Slide 1

Slide 1 text

"*ϋϯζΦϯ "VUP"*ػցֶश ෼ྨϞσϧ࡞੒ ੢ށ ژࢠ ,ZPLP/JTIJUP ೔ຊΞΠɾϏʔɾΤϜגࣜձࣾ ςΫϊϩδʔࣄۀ෦ %BUB"*5FDIOJDBM4BMFT

Slide 2

Slide 2 text

੢ށ ژࢠ ೔ຊΞΠɾϏʔɾΤϜגࣜձࣾ ςΫϊϩδʔࣄۀ෦ %BUB"*5FDIOJDBM4BMFT github.com/kyokonishito twitter.com/KyokoNishito www.linkedin.com/in/kyokonishito qiita.com/nishikyon speakerdeck.com/kyokonishito ೔ຊ*#.ʹͯओʹ*#.ͷࣾ಺γεςϜ։ൃɾอकʹैࣄ͠ɺཁ ݅ఆ͔ٛΒอक·Ͱɺ։ൃऀɾ1.ɾΞʔΩςΫτͱͯ͠೔ຊɺ "1֤ࠃͷੜ࢈؅ཧγεςϜ΍ߪങγεςϜɺ*5ࢿ࢈؅ཧγε ςϜ ౳ɺ෯޿͘ܦݧ͖ͯ͠·ͨ͠ɻͦͷޙ*#.%FWFMPQFS "EWPDBUFͱͯ͠։ൃऀ΁ͷܒ໤׆ಈΛߦ͍ͬͯ·ͨ͠ɻ ݱࡏ͸%BUB"*ͷςΫχΧϧɾηʔϧε΍͍ͬͯ·͢ɻ 8PNFOJO%BUB4DJFODF 5PLZP!*#. ։࠵ ୈ ճ ೔ຊ౷ܭֶձ౷ܭڭҭ৆ ड৆ 2

Slide 3

Slide 3 text

ຊ೔ͷ໨తͱΰʔϧ ໨త ػցֶशͷ֓ཁΛཧղ͠ɺ8BUTPO4UVEJP͔Β"VUP"*Λ࢖͑Δ Α͏ʹͳΔ ΰʔϧ "VUP"*Λ࢖ͬͯ෼ྨͷػցֶशϞσϧΛ࡞੒Ͱ͖ΔΑ͏ʹͳ Δ 3

Slide 4

Slide 4 text

ຊ೔ͷઆ໌ॱং ػցֶशΠϯτϩμΫγϣϯ 8BUTPO4UVEJPͷ͝঺հ "VUP"*ͷ͝঺հ "VUP"*ϋϯζΦϯ ·ͱΊ 4

Slide 5

Slide 5 text

1. 機械学習イントロダクション 5

Slide 6

Slide 6 text

⼈⼯知能(AI)のサブセット(部分集合) 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 6

Slide 7

Slide 7 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。 7

Slide 8

Slide 8 text

機械学習 Machine Learning 8 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 9

Slide 9 text

今までのやり⽅ -- Traditional データ ルール if BPM-BMI > 60: result = True else: result = False 結果 アルゴリズム 9

Slide 10

Slide 10 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) 10

Slide 11

Slide 11 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) ルール (学習済モデル) 予測したい データ 予測結果 11

Slide 12

Slide 12 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) 12

Slide 13

Slide 13 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 13

Slide 14

Slide 14 text

2. Watson Studioのご紹介 14

Slide 15

Slide 15 text

8BUTPO4UVEJPͷಛ௃ r෼ੳͷશϓϩηεͰҰ؏ͯ͠࢖͑Δπʔϧ r *#.$MPVEͷ4BB4 4PGUXBSFBTB4FSWJDF ͱͯ͠ར༻͕ՄೳͰ͢ɻ 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 15

Slide 16

Slide 16 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 16

Slide 17

Slide 17 text

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 17

Slide 18

Slide 18 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 18

Slide 19

Slide 19 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 19

Slide 20

Slide 20 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) 20

Slide 21

Slide 21 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) 今回はAutoAI︕ 21

Slide 22

Slide 22 text

"VUP"*ͷ͝঺հ 22

Slide 23

Slide 23 text

AutoAIとは 23 "VUP.- ʮ"VUPNBUFE.BDIJOF-FBSOJOHʢࣗಈԽ͞ΕͨػցֶशʣʯͷུশͰ͢ɻ ࣗಈԽ͞Εͨػցֶशʢ"VUP.-ʣ͸ɺػցֶशϞσϧʢ.-ϞσϧʣΛߏ ஙͯ͠τϨʔχϯά͢ΔࡍʹσʔλαΠΤϯςΟετ͕ߦΘͳ͚Ε͹ͳΒ ͳ͍खಈλεΫΛࣗಈԽ͢ΔϓϩηεͰ͢ɻ "VUP"* "VUP"*͸8BUTPO 4UVEJP্Ͱ࣮ߦͰ͖Δ*#.͕։ൃͨ͠"VUP .-ͷ࢓૊Έ Ͱ͢ɻػցֶशʹৄ͘͠ͳ͍ϢʔβͰ͋ͬͯ΋ɺ$47ϑΝΠϧͱϚ΢εૢ ࡞Ͱ؆୯ʹػցֶशϞσϧΛ࡞Γɺ༧ଌΛ࣮ࢪՄೳͰ͢ɻ

Slide 24

Slide 24 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。 24

Slide 25

Slide 25 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 25

Slide 26

Slide 26 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 26

Slide 27

Slide 27 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 27

Slide 28

Slide 28 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。 28

Slide 29

Slide 29 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。 29

Slide 30

Slide 30 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。 30

Slide 31

Slide 31 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 31

Slide 32

Slide 32 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. 32

Slide 33

Slide 33 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. 33

Slide 34

Slide 34 text

4. Auto AI ハンズオン ػցֶश ෼ྨϞσϧ࡞੒ 34

Slide 35

Slide 35 text

4. 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 プロジェクトの作成 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 35

Slide 36

Slide 36 text

36 ຊ೔࢖༻͢Δֶशσʔλ ػցֶशͷαϯϓϧʹΑ͘࢖ΘΕΔ ΞΠϦεσʔληοτΛ࢖༻͠·͢ɻ ௨ৗ͸σʔλΛ࢖͑ΔΑ͏ʹ͢ΔσʔλΫϨϯδϯά࡞ۀ͕ඞཁͰ͕͢ɺ͜ͷσʔλ͸ΫϨϯδϯάෆཁͰ͢ʣ छྨͷ͋΍Ί *SJTΞΠϦε ͷ਺஋σʔλ • 4&1"--&/(5)͕͘ͷ௕͞ DN • 4&1"-8*%5)͕͘ͷ෯ DN • 1&5"--&/(5)ՖͼΒͷ௕͞ DN • 1&5"-8*%5)ՖͼΒͷ෯ DN • $-"44*SJTTFUPTB ητφ *SJTWFSTJDPMPVS όʔγΫϧ *SJTWJSHJOJDB όʔδχΧ

Slide 37

Slide 37 text

37 ༧ଌ͢Δ಺༰ ͕͘ͷ௕͞ɺ͕͘ͷ෯ɺՖͼΒͷ௕͞ɺՖͼΒͷ෯͔Β Ͳͷ͋΍Ίͷछྨ͔Λ༧ଌ • 4&1"--&/(5)͕͘ͷ௕͞ DN • 4&1"-8*%5)͕͘ͷ෯ DN • 1&5"--&/(5)ՖͼΒͷ௕͞ DN • 1&5"-8*%5)ՖͼΒͷ෯ DN • $-"44 *SJTTFUPTB ητφ *SJTWFSTJDPMPVS όʔγΫϧ *SJTWJSHJOJDB όʔδχΧ (あやめの種類)

Slide 38

Slide 38 text

࢖༻σʔλ ͋Β͔͡Ί"VUP"*Ͱ࢖͏σʔλͱ ಈ࡞ςετʹ࢖༻͢ΔσʔλΛ෼͚ͯ͋Γ·͢ オリジナル 150レコード または Iris_test.json テスト⽤ 10レコード 動作テストに使います AutoAI⽤ 140レコード 38

Slide 39

Slide 39 text

ハンズオン全体の流れ プロジェクト IBM Watson Studio (IBM Cloud Pak for Data) iris.csv トレーニング⽤データ Irisモデル 機械学習 (AutoAI) iris_test.csv 新たなデータ Webサービス モデルをプロモートして Webサービスとしてデプロイ 予測結果 デプロイメント・スペース Machine Learning サービス 39

Slide 40

Slide 40 text

"VUP"*ϋϯζΦϯ 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 プロジェクトの作成 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 40

Slide 41

Slide 41 text

1. データ準備 アイリスデータセット 学習⽤データ iris.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/20211124iris 右上のダウンロードボタンをクリックして保存します。 • SEPAL LENGTH: がくの⻑さ cm • SEPAL WIDTH : がくの幅 cm • PETAL LENGTH: 花びらの⻑さ cm • PETAL WIDTH : 花びらの幅 cm • CLASS: Iris-setosa(セトナ), Iris-versicolour(バーシクル), Iris-virginica (バージニカ)41

Slide 42

Slide 42 text

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 "VUP"*ϋϯζΦϯ 42

Slide 43

Slide 43 text

43 8BUTPO4UVEJPͷηοτΞοϓ • IBM Cloud ログイン https://cloud.ibm.com/loginにアクセスしてログインします。

Slide 44

Slide 44 text

1. 「カタログ」をクリック 44 8BUTPO4UVEJPͷηοτΞοϓ 44

Slide 45

Slide 45 text

̎ݕࡧϑΟʔϧυʹ8BUTPO 4UVEJPͱೖΕɺදࣔ͞ΕͨϦετͷ ʮ8BUTPO 4UVEJPʯΛબ୒ɻ 8BUTPO4UVEJPͷηοτΞοϓ 45

Slide 46

Slide 46 text

ϩέʔγϣϯͷબ୒͸ʮμϥε VTTPVUI ʯΛબ୒ɻ ϓϥϯ͸ʮϥΠτʯΛ֬ೝ͠ɺӈଆͷʮҎԼͷ͝࢖༻৚݅ΛಡΈɺಉҙ͠ ·͢ʯʹνΣοΫΛೖΕɺʮ࡞੒ʯΛΫϦοΫɻ 8BUTPO4UVEJPͷηοτΞοϓ 46 ౦ژ΋બ୒Ͱ͖·͕͢ɺ ೔໨ʹߦ͏ϕʔλͷ࣌ܥ ྻ༧ଌ͕ݱࡏ ࣮૷͞Εͯͳ͍ͨΊɺμϥ εΛબ୒͠·͢ɻ

Slide 47

Slide 47 text

ҎԼͷը໘͕දࣔ͞ΕͨΒ࡞੒׬ྃͰ͢ 8BUTPO4UVEJPͷηοτΞοϓ 47

Slide 48

Slide 48 text

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 プロジェクトの作成 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 "VUP"*ϋϯζΦϯ

Slide 49

Slide 49 text

49 ϦιʔεϦετΛදࣔ *#.$MPVEϩΰͷࠨԣͷϋϯόʔΨɾϝχϡʔΛΫϦοΫ ϦιʔεɾϦετΛબ୒ 8BUTPO4UVEJPͷىಈ

Slide 50

Slide 50 text

50 αʔϏε͓Αͼιϑτ΢ΣΞͷ8BUTPO4UVEJPYYΛબ୒ YY͸ਓʹΑͬͯҧ ͍·͢ 8BUTPO4UVEJPͷىಈ

Slide 51

Slide 51 text

51 -BVODIJO*#.$MPVE1BLGPS%BUBΛબ୒ͯ͠ىಈ ৽͍͠ϒϥ΢β͕։͖·͢ 8BUTPO4UVEJPͷىಈ

Slide 52

Slide 52 text

52 ʮ৘ใΛೖྗͯ͠ଓߦ͍ͯͩ͘͠͞ʯ͕දࣔ͞Εͨ৔߹͸ɺద౰ͳి࿩ ൪߸ΛೖΕͯɺʮଓߦʯΛΫϦοΫ͍ͯͩ͘͠͞ɻ ʮ$MPVE1BLGPS%BUB΁Α͏ͦ͜ɻʯͷ΢Πϯυ΢͕දࣔ͞Εͨ৔߹͸9 ΛΫϦοΫͯ͠ফ͠·͢ɻ 8BUTPO4UVEJPͷىಈ

Slide 53

Slide 53 text

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 プロジェクトの作成 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 "VUP"*ϋϯζΦϯ 53

Slide 54

Slide 54 text

ハンズオン全体の流れ プロジェクト IBM Watson Studio (IBM Cloud Pak for Data) iris.csv トレーニング⽤データ Irisモデル 機械学習 (AutoAI) iris_test.csv 新たなデータ Webサービス モデルをプロモートして Webサービスとしてデプロイ 予測結果 デプロイメント・スペース Machine Learning サービス 54

Slide 55

Slide 55 text

55 <ϓϩδΣΫτͷ࡞੒>ΛΫϦοΫ͠·͢ɻ <ۭͷϓϩδΣΫτΛ࡞੒>ΛΫϦοΫ͠·͢ɻ ϓϩδΣΫτͷ࡞੒

Slide 56

Slide 56 text

56 ໊લʹ೚ҙͷϓϩδΣΫτ໊ΛೖΕ·͢ɻ ͜͜Ͱ͸"VUP"*8PSLTIPQͰ࡞੒͠·͢ ʮετϨʔδͷఆٛʯʹʮ௥Ճʯͱදࣔ͞Ε͍ͯΔ৔߹͸"ʹਐΈ·͢ɻ ͦΕҎ֎͸#ʹਐΈ·͢ɻ ϓϩδΣΫτͷ࡞੒

Slide 57

Slide 57 text

"0CKFDU4UPSBHFະ࡞੒ͷ৔߹ " ετϨʔδͷఆٛ ͷᶃετϨʔδɾαʔϏεͷબ୒͔Βʮ௥ՃʯΛΫ ϦοΫ͠·͢ɻ ϓϩδΣΫτͷ࡞੒

Slide 58

Slide 58 text

58 "ϥΠτ͕બ୒͞Ε͍ͯΔ͜ͱΛ֬ೝͯ͠<࡞੒>ΛΫϦοΫ͠·͢ɻ ϓϩδΣΫτͷ࡞੒

Slide 59

Slide 59 text

59 " ৽نϓϩδΣΫτͷը໘ʹͳΔͷͰɺετϨʔδͷఆٛ ͷᶄ࠷৽දࣔ ΛΫϦοΫ͠·͢ɻ " ετϨʔδ͕දࣔ͞Εͨޙɺ<࡞੒>ΛΫϦοΫ͠·͢ɻ ʹਐΜͰ͍ͩ͘͞ ϓϩδΣΫτͷ࡞੒

Slide 60

Slide 60 text

60 #0CKFDU4UPSBHF࡞੒ࡁͷ৔߹ # <࡞੒>ΛΫϦοΫ ͨͩ͠0CKFDU4UPSBHFΛෳ਺࡞੒͍ͯ͠Δ৔߹͸ɺ࢖༻͍ͨ͠0CKFDU 4UPSBHFΛબ୒ޙʹ<࡞੒>ΛΫϦοΫ ϓϩδΣΫτͷ࡞੒

Slide 61

Slide 61 text

61 ϓϩδΣΫτͷը໘͕දࣔ͞Ε·͢ ϓϩδΣΫτͷ࡞੒

Slide 62

Slide 62 text

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 プロジェクトの作成 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 "VUP"*ϋϯζΦϯ

Slide 63

Slide 63 text

ハンズオン全体の流れ プロジェクト IBM Watson Studio (IBM Cloud Pak for Data) iris.csv トレーニング⽤データ Irisモデル 機械学習 (AutoAI) iris_test.csv 新たなデータ Webサービス モデルをプロモートして Webサービスとしてデプロイ 予測結果 デプロイメント・スペース Machine Learning サービス

Slide 64

Slide 64 text

64 <ઃఆ>ΛΫϦοΫ͠·͢ɻ ԼʹεΫϩʔϧͯ͠ɺؔ࿈αʔϏεͷ<αʔϏεͷ௥Ճ>ΛΫϦοΫͯ͠ <8BUTPO>Λબ୒ αʔϏεͷ࡞੒ͱ௥Ճ

Slide 65

Slide 65 text

ʮ৽نαʔϏεʯΛΫϦοΫ .BDIJOF-FBSOJOHΛબ୒ɺϓϥϯʮϥΠτʯʹνΣοΫ͕͞Ε͍ͯΔ͜ ͱΛ֬ೝ͠ɺʮ࡞੒ʯΛΫϦοΫ .BDIJOF-FBSOJOHࠨଆʹνΣοΫΛೖΕɺӈ্ͷ<αʔϏεͷؔ࿈෇͚> ΛΫϦοΫ͠·͢ɻ 65 αʔϏεͷ࡞੒ͱ௥Ճ

Slide 66

Slide 66 text

66 ӈ্ͷYΛΫϦοΫ<ઃఆ> ͷը໘ʹ໭Γ·͢ɻ ؔ࿈αʔϏεʹ௥Ճͨ͠αʔϏεͷΠϯελϯε͕௥Ճ͞Ε͍ͯΔ͜ͱΛ֬ ೝ͠·͢ɻ ˞ΫϦοΫ͠ ͯด͡·͢ ˞໊લ͕ҟͳΔ৔߹͕͋Γ·͕͢ɺ໰୊͋Γ·ͤΜ αʔϏεͷ࡞੒ͱ௥Ճ

Slide 67

Slide 67 text

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 プロジェクトの作成 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 "VUP"*ϋϯζΦϯ

Slide 68

Slide 68 text

ハンズオン全体の流れ プロジェクト IBM Watson Studio (IBM Cloud Pak for Data) iris.csv トレーニング⽤データ Irisモデル 機械学習 (AutoAI) iris_test.csv 新たなデータ Webサービス モデルをプロモートして Webサービスとしてデプロイ 予測結果 デプロイメント・スペース Machine Learning サービス

Slide 69

Slide 69 text

"VUP"*Ϟσϧ࡞੒ 69 ը໘ͷӈ্ʹ͋ΔʮϓϩδΣΫτʹ௥ՃʯΛΫϦοΫ͠·͢ɻ දࣔ͞Εͨ΢Οϯυ΢ͷʮ"VUP"* ΤΫεϖϦϝϯτʯΛΫϦοΫ͠·͢ɻ

Slide 70

Slide 70 text

"VUP"*Ϟσϧ࡞੒ 70 ໊લ *SJTΛೖྗ͠ɺ ࣗ෼ͷ8BUTPO.BDIJOF-FBSOJOHαʔϏεΠϯελϯε͕ηοτ͞Εͯ ͍ΔͷΛ֬ೝͯ͠ɺ<࡞੒>ΛΫϦοΫ ʮෳ਺ͷιʔεΛαϙʔτʯ ͱ͍͏΢Οϯυ΢͕දࣔ͞Ε ͨΒʮྃղʯΛΫϦοΫͯ͠ ͍ͩ͘͞ɻ ˞໊લ͕ҟͳΔ৔߹͕͋Γ·͕͢ɺ ໰୊͋Γ·ͤΜ

Slide 71

Slide 71 text

71 ʮσʔλͷμ΢ϯϩʔυʯͰμ΢ϯϩʔυͨ͠JSJTDTW Λυϥοάˍυϩοϓͯ͠ σʔλΛΞοϓϩʔυ͠·͢ɻ iris.csv ドラッグ&ドロップ "VUP"*Ϟσϧ࡞੒

Slide 72

Slide 72 text

72 ʮ࣌ܥྻ༧ଌΛ࡞੒͠·͔͢ ʯ͸ʮ͍͍͑ʯΛΫϦοΫ͠·͢ɻ ϩέʔγϣϯ͕μϥεͷ৔߹ͷΈදࣔ͞Ε·͢ "VUP"*Ϟσϧ࡞੒

Slide 73

Slide 73 text

73 ʮ༧ଌྻͷબ୒ʯ͔Β༧ଌ͍߲ͨ͠໨ΛΫϦοΫ͠·͢ɻ$-"44Λબ୒͠ ·͢ɻ ʮ ΤΫεϖϦϝϯτͷ࣮ߦʯΛΫϦοΫͯ͠ɺϞσϧ࡞੒Λ։࢝͠·͢ɻ "VUP"*Ϟσϧ࡞੒

Slide 74

Slide 74 text

74 ࣮ߦ͸ෳ਺ͷεςοϓΛܦͯɺͭͷϞσϧΛੜ੒͠·͢ɻ͜ͷϓϩηε ʹ͸ʙ෼͔͔Γ·͢ ͜ͷσʔλͷ৔߹ ࣌ؒ͸σʔλͷྔʹΑΓ·͢ ɻ ʮΤΫεϖϦϝϯτ׬ྃ ʯ͕දࣔ͞ΕΔ·Ͱ଴ͪ·͢ɻ "VUP"*Ϟσϧ࡞੒

Slide 75

Slide 75 text

75 ԼʹεΫϩʔϧ͢Δͱɺ࡞੒͞ΕͨϞσϧͷಛੑ͕Θ͔Γ·͢ɻҰ൪্ͷ Ϟσϧ͕ઃఆ͞Εͨج४Ͱ࠷΋Α͍ϞσϧͱͳΓ·͢ɻ Ұ൪্ͷߦΛΫϦοΫͯ͠ಛੑΛݟͯΈ·͢ɻ 評価基準(変更可能) クリック "VUP"*Ϟσϧ࡞੒

Slide 76

Slide 76 text

ϞσϧධՁɺద߹཰࠶ݱ཰ 13 ۂઢɺϞσϧ৘ใɺಛ௃ྔͷαϚϦʔͳ Ͳɺ͞·͟·ͳϝτϦοΫΛ֬ೝͰ͖·͢ɻ ֬ೝޙɺը໘ͷࠨ্ʹ͋Δ<9>ΛΫϦοΫͯ͠લͷը໘ʹ໭Γ·͢ɻ 76 "VUP"*Ϟσϧ࡞੒

Slide 77

Slide 77 text

11. 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。 77 "VUP"*Ϟσϧ࡞੒

Slide 78

Slide 78 text

ʮϞσϧʯ͕બ୒͞Ε͍ͯΔ͜ͱΛ֬ೝ͠ɺ Ϟσϧͷ໊લΛʰ*SJTNPEFMʱʹมߋͯ͠ɺ<࡞੒>ΛΫϦοΫ͠·͢ɻ 78 "VUP"*Ϟσϧ࡞੒

Slide 79

Slide 79 text

อଘ͕׬ྃ͢Δͱӈ্ʹҎԼͷΑ͏ͳ΢Οϯυ΢͕දࣔ͞ΕΔͷͰ ʮ ϓϩδΣΫτʹදࣔ ʯΛΫϦοΫ͠·͢ɻ 79 ΋͠ɺ͜ͷද͕ࣔফ͑ͯ͠·ͬͨ৔߹͸࣍ทࢀর "VUP"*Ϟσϧ࡞੒

Slide 80

Slide 80 text

" ʮϓϩδΣΫτʹදࣔ ʯ͕ফ͑ͯ͠·ͬͨ৔߹͸ɺ্෦φϏήʔ γϣϯΑΓϓϩδΣΫτ໊ΛΫϦοΫɺࢿ࢈λϒΛΫϦοΫɺԼʹε Ϋϩʔϧͯ͠ɺϞσϧͷԼͷઃఆͨ͠Ϟσϧ໊ΛΫϦοΫ 80 "VUP"*Ϟσϧ࡞੒

Slide 81

Slide 81 text

4. Auto AI 課題Demo 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 82

Slide 82 text

ハンズオン全体の流れ プロジェクト IBM Watson Studio (IBM Cloud Pak for Data) iris.csv トレーニング⽤データ Irisモデル 機械学習 (AutoAI) iris_test.csv 新たなデータ Webサービス モデルをプロモートして Webサービスとしてデプロイ 予測結果 デプロイメント・スペース Machine Learning サービス

Slide 83

Slide 83 text

"VUP"*%FQMPZςετ <σϓϩΠϝϯτɾεϖʔεʹϓϩϞʔτ>ΛΫϦοΫ දࣔ͞ΕͨʮεϖʔεͷϓϩϞʔτʯϖʔδͷλʔήοτɾεϖʔε͔Β ʮ৽نσϓϩΠϝϯτɾεϖʔεͷ࡞੒ʯΛΫϦοΫ 83 「Space1」など

Slide 84

Slide 84 text

"VUP"*%FQMPZςετ දࣔ͞ΕͨʮσϓϩΠϝϯτɾεϖʔεͷ࡞੒ʯϖʔδͷʮ໊લʯʹ ʮ4QBDFʯΛೖྗͯ͠࡞੒ΛΫϦοΫɻ ʮεϖʔεͷ४උ͕׬ྃ͠·ͨ͠ʯ͕දࣔ͞ΕͨΒɺʮด͡ΔʯΛΫϦοΫɻ 84

Slide 85

Slide 85 text

4. 「プロモート」をクリック。 プロモートが完了すると、プロジェクトの資産画⾯が表⽰されます。右上に 表⽰されたメッセージ内の「デプロイメント・スペース」をクリックしてく ださい。 85 "VUP"*%FQMPZςετ ΋͠ɺ͜ͷද͕ࣔফ͑ͯ͠·ͬͨ৔߹ ͸࣍ทࢀর

Slide 86

Slide 86 text

4A. もし、メッセージを閉じてしまった場合は以下の⽅法でデプロイメントス ペースを開きます。 左上の「ナビゲーションメニュー」を開き、「デプロイメント・スペース」 の下の「Space1」 をクリックしてください。 86 "VUP"*%FQMPZςετ

Slide 87

Slide 87 text

5. 以下のウィンドウが表⽰された場合は[X]をクリックして閉じてください。 87 "VUP"*%FQMPZςετ [概要]が表⽰された場合は[管理]タブをクリックしてください。 (メッセージから開いた場合は資産、ナビゲーションメニューから開いた場合 は概要が表⽰されています)

Slide 88

Slide 88 text

ػցֶशαʔϏεͷ<Πϯελϯεͷؔ࿈෇͚>ΛΫϦοΫ͠ɺʮػցֶ शαʔϏεͷબ୒ʯͷυϩοϓμ΢ϯϦετ͔Βɺ දࣔ͞Εͨ.BDIJOF-FBOJOHYYΛΫϦοΫ͠·͢ɻ YY͸ਓʹΑͬͯҧ͍·͢ 88 "VUP"*%FQMPZςετ

Slide 89

Slide 89 text

7.「資産」タブをクリックします。 Iris Modelの⾏にマウスポインタを重ねると、右側に「デプロイ」アイコ ンが表⽰れますので、クリックしてデプロイ作業を始めます。 89 "VUP"*%FQMPZςετ

Slide 90

Slide 90 text

ΦϯϥΠϯΛબ୒͠ɺ໊લʹʰ*SJTʱΛೖྗɺӈԼͷ࡞੒ΛΫϦοΫ͠·͢ 90 όονΛ࢖͑͹$47σʔλͰςετ͕Ͱ͖·͢ɻ 1Λࢀর "VUP"*%FQMPZςετ

Slide 91

Slide 91 text

Ϟσϧ໊ *SJT.PEFMΛΫϦοΫ 91 "VUP"*%FQMPZςετ

Slide 92

Slide 92 text

ঢ়گ͕ʮσϓϩΠࡁΈʯʹͳͬͨΒɺ*SJTΛΫϦοΫ 92 "VUP"*%FQMPZςετ

Slide 93

Slide 93 text

11. テストをクリックします。データ⼊⼒画⾯が表⽰されます。 93 "VUP"*%FQMPZςετ

Slide 94

Slide 94 text

ʮೖྗσʔλΛೖྗ͍ͯͩ͘͠͞ʯͷԼͷϑΥʔϜʹςετσʔλ JSJT@UFTUDTWͷҰߦ໨Λೖྗ͠ɺʮϦετʹ௥ՃʯΛΫϦοΫɻ JSJT@UFTUDTW͸ͪ͜ΒIUUQTJCNCPYDPNWJSJTUFTU 94 "VUP"*%FQMPZςετ

Slide 95

Slide 95 text

ʮ༧ଌʯϘλϯΛΫϦοΫ͠·͢ɻ͠͹Β͘͢Δͱӈଆʹ༧ଌ݁Ռ͕ දࣔ͞Ε·͢ɻ͜ͷ৔߹ɺ༧ଌ஋͸*SJTTFUPTBͰ֬཰ QSPCBCJMJUZ ͸ Ͱ͢ɻ ͜ͷ஋͸ਓ ࡞੒ͨ͠Ϟσϧ ʹΑͬͯҟͳΓ·͢ 95 *SJT@UFTUDTWͷ$-"44ͷ஋ ͱൺ΂ͯΈ·͠ΐ͏ɻ༧ଌ ͸߹͍ͬͯ·͔ͨ͠ ଞͷߦͷ*SJT@UFTUDTWͷ஋Ͱ ΋ࢼͯ͠Έ·͠ΐ͏ɻ "VUP"*%FQMPZςετ

Slide 96

Slide 96 text

6. まとめ • AutoAIを使⽤すれば、予測対象を指定する等の 最⼩限の操作で機械学習モデルを⽣成できます

Slide 97

Slide 97 text

「7-8 AutoAI Deploy & テスト」の補⾜ https://qiita.com/osonoi/items/54cd435d10985b0bae61 ⼤量のデータを⼀括して予測したい

Slide 98

Slide 98 text

͓ർΕ༷Ͱͨ͠ 2" 98

Slide 99

Slide 99 text

No content