Auto AI を使ったらくらく機械学習

Auto AI を使ったらくらく機械学習
Yasushi Osonoi
Developer Advocate

View Slide

小薗井康志
日本IBM Developer Advocacy Group, Client Developer Advocate
ブログ：
https://qiita.com/osonoi (Qiita)
https://blogs.itmedia.co.jp/osonoi/ (IT Media)
Twitter: @osonoi
Facebook: @osonoi
珍しい名前なのでたいがい “osonoi”で発見できます。

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

データ準備
https://ibm.box.com/s/kffmpnngc0mvalghb36381a5mpvas76c
上記URLからデータをダウンロードしてください。

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. まとめ
7. 課題

View Slide

1. 機械学習

View Slide

⼈⼯知能(AI)のサブセット(部分集合)
8
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。
9

View Slide

© 2017 International Business Machines Corporation
今は第三次AIブーム
IBM Watson事業部 / Watson⼊⾨
コレ１枚でわかる第3次AIブームとデータ流通量,
http://blogs.itmedia.co.jp/itsolutionjuku/2017/04/3ai.html

View Slide

エキスパートシステム（専門
分野に特化した人工知能)
「エキスパートシステム」は、あらかじめ「if～then」（も
し～ならばこうする）をたくさん用意しておく
参照︓⼈⼯知能と機械学習の違いって︖ (NTTレゾナントxサイボウズ)
https://www.slideshare.net/shuyo/ai-vsmlpublic-72939220
プログラムのフロー

View Slide

機械学習 Machine Learning
12 12
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
13
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

15
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!
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

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.

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7種類のモデルをサポートしています。
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
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.

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

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

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

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: 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

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8種類のモデルをサポートしています。
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
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.

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7種類のモデルをサポートしています。
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
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.

View Slide

https://qiita.com/makaishi2/items/d6cd449f7a9f7186a833
5. Auto AI ハンズオン

View Slide

5. 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 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

1. データ準備
架空の電話会社の顧客データ bank.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/s/kffmpnngc0mvalghb36381a5mpvas76c
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
テレバンキングデータ bank.csv
Bank Marketing Data Setを利⽤して、電話営業先の顧
客が、商品を購⼊するかどうかを予測するモデルを作り
ます。

View Slide

Bank.csv
個人データ
成約
データ数 4521
Yes: 521
確率 521/4521 = 0.115, 11.5%
４５２１人に電話営業すると５２１人が契約してくれる。

View Slide

全体の流れ
AutoAIプロジェクト
Watson Studio(IBM Cloud Pak for Data)
Bank.csv
トレーニング
用データ
Bankモデル
モデル作成
デプロイメントステージ
Bank.json (csvデータでも可能)
Bankモデル
Webサービス
プロモートして
Webサービスをデプロイ
予測結果

View Slide

5. Auto AIハンズオン
1. データ準備
5. サービスの作成と追加

View Slide

48
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://ibm.biz/BdqAc3 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
49
49

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!

View Slide


View Slide

54
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

55
3. Get Startedを選択して起動
3. Watson Studioの起動

View Slide

1. データ準備
必要に応じてオブジェクトストレージの作成も

View Slide

57
1. Create a project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

58
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

60
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

61
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

62
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

63
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

65
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. New Serviceをクリック
4: Machine Learningを選択、Createをクリック
Machine Learining の左側をチェックを⼊れて右上の”Assosiates service”
をクリックします。
66

View Slide

67
5. 右上のxをクリック[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

69
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

70
3. 名前 : bank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

71
4. 「1. データのダウンロード」でダウンロードしたbank.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。
bank.csv
ドラッグ＆ドロップ

View Slide

72
5. 「予測列の選択」から予測したい項⽬をクリックします。STR y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

73
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

74
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

4521 x 0.1 = 453
確率
Yesだった数/Yesと予告した数 = 60.0 %

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「bankに戻る]をクリックします。
76
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、モデルをクリックします。
77

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。
78

View Slide

11.モデル名をbank 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。
79
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
80

View Slide

1. データ準備

View Slide

全体の流れ
AutoAIプロジェクト
Watson Studio(IBM Cloud Pak for Data)
Bank.csv
トレーニング
用データ
Bankモデル
モデル作成
デプロイメントステージ
Bank.json (csvデータでも可能)
Bankモデル
Webサービス
プロモートして
Webサービスをデプロイ
予測結果

View Slide

1. デプロイメント・スペースにプロモートをクリック
新しいスペースをクリックして任意のスペース名を⼊れて作成をクリック
83

View Slide

1. プロモートをクリックしてください
その後に右上に出てくる“デプロイメント︓スペース”をクリックしてください
84

View Slide

1. プロモートをクリックしてください
もし緑のメニューが消えてしまった場合は左上のIBM Cloud Pak for Dataをク
リック、下に出てくるデプロイメント︓スペースのスペース名（ここでは
Space1)をクリックしてください
85

View Slide

２. モデル名の右側のアイコンをクリックしてデプロイを始めます。
86

View Slide

２. “スペース設定に移動”をクリック
インスタンスの関連付けをクリック
87

View Slide

機械学習サービスの選択をクリック、出てきたMachine-Leaning**をク
リック、その後保存をクリック
インスタンスの関連付けをクリック
88

View Slide

モデル名の右側のアイコンをクリックしてデプロイ開始
89

View Slide

オンラインを選択、名前を⼊⼒、右下の作成をクリック
90
バッチを使えばCSVデータでテストができます。

View Slide

モデル名をクリックしてください。
デプロイメントが出てきます。
91

View Slide

テストを選択してください。
92

View Slide

6. 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。先ほどのフォルダーの
bank.jsonの中⾝を⼊⼒エリアにコピぺしします。
93
コピー&
ペースト
する

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noで確率(probability)は0.9822082258270104です。
94

View Slide

6. 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

他のデータセット
• Day.csv (Bike Sharing Dataset)
• バイクシェアの利⽤数が⽇にちごとにあります。
日付、季節、年、月、祝日、曜日、勤務日、天気、気温、体感温度、湿度、風速、臨時ユーザーの利用数、
登録ユーザーの利用数、全体ユーザーの利用数

View Slide

注意点
全体ユーザの利用数を予測す
るモデルを作る場合
設定で設定で臨時ユーザーの利用数、
登録ユーザーの利用数はチェックを外しておきましょう。

View Slide

結果

View Slide

7. 参考ウェブサイト

View Slide

CSVデータを使ってテストしたい場合はこちらを参照ください。
https://qiita.com/osonoi/items/54cd435d10985b0bae61

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

免責事項
103
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

Auto AI を使ったらくらく機械学習

Auto AI を使ったらくらく機械学習

osonoi

More Decks by osonoi

Other Decks in Technology

Featured

Transcript