Slide 1
Slide 1 text
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
2019/07/31更新版
Slide 2
Slide 2 text
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 3
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
Slide 3
Slide 3 text
本⽇の資料
3
http://ibm.biz/ml-handson20190731
Slide 4
Slide 4 text
データ使って
⼼不全を
予測できるでしょうか︖
4
Slide 5
Slide 5 text
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
Slide 6
Slide 6 text
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
Slide 7
Slide 7 text
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
Slide 8
Slide 8 text
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。
Slide 9
Slide 9 text
本⽇のハンズオンスケジュール
9
時間 内容
これから-17:40 ハンズオン
前のスクリーンで⼀通り実施します。
⼀緒にやっても資料を⾒ながら先に進めてし
まってもどちらでも構いません。
休憩は適時おとりください。
17:4018:00 AutoAIの説明
新機能AutoAIを簡単にご説明します
まとめ
Q&A
Slide 10
Slide 10 text
事前準備: データファイルのダウンロード
(ここは参照のみ・実施しない)
10
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
Slide 11
Slide 11 text
11
2. 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
(ここは参照のみ・実施しない)
patientdataV6.csv
patientdataV6.csv
test_ patientdataV6.csv
Slide 12
Slide 12 text
12
以下をダウンロード: 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
Slide 13
Slide 13 text
トレーニング (最初の「機械学習&AI⼊⾨」資料より抜粋)
13
ルール
(モデル)
データ１
アルゴリズム
結果:Good
パラメータ内部調整
データ２
アルゴリズム
結果:Good
パラメータ内部調整
ファイル
test_patient
dataV6.csv
ファイル: patientdataV6.csv
Slide 14
Slide 14 text
14
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。
最初はもちろん、IBM Cloudへログイン︕
1. Watson Studioのセットアップ
https://ibm.biz/BdzMAX
Slide 15
Slide 15 text
1. 「カタログ」をクリック
15
1. Watson Studioのセットアップ
Slide 16
Slide 16 text
16
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
Slide 17
Slide 17 text
17
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
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 18
Slide 18 text
18
1. [Create a Project]をクリックします。
2. [Create an empty project]をクリックします。
3. Projectの作成
Slide 19
Slide 19 text
19
3. Nameに任意のProject名を⼊れます。
4. 「Define storage」が表⽰されてない場合は、 下にスクロールして、
「Define storage」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)。
3. Projectの作成
Slide 20
Slide 20 text
20
5A. Object Storage未作成の場合:
5A-1. Define Storage の①Select storage serviceから[Add]をクリックしま
す。
3. Projectの作成
Slide 21
Slide 21 text
21
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。
3. Projectの作成
下にスクロール
Slide 22
Slide 22 text
22
5A-5. New Projectの画⾯になるので、 Define Storage の②Refreshをク
リックします 。
5A-6. Storageが表⽰された後、[Create]をクリックします。
3. Projectの作成
Slide 23
Slide 23 text
23
5B. Object Storage作成済の場合:
5B-1. [Create]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[Create]をクリック
3. Projectの作成
Slide 24
Slide 24 text
24
6. Projectの画⾯が表⽰されます
3. Projectの作成
Slide 25
Slide 25 text
25
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
Slide 26
Slide 26 text
3. Machine Learningの[Add]をクリック
4A: [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Dallas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
スクロール
スクロール
Slide 27
Slide 27 text
27
4B[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 。
[Existing]のタブが選択された画⾯が表⽰されたにもかかわらず、「Existing
Service Instance」の下に「 No existing service instances found 」が表⽰された場
合は、「CLOUD FOUNDRY ORG」のドロップダウンを開き、値を選択してみてく
ださい。。
4. サービスの作成と追加
Slide 28
Slide 28 text
4.サービスの作成と追加
28
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。
Slide 29
Slide 29 text
5. データのアップロード
29
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
Slide 30
Slide 30 text
5. データのアップロード
30
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
Slide 31
Slide 31 text
6. 機械学習モデルの作成
31
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。
Slide 32
Slide 32 text
6. 機械学習モデルの作成
32
2. ModelsのWatson Machine Learning modelsから
[+ New Watson Machine Learning model]をクリック
Slide 33
Slide 33 text
6. 機械学習モデルの作成
33
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
Slide 34
Slide 34 text
6. 機械学習モデルの作成
34
9. Select data assetからpatientdataV6.csv
を選択し、[Next]をクリック
Slide 35
Slide 35 text
35
参考までにデータ項⽬は以下のようになっています。
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
HEARTFAILURE ⼼不全になったかどうか
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)
6. 機械学習モデルの作成
⽬的変数
特徴量
説明変数
特徴量
説明変数
Slide 36
Slide 36 text
6. 機械学習モデルの作成
36
9. 「Column value to predict (Label Col)」の下のSelect Label Colドロッ
プダウンリストから「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。
Slide 37
Slide 37 text
6. 機械学習モデルの作成
37
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。
Slide 38
Slide 38 text
6. 機械学習モデルの作成
38
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。
Slide 39
Slide 39 text
6. 機械学習モデルの作成
39
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 モデル作成には使⽤しないデータ
変更もできますが、今回はそのままで設定します。
Slide 40
Slide 40 text
トレーニング (最初の「機械学習&AI⼊⾨」資料より抜粋)
40
ルール
(モデル)
データ１
アルゴリズム
結果:Good
パラメータ内部調整
データ２
アルゴリズム
結果:Good
パラメータ内部調整
WatsonStudio
Train
WatsonStudio
Test
ファイル
test_patient
dataV6.csv
Slide 41
Slide 41 text
6. 機械学習モデルの作成
41
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。
Slide 42
Slide 42 text
6. 機械学習モデルの作成
42
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。
Slide 43
Slide 43 text
6. 機械学習モデルの作成
43
*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
Slide 44
Slide 44 text
6. 機械学習モデルの作成
44
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。
Slide 45
Slide 45 text
6. 機械学習モデルの作成
45
14. [Next]をクリックして次に進みます。
Slide 46
Slide 46 text
6. 機械学習モデルの作成
46
15. モデルのトレーニングが始まります︕
Slide 47
Slide 47 text
6. 機械学習モデルの作成
47
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
Slide 48
Slide 48 text
6. 機械学習モデルの作成
48
17. とりあえずPERFORMANCEが⼀番よいものを選択し、
[Save]をクリック(2回)
Slide 49
Slide 49 text
6. 機械学習モデルの作成
49
18. 保存したモデルの詳細が表⽰されます。
Slide 50
Slide 50 text
7. 機械学習モデルのデプロイ
50
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。
Slide 51
Slide 51 text
7. 機械学習モデルのデプロイ
51
2. [Add Deployment]をクリックします。
Slide 52
Slide 52 text
7. 機械学習モデルのデプロイ
52
3. Nameを⼊⼒し、Deployment typeはWeb serviceを選択し、
[Save]をクリック
Slide 53
Slide 53 text
7. 機械学習モデルのデプロイ
53
5. デプロイが完了しました︕
STATUS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。
Slide 54
Slide 54 text
54
機械学習モデルを
使ってみる
Slide 55
Slide 55 text
8. 機械学習モデルのテスト
55
1. 先ほどの画⾯のNameをクリックします
Slide 56
Slide 56 text
8. 機械学習モデルのテスト
56
2. Testをクリックします
Slide 57
Slide 57 text
8. 機械学習モデルのテスト
57
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)
Slide 58
Slide 58 text
8. 機械学習モデルのテスト
58
4. 予測される検査結果が確信度とともに表⽰されます
Slide 59
Slide 59 text
9. 実際にアプリから使うには、、、
59
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。
Slide 60
Slide 60 text
60
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︕
Slide 61
Slide 61 text
61
AutoAI
New
https://www.ibm.com/cloud/watson-studio/autoai
https://www-03.ibm.com/press/jp/ja/pressrelease/55108.wss
New
6/13発表!
Slide 62
Slide 62 text
IBM Watson Studio AutoAIの機能
• Watson Studio と Watson Machine
learning を統合
• データ取り込み、データクレンジン
グ、データ変換、ハイパーパラメー
ター最適化(HPO)によるモデル作成を
⾃動化
• トレーニングフィードバックの視覚化
により、モデルのパフォーマンスを確
認するためのリアルタイムの結果が参
照可能
• Watson Machine Learningへのワンクリッ
クDeployment
Slide 63
Slide 63 text
Demo Video
63
https://youtu.be/cjGGUu9vprQ?start=42 (途中からの開始です)
Slide 64
Slide 64 text
チュートリアル(英語)
64
https://www.ibm.com/cloud/garage/dte/tutorial/ibm-watson-
studio-autoai-modeling-rest-us
IBM Watson Studio AutoAI: Modeling for the rest of us
チュートリアル: IBM Watson Studio AutoAI: これまでにない⼀般ユーザーのためのモデリング
Published on July 15, 2019
AutoAIでBinary ClassificationとRegressionモデルを作成しテスト、さらに
jupyter notebookを使⽤してpythonから呼び出すチュートリアルです。
このハンズオンと同じProjectを使⽤する場合は、Projectを開いた状態で
「Creating an AutoAI model for binary classification 」
から開始してください。
Slide 65
Slide 65 text
参考: How does it work?
AutoAI
Experiments
ラベル付き
データセット
準備 モデル選択
ハイパー
パラメーター
最適化
(HPO)
特徴量
エンジニア
リング
ハイパー
パラメーター
最適化
(HPO)
アンサンブル
最善の ⽋損値補完
/エンコーディン
グ/正規化/標準化
の⽅法を⾒つけ出
し前処理を実施
最適なモデル
を選択
選定したモデ
ルのハイパー
パラメーター
最適化
特徴量エンジ
ニアリング後
のハイパーパ
ラメータ最適
化
最適な特徴量の
設定
パイプライン
の予測に基づ
き最適なアン
サンプルを計
算
Slide 66
Slide 66 text
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
• 今後はAutoAIでさらに簡単に作成可能
• 作成したモデルはWebサービスで呼び出しできる
Slide 67
Slide 67 text
67
Thank you
twitter.com/KyokoNishito
github.com/kyokonishito
developer.ibm.com/jp
Slide 68
Slide 68 text
68