Auto AI を使ったらくらく機械学習

by osonoi

Slide 1

Slide 1 text

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

Slide 2

Slide 2 text

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。

Slide 3

Slide 3 text

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。 https://ibm.biz/BdqAc3 アカウント未登録の⽅もこちらから登録お願いします。

Slide 4

Slide 4 text

質問&ライブ投票参加はこちら slido.com #dojo1104 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! スマホまたはPCでアクセスしてぜひ参加お願いします︕ https://app.sli.do/event/swlbd7oy

Slide 5

Slide 5 text

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

Slide 6

Slide 6 text

データ準備 http://ibm.biz/dojo20201104 上記URLからデータをダウンロードしてください。

Slide 7

Slide 7 text

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

Slide 8

Slide 8 text

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

Slide 9

Slide 9 text

1. 機械学習

Slide 10

Slide 10 text

⼈⼯知能(AI)のサブセット(部分集合) 10 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

Slide 11

Slide 11 text

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。 11

Slide 12

Slide 12 text

Slide 13

Slide 13 text

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

Slide 14

Slide 14 text

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

Slide 15

Slide 15 text

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

Slide 16

Slide 16 text

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)

Slide 17

Slide 17 text

機械学習 Machine Learning 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

Slide 18

Slide 18 text

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)

Slide 19

Slide 19 text

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

Slide 20

Slide 20 text

(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.

Slide 21

Slide 21 text

(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.

Slide 22

Slide 22 text

2. Watson Studio概要

Slide 23

Slide 23 text

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

Slide 24

Slide 24 text

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

Slide 25

Slide 25 text

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

Slide 26

Slide 26 text

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

Slide 27

Slide 27 text

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

Slide 28

Slide 28 text

3. Watson Studio注⽬機能

Slide 29

Slide 29 text

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)

Slide 30

Slide 30 text

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。

Slide 31

Slide 31 text

4. AutoAI

Slide 32

Slide 32 text

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。

Slide 33

Slide 33 text

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

Slide 34

Slide 34 text

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。 ① ② ③

Slide 35

Slide 35 text

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

Slide 36

Slide 36 text

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。

Slide 37

Slide 37 text

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。

Slide 38

Slide 38 text

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。

Slide 39

Slide 39 text

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。 ② ③ ①

Slide 40

Slide 40 text

Slide 41

Slide 41 text

Slide 42

Slide 42 text

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

Slide 43

Slide 43 text

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

Slide 44

Slide 44 text

Slide 45

Slide 45 text

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︓ http://ibm.biz/dojo20201104 右上のダウンロードボタンをクリックして保存します。

Slide 46

Slide 46 text

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。

Slide 47

Slide 47 text

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。

Slide 48

Slide 48 text

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

Slide 49

Slide 49 text

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

Slide 50

Slide 50 text

50 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

Slide 51

Slide 51 text

1. 「カタログ」をクリック 51 2. Watson Studioのセットアップ 51

Slide 52

Slide 52 text

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

Slide 53

Slide 53 text

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

Slide 54

Slide 54 text

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

Slide 55

Slide 55 text

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

Slide 56

Slide 56 text

56 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

Slide 57

Slide 57 text

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

Slide 58

Slide 58 text

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

Slide 59

Slide 59 text

59 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

Slide 60

Slide 60 text

60 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

Slide 61

Slide 61 text

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

Slide 62

Slide 62 text

62 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

Slide 63

Slide 63 text

63 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

Slide 64

Slide 64 text

64 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

Slide 65

Slide 65 text

65 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

Slide 66

Slide 66 text

Slide 67

Slide 67 text

5. サービスの作成と追加 67 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

Slide 68

Slide 68 text

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 68

Slide 69

Slide 69 text

5. サービスの作成と追加 69 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。

Slide 70

Slide 70 text

Slide 71

Slide 71 text

6. Auto AI モデル作成 71 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。

Slide 72

Slide 72 text

6. Auto AI モデル作成 72 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

Slide 73

Slide 73 text

6. Auto AI モデル作成 73 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

Slide 74

Slide 74 text

6. Auto AI モデル作成 74 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。

Slide 75

Slide 75 text

6. Auto AI モデル作成 75 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。

Slide 76

Slide 76 text

6. Auto AI モデル作成 76 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

Slide 77

Slide 77 text

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

Slide 78

Slide 78 text

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。 78 機能の重要度=特徴量の重要度

Slide 79

Slide 79 text

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。 79

Slide 80

Slide 80 text

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。 80

Slide 81

Slide 81 text

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。 81 もし、この表⽰が消えてしまった場合は次⾴参照

Slide 82

Slide 82 text

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 82

Slide 83

Slide 83 text

Slide 84

Slide 84 text

Slide 85

Slide 85 text

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 85

Slide 86

Slide 86 text

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 86

Slide 87

Slide 87 text

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 87

Slide 88

Slide 88 text

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。 88

Slide 89

Slide 89 text

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 89

Slide 90

Slide 90 text

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 90

Slide 91

Slide 91 text

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 91

Slide 92

Slide 92 text

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 92 バッチを使えばCSVデータでテストができます。

Slide 93

Slide 93 text

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。 93

Slide 94

Slide 94 text

7. Auto AI Deploy & テストテストを選択してください。 94

Slide 95

Slide 95 text

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。 95 コピー& ペーストする

Slide 96

Slide 96 text

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。 96

Slide 97

Slide 97 text

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

Slide 98

Slide 98 text

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

Slide 99

Slide 99 text

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。

Slide 100

Slide 100 text

結果

Slide 101

Slide 101 text

7. 参考ウェブサイト

Slide 102

Slide 102 text

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

Slide 103

Slide 103 text

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

Slide 104

Slide 104 text

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

Slide 105

Slide 105 text

Slide 106

Slide 106 text

免責事項 106 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。

Slide 107

Slide 107 text

No content