Watson Studioで機械学習ハンズオン / ML Handson with Watson Studio

*注:　https://speakerdeck.com/kyokonishito/ml-handson-with-watson-studio-2019-06-26　に最新版があります。

2019/06/05(水) 10:00 〜 12:00にDeveloper Dojo Shibuyaで開催した「Watson Studio 機械学習入門」の「Watson Studioで機械学習ハンズオン」の資料です。

2019/06/07: ハンズオン時に実際とあっていなかった部分を更新しました。

Transcript

1. Watson Studioで 機械学習 Hands-on ⽇本アイ・ビー・エム(株) デジタル・ビジネス・グループ デベロッパー・アドボカシー事業部 Developer Advocate ⻄⼾ 京⼦ 2019/06/07更新版
2. 2 Introduction to Machine Learning and Artificial Intelligence – Watson Studio Tutorial, Part 2 https://developer.ibm.com/videos/introduction-to-machine- learning-and-artificial-intelligence-watson-studio-tutorial-part-2/ Introduction to Machine Learning and Artificial Intelligence – Watson Studio Tutorial, Part 2 https://developer.ibm.com/videos/introduction-to-machine- learning-and-artificial-intelligence-watson-studio-tutorial-part-3/ このセッションは IBM Developer https://developer.ibm.com/ の 動画を元に作成しています
3. 本⽇の資料 3 http://ibm.biz/ml-handson20190605
4. データ使って ⼼不全を 予測できるでしょうか︖ 4
5. 機械学習 Machine Learning 5 5 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
6. ソリューション: ⼼不全に関するデータを使って、 Watson Studio でモデルを作成し、 トレーニングします 6
7. Watson Studio 7 Model Lifecycle Management マシーンラーニング⽤ランタイム ディープラーニング⽤ランタイム データ分析⽀援ツール Cloud Infrastructure as a Service ⼀つに統合された環境で、AI モデルの構築・トレーニング・ デプロイ・管理を⾏い、データを準備して分析できるツール です。 • IBMクラウドで利⽤可能(Localの 製品もあり) • オープンソースツールとIBMツー ルのベストな組み合わせ • R, Python, Scala⾔語が使⽤可能 • コーディングなしのビジュアルモ デリングツール • 主要なオープンソースの マシーンラーニング⽤ランタイム・ ディープラーニング⽤ランタイム が使⽤可能
8. 本⽇のハンズオンは 8 dog cat cat dog Positive ID: Pug Unknown Unknown Positive ID: Pug 教師あり学習 教師あり学習で Watson Studioのモデルビルダーを 使⽤して学習モデルを作成します。 コーディングはありません。
9. 事前準備: データファイルのダウンロード 9 1. ブラウザーで以下にアクセス https://github.com/IBM/predicti ve-model-on-watson- ml/blob/master/data/patientdat aV6.csv 2. 右上の[ Raw ]ボタンを右ク リックします。 3. Link先を別名で保存.. を選択 し、拡張⼦は必ずcsvに変更し⾃ 分のPCに保存。 ファイル名: patientdataV6.csv
10. 10 4. ダウンロードしたpatientdataV6.csvから テスト⽤データ100レコードを分離して別ファイル test_patientdataV6.csv に保存。 オリジナル 10800レコード 変更後 10700レコード 新ファイル 100レコード 動作テストに使います 事前準備: データファイルのダウンロード patientdataV6.csv patientdataV6.csv test_ patientdataV6.csv
11. 11 オプション: 既に分離済み準備しました patientdataV6.csv(変更後): https://ibm.box.com/v/update-patientdataV6 test_patientdataV6.csv: https://ibm.box.com/v/test-patientdataV6 オリジナル 10800レコード 変更後 10700レコード 新ファイル 100レコード 動作テストに使います 事前準備: データファイルのダウンロード patientdataV6.csv patientdataV6.csv test_ patientdataV6.csv
12. 12 https://ibm.biz/BdzZ9Z 出席確認も兼ねていますので下記のURLよりログインしていない⽅は 再度クリックしてログインお願いします。 前回のセッションでログインした⽅は不要です。 最初はもちろん、IBM Cloudへログイン︕ 1. Watson Studioのセットアップ
13. 1. 「カタログ」をクリック 13 1. Watson Studioのセットアップ
14. 14 ２. リソースの作成 Watson Studio (カテゴリ AI) デプロイする地域/ロケーションの選択は「ダラス」を選択 1. Watson Studioのセットアップ
15. 15 1. ダッシュボードを表⽰ (左上のIBM Cloudロゴをクリック) 2. サービスからWatson Studioのサービスを選択 3. Get Startedを選択して起動 2. Watson Studioの起動
16. 16 1. [Create a Project]をクリックします。 2. [Data Engineering]をクリックします。 3. Projectの作成
17. 17 3. Nameに任意のProject名を⼊れます。 4. [Create]をクリックします。 3. Projectの作成
18. 18 5. Projectの画⾯が表⽰されます 3. Projectの作成
19. 19 1. [Settings]をクリックします。 2. Associated servicesから[+Add services]をクリックして [Watson]を選択 4. サービスの作成と追加
20. 20 3. Machine Learningの[Add]をクリック 4A. [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 。 Machine Learningサービス未作成で初めてWatson Studioを使⽤するAccountの場 合「 WatsonMachineLearning」が⾃動で作成されていますのでそちらを選択して ください。 4. サービスの作成と追加
21. 4B. [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US South になっていることを確認して [ Confirm]をクリック 4. サービスの作成と追加 21 スクロール スクロール
22. 4.サービスの作成と追加 22 6. [Settings] 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。
23. 5. データのアップロード 23 1. 右上にある[0100]アイコンをクリック 2. ダウンロートしたpatientdataV6.csvを右上の点線の四⾓エリアにド ロップ patientdataV6.csv
24. 5. データのアップロード 24 3. ロードが終わったらFilesをクリックしてファイルがあることを確認 4. 最後に✖をクリックしてFile画⾯を閉じる
25. 6. 機械学習モデルの作成 25 1. 上にスクロールし[Assets] をクリックしAsset画⾯を表⽰します。
26. 6. 機械学習モデルの作成 26 2. ModelsのWatson Machine Learning modelsから [+ New Watson Machine Learning model]をクリック
27. 6. 機械学習モデルの作成 27 3. [Name]にモデルの名前を記⼊ 4. Machine Learning Service にMachine Learningのインスタンスが選択さ れていることを確認 5. Select model type: Model builder 6. Select runtime: Default Spark Scala 2.11 7. Manualを選択 8. [Create]をクリック
28. 6. 機械学習モデルの作成 28 9. Select data assetからpatientdataV6.csv を選択し、[Next]をクリック
29. 6. 機械学習モデルの作成 29 9. Select Label ColからHEARTFAILUREを選択。 これは予測したい項⽬です。いわゆる⽬的変数の項⽬です。
30. 6. 機械学習モデルの作成 30 10. その下のFeature Columnsは⼊⼒項⽬です。 いわゆる特徴量あるいは説明変数の項⽬となります。 デフォルト はLabel Colで選択したもの以外全てが選択されています。 今回は全てでよいのでそのままにします。
31. 6. 機械学習モデルの作成 31 11. その下は以下のどのタイプの予測を⾏うかの選択です • Binary Classification: ⼆値分類 (2つのクラス分類） • Multiclass Classification: 多値分類 (複数のクラス分類) • Regression: 回帰 (数値の予測) 今回は⼼不全になったか、ならなかったか, Y または Nの２値予測なので、 Binary Classificationを選択します。
32. 6. 機械学習モデルの作成 32 11. その下は全体で使⽤する各データのレコードの割合となります Train 訓練データ Test 検証データ Holdout テストデータ(モデル作成には使⽤しない) 変更もできますが、今回はそのままで設定します。
33. 6. 機械学習モデルの作成 33 12. 最後に学習に使⽤するモデルを設定します。 右上の[+ Add Estimators]をクリックします。
34. 6. 機械学習モデルの作成 34 13. 使⽤できるモデルとその説明が表⽰されます。 ここでは複数選択が可能です。4つ全てをクリックして選択し最後に [Add]をクリックします。
35. 6. 機械学習モデルの作成 35 *以下がModel Builderで利⽤できるモデルの⼀覧です︓ モデル名 Binary Classification Multiclass Classification Regression Logistic Regression ロジスティック回帰 Y Decision Tree Regression 決定⽊ Y Y Y Random Forest Regression ランダムフォレスト Y Y Y Gradient Boosted Tree Regression 勾配ブースティング決定⽊ Y Y Native Bayes 単純ベイズ分類法 Y Linear Regression 線形回帰 Y Isotonic Regression アイソトニック回帰 Y
36. 6. 機械学習モデルの作成 36 モデルにはそれぞれ特徴があるのですが、 いろいろ試して、 性能のよいモデルを選択するということが可能です とりあえず 中⾝はよくわからなくとも モデル作成ができます。
37. 6. 機械学習モデルの作成 37 14. [Next]をクリックして次に進みます。
38. 6. 機械学習モデルの作成 38 15. モデルのトレーニングが始まります︕
39. 6. 機械学習モデルの作成 39 16. トレーニングと評価が終了すると、結果が表⽰されます。 AUC ROC曲線 AUC PR曲線
40. 6. 機械学習モデルの作成 40 17. とりあえずPERFORMANCEが⼀番よいものを選択し、 [Save]をクリック
41. 6. 機械学習モデルの作成 41 18. Save完了を⽰すウィンドウが表⽰されたら、Closeをクリックします (2回)
42. 6. 機械学習モデルの作成 42 19. Assetの画⾯が表⽰されます。 ModelsのWatson Machine Learning modelsから作成したモデルをクリッ クします。
43. 6. 機械学習モデルの作成 43 20. 保存したモデルの詳細が表⽰されます。
44. 7. 機械学習モデルのデプロイ 44 1. 保存したモデルをWebサービスとしてデプロイします。 [Deployments]をクリックします。
45. 7. 機械学習モデルのデプロイ 45 3. [Add Deployment]をクリックします。
46. 7. 機械学習モデルのデプロイ 46 4. Nameを⼊⼒し、Deployment typeはWeb serviceを選択し、 [Save]をクリック
47. 7. 機械学習モデルのデプロイ 47 5. デプロイが完了しました︕ STAUSがなかなか変わらない場合はリロードしてみてください。
48. 48 機械学習モデルを 使ってみる
49. 8. 機械学習モデルのテスト 49 1. 先ほどの画⾯のNameをクリックします
50. 8. 機械学習モデルのテスト 50 2. Testをクリックします
51. 8. 機械学習モデルのテスト 51 3. 各値を⼊れて、[Predict]をクリックします。 テストする値はtest_patientdataV6.csvの値をを 使ってみましょう。 データ項⽬ 内容 AVGHEARTBEATSPERMIN 平均⼼拍数/分 PALPITATIONSPERDAY 動悸の回数/日 CHOLESTEROL コレステロール BMI BMI AGE 年齢 SEX 性別 FAMILYHISTORY 家族に⼼不全があったか SMOKERLAST5YRS 5年以内の喫煙歴 EXERCISEMINPERWEEK 1週間の運動時間(分)
52. 8. 機械学習モデルのテスト 52 4. 予測される検査結果が確信度とともに表⽰されます
53. 9. 実際にアプリから使うには、、、 53 Implementationをクリックするすると、Webサービスでの呼び出し⽅ 法がcURL,各種⾔語のsnipetで確認できます。
54. 54 モデルをWebサービスとして デプロイすれば、 アプリから呼び出せるように なります︕
55. まとめ • Watson StudioのModel Builderで機械学習のモデルが 簡単に作成できる • 作成したモデルはWebサービスで呼び出しできる
56. 56 Thank you twitter.com/KyokoNishito github.com/kyokonishito developer.ibm.com/jp