクトの作成

View Slide

5A. Object Storage未作成の場合:
5A-1. ストレージの定義の①ストレージ・サービスの選択から「追加」
をクリックします。
4.プロジェクトの作成

View Slide

66
5A-2. Cloud Object Storageの画⾯が表⽰されるので下にスクロールします。
5A-3. Liteが選択されていることを確認して[Create]をクリックします。
5A-4. Confirm Creationのダイアログはそのまま[Confirm]をクリックします。
下にスクロール

View Slide

67
5A-5 新規プロジェクトの画⾯になるので、ストレージの定義の②最新表
⽰をクリックします。
5A-6 ストレージが表⽰された後、[作成]をクリックします。

View Slide

68
5B. Object Storage作成済の場合:
5B-1 [作成]をクリック
ただしObject Storageを複数作成している場合は、使⽤したいObject
Storageを選択後に[作成]をクリック

View Slide

69
6. プロジェクトの画⾯が表⽰されます

View Slide

1. データ準備

View Slide

71
1. [設定]をクリックします。
2.関連サービスの[サービスの追加]をクリックして
[Watson]を選択

View Slide

3. Machine Learningの[Add]をクリック
4A: [New]のタブが選択された画⾯が表⽰された場合
1. スクロールしてPLANでLiteが選択されていることを確認して⼀番下
の[Create]をクリック。
2. Confirmの画⾯でRegionがDallasになっていることを確認して
[Confirm]をクリック
72
スクロール
スクロール

View Slide

73
4B[Existing]のタブが選択された画⾯が表⽰された場合
Existing Service Instance のドロップダウンから、使⽤するMachine
Learningのサービスを選択して[Select]をクリック。
[Existing]のタブが選択された画⾯が表⽰されたにもかかわらず、「Existing
Service Instance」の下に「 No existing service instances found 」が表⽰された
場合は、「CLOUD FOUNDRY ORG」のドロップダウンを開き、値を選択してみて
ください。。

View Slide

74
5. [設定] の画⾯に戻ります。
Associated servicesに追加したサービスのインスタンスが追加されてい
ることを確認します。

View Slide

1. データ準備

View Slide

76
1. 画⾯の右上にある`プロジェクトに追加`をクリックします。
2. 表⽰されたウィンドウの[AutoAI 実験]をクリックします。

View Slide

77
3. 名前 : Churn Analysisを⼊⼒し、
⾃分のWatson Machine Learning サービスインスタンスがセットされてい
るのを確認して、[作成]をクリック

View Slide

78
4. 「1. データのダウンロード」でダウンロードしたcustomer_churn.csv
をドラッグ＆ドロップしてデータをアップロードします。
customer_churn.csv
ドラッグ＆ドロップ

View Slide

79
5. 「予測列の選択」から予測したい項⽬をクリックします。CHURNを選
択します。
6. 「実験の実⾏」をクリックして、モデル作成を開始します。

View Slide

80
7. 実⾏は複数のステップを経て、8つのモデルを⽣成します。このプロセ
スには5〜15分かかります(このデータの場合, 時間はデータの量によりま
す)。「実験完了」が表⽰されるまで待ちます。

View Slide

81
8. 下にスクロールすると、作成されたモデルの特性がわかります。⼀番
上のモデルが設定された基準で最もよいモデルとなります。
⼀番上の⾏をクリックして特性を⾒てみます。
評価基準(変更可能)
クリック

View Slide

9.モデル評価、混同マトリックス、適合率/再現率(PR)曲線、モデル情報、
特徴量の重要度など、さまざまなメトリックを確認できます。
確認後、画⾯の左上にある「Churn Analysisに戻る]をクリックします。
82
機能の重要度=特徴量の重要度

View Slide

10. 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。
83

View Slide

11. ドロップダウンに表⽰された「モデル」をクリックします。
84

View Slide

11.モデル名をChurn Analysis Modelに変更して、「保存」ボタンをク
リックします。保存が完了すると右上に以下の右のようなウィンドウが表
⽰されるので「プロジェクトに表⽰」をクリックします。
85
もし、この表⽰が消えてしまった場合は次⾴参照

View Slide

11A. 「プロジェクトに表⽰」が消えてしまった場合は、上部ナビゲー
ションよりプロジェクト名をクリック、資産タブをクリック、下にスク
ロールして、モデルの下の設定したモデル名をクリック
86

View Slide

1. データ準備

View Slide

1. 「 Deployments」タブをクリックします。
88

View Slide

２. 右にある「デプロイメントの追加」をクリックします。
89

View Slide

3. 名前に「 Churn model deployment」と⼊⼒後、「保存」ボタンをク
リックします。
90

View Slide

4. 「デプロイメント」タブに⾃動で戻ります。状況が、初期化中から準備
完了に変わったら「Churn model deployment 」をクリックします。
1分待っても変わらない場合はリロードしてみてください。
91

View Slide

5. 「概要」タブでデプロイメントの詳細を確認できます。「実装」タブ
をクリックします。そのタブの下に、スコアリングエンドポイントが表⽰
され、Java、JavaScript、Pythonなどの5つの⾔語のコードスニペットも
提供されます。
92

View Slide

6. [テスト]タブをクリックします。そのままフォームでデータを⼊れても
できますが、今回はJSON inputアイコンをクリックして、JSONで⼊⼒し
ます。以下の右のJSONデータを⼊⼒エリアにコピぺしします。
93
{"input_data": [{ "fields":
[ "ID", "Gender", "Status",
"Children", "Est Income",
"Car Owner", "Age",
"LongDistance",
"International", "Local",
"Dropped", "Paymethod",
"LocalBilltype",
"LongDistanceBilltype",
"Usage", "RatePlan" ],
"values": [[ 6, "M", "M", 2,
29616, "N", 49.42, 29.78, 0,
45.5, 0, "CH", "FreeLocal",
"Standard", 75.29, 2 ]] }] }
コピー&
ペースト
する

View Slide

6-参考: コピペしたJSONは以下のように項⽬名が"fields"に、その値が
"values"に⼊っています。この属性の顧客が解約するかしないか(CHURN)
を予測します。(customer_churn.csv ID=6のデータと同じです)
94

View Slide

7. 「予測」ボタンをクリックします。
右側に予測結果が表⽰されます。
この場合、予測値はFで確率(probability)は0.9999555620264015です。
95
customer_churn.csv
ID=6のCHURNの値と
⽐べてみましょう。

View Slide

6. 課題

View Slide

課題1.
http://ibm.biz/dojo20200617doc
この資料:
先ほど実施の「 4. Auto AI 課題Demo 」
を完了しましょう

View Slide

バッジプログラム申請課題のご案内
今回の参加課題は課題1の
Watson Studioの管理画⾯（アカウント名表⽰あり）
です。
アカウント名表示が途中で省
略されていてもOKです。

View Slide

課題2(オプション)
チュートリアル: IBM Watson Studio AutoAI: Modeling
for the rest of us
https://www.ibm.com/cloud/garage/dte/tutorial/ibm-watson-studio-
autoai-modeling-rest-us
のCreate an AutoAI model for regression 部分
（それより前のセクションは当講義の内容です)
⽇本語解説へのLink: http://ibm.biz/WatsonStudioTutrialJP
尚、⽇本語解説の画⾯イメージは英語版になります。

View Slide

課題3(オプション)
チュートリアル: IBM Watson Studio AutoAI: Modeling
for the rest of us
https://www.ibm.com/cloud/garage/dte/tutorial/ibm-watson-studio-
autoai-modeling-rest-us
のAccessing a model through a notebook 部分
⽇本語解説へのLink: http://ibm.biz/WatsonStudioTutrialJP

View Slide

参考リンク
IBM Watson Studio ラーニング・パス
https://www.ibm.com/developerworks/jp/library/introduction-watson-
studio/index.html
レベル別に101〜401まで4つのチュートリアルがあります。
201は本⽇の内容とほぼ同じですのでスキップ可能です。

View Slide

7. まとめ
• Watson Studioのはデータ分析の全プロセスで⼀
貫して使えるツール
• AutoAIで簡単に機械学習モデルが作成できる

View Slide

IBM Code Patterns
https://ibm.biz/ibmcodejp
解説 + デモ動画 + ソースコードが揃ったアプリ開発パターン集

View Slide

開発者向けサイト IBM Developer
https://ibm.biz/IBMDevJP
最新情報やスキルアップに役⽴つ6,000を超える技術記事を提供

View Slide

#CallforCode

View Slide

2020 Call for Code グローバル・チャレンジ
今回のテーマは「気候変動」と「COVID-19」
• IBM Cloudを活⽤したアプリ開発コンテスト
• 「⼀般向け*」と「IBMer向け」に開催
4/27 (⽉)
⼀般
COVID19
早期締切
3/22 (⽇)
応募受付
開始
審査期間
8〜9⽉ 10⽉
最優秀賞
チーム発表
6/30 (⽕)
IBM社員
応募受付
最終締切
7/31 (⾦)
⼀般
応募受付
最終締切
* IBM Corporationとその法⼈、それらが所有する⼦会社の51％以上および、
Red Hat Inc.とそのすべての⼦会社は「⼀般向け」Call for Code 2020には
参加できませんのでご注意ください。IBM社員は詳しくは社内w3サイトで。
#CallforCode

View Slide

callforcode.org
⽇本語情報
https://ibm.biz/c4cjapan
⽇本語
English
#CallforCode
Dojo 番外編
マスクずれてるよ︕︖
今晩19:00-20:30
https://ibm-
developer.connpass.com/event/179420/

View Slide

質問&アンケート⼊⼒
はこちら
slido.com
#dojo617
質問タブで質問⼊⼒
⾃分も知りたい質問には
「いいね」をプッシュ!
絵⽂字は表⽰されません
スマホまたはPCでアクセスして
ぜひ⼊⼒お願いします︕
6/17 Auto AI を使ったらくらく機械学習

View Slide

免責事項
109
IBM Developer Dojoは開発者の⽅を対象に、IBM Cloudを主とした技術情報をお伝えする⽬的で開催しています。
講師や運営スタッフにより、開催毎に最適と判断した内容でお届けしています。
現在、ハンズオンを伴う講義はお客様の費⽤負担がない環境と⼿順でご案内しています。講義終了後、不要に
なりました制作物はお客様ご⾃⾝で削除をお願いいたします。クレジットカードの登録が伴わない場合、費⽤は
⼀切発⽣致しませんが、ご登録いただいたお客様はご注意ください。
講師陣はみなさまの利⽤状況を個別に確認することはできません。
ご理解とご協⼒をお願いいたします。
利⽤したサービスの削除⽅法については講義の中でご案内します。
ご不明な点がございましたら、当⽇確認をお願いいたします。
講義終了後、 IBM Developer Dojoに関するお問い合わせは「Slack」にお願いします。それ以外のIBM Cloudの
お問い合わせにつきましては、弊社サポートセンターまで、次のいづれかの⽅法でお問い合わせください。
IBM Cloudダッシュボードの「サポート」メニューから「Case」を作成し、英語でご記⼊ください
IBM Cloudサポートセンター「相談する」ボタンからチャットまたは電話でご連絡ください
https://www.ibm.com/jp-ja/cloud/support
ご参加ありがとうございました。

View Slide

View Slide

初夏のIBM Dojo #6 Auto AI を使ったらくらく機械学習 / IBM Dojo AutoAI ML 20200617

初夏のIBM Dojo #6 Auto AI を使ったらくらく機械学習 / IBM Dojo AutoAI ML 20200617

Kyoko Nishito

More Decks by Kyoko Nishito

Other Decks in Technology

Featured

Transcript