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

Auto AI を使ったらくらく機械学習

osonoi
January 26, 2021

Auto AI を使ったらくらく機械学習

osonoi

January 26, 2021
Tweet

More Decks by osonoi

Other Decks in Technology

Transcript

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

    View Slide

  2. 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

  3. 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

  4. 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

  5. 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

  6. 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

  7. 1. 機械学習

    View Slide

  8. 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

  9. 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

  10. © 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

  11. 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

  12. 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

  13. 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

  14. 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)

    View Slide

  15. 機械学習 Machine Learning
    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

  16. 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

  17. 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

  18. (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

  19. (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.

    View Slide

  20. 2. Watson Studio概要

    View Slide

  21. 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

  22. 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

  23. 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

  24. 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

  25. 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

  26. 3. Watson Studio注⽬機能

    View Slide

  27. 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

  28. 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

  29. 4. AutoAI

    View Slide

  30. 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

  31. 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

  32. 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。



    View Slide

  33. 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

    View Slide

  34. 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。

    View Slide

  35. 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。

    View Slide

  36. 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。

    View Slide

  37. 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。



    View Slide

  38. (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

  39. (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.

    View Slide

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

    View Slide

  41. 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

  42. 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

  43. 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

  44. 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

  45. 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

  46. 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

  47. 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. 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

  48. 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

  49. 1. 「カタログ」をクリック
    49
    2. Watson Studioのセットアップ
    49

    View Slide

  50. 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
    2. Watson Studioのセットアップ

    View Slide

  51. 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
    2. Watson Studioのセットアップ

    View Slide

  52. 4. 以下の画⾯が表⽰されたら作成完了です!
    2. Watson Studioのセットアップ

    View Slide

  53. 5. Auto AIハンズオン
    1. Watson Studio のセットアップ
    2. Watson Studio の起動
    3. Watson Studio Projectの作成
    4. サービスの作成と追加
    5. Auto AI モデル作成
    6. Auto AI Deploy & テスト

    View Slide

  54. 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. 55
    3. Get Startedを選択して起動
    3. Watson Studioの起動

    View Slide

  56. 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
    必要に応じてオブジェクトストレージの作成も
    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

  57. 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. 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

  59. 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. 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
    4.プロジェクトの作成

    View Slide

  61. 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。
    4.プロジェクトの作成

    View Slide

  62. 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
    4.プロジェクトの作成

    View Slide

  63. 63
    6. プロジェクトの画⾯が表⽰されます
    4.プロジェクトの作成

    View Slide

  64. 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. 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

  65. 5. サービスの作成と追加
    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

  66. 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。
    5. サービスの作成と追加
    66

    View Slide

  67. 5. サービスの作成と追加
    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

  68. 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. 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

  69. 6. Auto AI モデル作成
    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. 6. Auto AI モデル作成
    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. 6. Auto AI モデル作成
    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. 6. Auto AI モデル作成
    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. 6. Auto AI モデル作成
    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. 6. Auto AI モデル作成
    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

  75. 4521 x 0.1 = 453
    確率
    Yesだった数/Yesと予告した数 = 60.0 %

    View Slide

  76. 6. Auto AI モデル作成
    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

  77. 6. Auto AI モデル作成
    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

  78. 6. Auto AI モデル作成
    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

  79. 6. Auto AI モデル作成
    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

  80. 6. Auto AI モデル作成
    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

  81. 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. 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. 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

  83. 7. Auto AI Deploy & テスト
    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

  84. 7. Auto AI Deploy & テスト
    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

  85. 7. Auto AI Deploy & テスト
    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

  86. 7. Auto AI Deploy & テスト
    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

  87. 7. Auto AI Deploy & テスト
    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

  88. 7. Auto AI Deploy & テスト
    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

  89. 7. Auto AI Deploy & テスト
    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

  90. 7. Auto AI Deploy & テスト
    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

  91. 7. Auto AI Deploy & テスト
    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

  92. 7. Auto AI Deploy & テスト
    テストを選択してください。
    92

    View Slide

  93. 7. Auto AI Deploy & テスト
    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

  94. 7. Auto AI Deploy & テスト
    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

  95. 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

  96. 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

  97. 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

  98. 結果

    View Slide

  99. 7. 参考ウェブサイト

    View Slide

  100. 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

  101. 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

  102. 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

  103. 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

  104. View Slide