夏のIBM Dojo #6 Analytics & Watson Studio / Summer IBM Dojo Watson Studio

2019/09/18に開催の「夏のIBM Dojo #6Analytics / Watson Studio」の資料です。

Transcript

1. 夏のIBM Dojo #6 Analytics / Watson Studio Kyoko Nishito Developer Advocate Tokyo City Team
2. Speaker ⻄⼾ 京⼦ Kyoko Nishito IBM Developer Advocate KyokoNishito
3. タイムテーブル 14:00-14:05 (5min) オープニング 資料ダウンロード,出席登録など ⽇本アイ・ビー・エム株式会社 デベロッパーアドボケイト ⻄⼾ 京⼦ 14:05-15:00 (55min) 夏のIBM Dojo #6 Analytics / Watson Studio <座学+DEMO> ⽇本アイ・ビー・エム株式会社 デベロッパーアドボケイト ⻄⼾ 京⼦ 15:00-17:00 (120min) Watson Studio コードチャレンジ <ワークショップ> ⽇本アイ・ビー・エム株式会社 デベロッパーアドボケイト ⻄⼾ 京⼦ 17:00-17:30 (30min) クローズ
4. 本⽇の資料 本⽇の資料はこちらからダウンロードお願いします。 URLをクリックしたり、コマンドをコピペしたりできますので、 サイトでみるのではなく、ダウンロードをお勧めします。 http://ibm.biz/dojo20190918doc
5. 出席登録 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。 アカウント未登録の⽅もこちらから登録お願いします。 https://ibm.biz/BdzVUW
6. 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
7. 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
8. 本⽇の内容 1. 機械学習 2. Watson Studio概要 3. Watson Studio 注⽬機能 4. Auto AI 5. Auto AI DEMO
9. 1. 機械学習
10. 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
11. 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
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
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
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)
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
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 ニューラル ネットワーク クラスタ分析 次元削減 ニューラル ネットワーク 報酬 (Reward)
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 ニューラル ネットワーク 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! AdaBoost Regression Elastic Net with Cross- Validation Nearest Neighbor Analysis (KNN) Lasso Lars with Cross- Validation MLP Regression Orthogonal Matching Pursuit with Cross- Validation Random Forest Regression Theil-Sen Regression ARD Regression Elastic Net Kernel Ridge Lasso Lars MultiTask Elastic Net CV Orthogonal Matching Pursuit RANSAC Regression XGBoost Regression Bayesian Ridge Regression Gaussian Process Lars with Cross- Validation Lasso Lars IC MultiTask Elastic Net Passive- Aggressive Regression Ridge with Cross- Validation CCA Gaussian Process Regression Lars LGBM Regression Multi Task Lasso CV PLS Canonical Ridge Decision Tree Regression Gradient Boosting Regression Lasso with Cross- Validation Linear Regression Multi Task Lasso PLS Regression SGD Regression Extra Trees Regression Huber Regression Lasso Linear Support Vector Regression Nu SVR Radius Neighbors Regression Support Vector Regression AdaBoost Classifier Gaussian Naïve Bayes Classifier Label Spreading Logistic Regression Passive Aggressive Classifier Ridge Classifier with Cross- Validation Bernoulli Naïve Bayes Classifier Gaussian Process Classifier LGBM Classifier MLP Classifier Perceptron Ridge Classifier Calibrated Classifier with Cross-Validation Gradient Boosted Tree Classifier Linear Discriminant Analysis Multinomial Naïve Bayes Classifier Quadratic Discriminant Analysis SGD Classifier Decision Tree Classifier Nearest Neighbor Analysis (KNN) Classifier Linear Support Vector Classifier Nearest Centroid Radius Neighbors Classifier Support Vector Classifier Extra Trees Classifier Label Propagation Logistic Regression with Cross- Validation Nu Support Vector Classifier Random Forest Classifier XGBoost Classifier 分類クラスを推定
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44種類のモデルをサポートしています。 AdaBoost Regression Elastic Net with Cross- Validation Nearest Neighbor Analysis (KNN) Lasso Lars with Cross- Validation MLP Regression Orthogonal Matching Pursuit with Cross- Validation Random Forest Regression Theil-Sen Regression ARD Regression Elastic Net Kernel Ridge Lasso Lars MultiTask Elastic Net CV Orthogonal Matching Pursuit RANSAC Regression XGBoost Regression Bayesian Ridge Regression Gaussian Process Lars with Cross- Validation Lasso Lars IC MultiTask Elastic Net Passive- Aggressive Regression Ridge with Cross- Validation CCA Gaussian Process Regression Lars LGBM Regression Multi Task Lasso CV PLS Canonical Ridge Decision Tree Regression Gradient Boosting Regression Lasso with Cross- Validation Linear Regression Multi Task Lasso PLS Regression SGD Regression Extra Trees Regression Huber Regression Lasso Linear Support Vector Regression Nu SVR Radius Neighbors Regression Support Vector Regression
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30種類のモデルをサポートしています。 AdaBoost Classifier Gaussian Naïve Bayes Classifier Label Spreading Logistic Regression Passive Aggressive Classifier Ridge Classifier with Cross- Validation Bernoulli Naïve Bayes Classifier Gaussian Process Classifier LGBM Classifier MLP Classifier Perceptron Ridge Classifier Calibrated Classifier with Cross-Validation Gradient Boosted Tree Classifier Linear Discriminant Analysis Multinomial Naïve Bayes Classifier Quadratic Discriminant Analysis SGD Classifier Decision Tree Classifier Nearest Neighbor Analysis (KNN) Classifier Linear Support Vector Classifier Nearest Centroid Radius Neighbors Classifier Support Vector Classifier Extra Trees Classifier Label Propagation Logistic Regression with Cross-Validation Nu Support Vector Classifier Random Forest Classifier XGBoost Classifier
20. 2. Watson Studio概要
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
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
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
24. 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
25. 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
26. 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
27. 3. Watson Studio注⽬機能
28. 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)
29. 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) 今回は上記⿊字機能を ご紹介します
30. Refinery (データ分析) Knowledge CatalogではRefineryというツールがあり、Studio上からシームレスに呼出し可能です。 Refineryの持つデータ分析機能を使うと、解析対象のデータの項⽬別の状況を視覚的に確認できます。 Knowledge Catalog
31. Refinery (データ整形) Refineryはデータ整形機能を持っています。下記のような処理をプログラミングなしに実現可能です。 また⼀度実⾏した⼿順を覚えて、同じ処理を⾃動で再実⾏することもできます(スケジュール機能)。 Knowledge Catalog 四則計算 属性変換 フィル ター 関数計算 除去 リネーム ソート(昇 順) ソート(降 順) 表示マス キング テキスト 処理 欠損値へ変 換 重複行除去 空白行除去 欠損値の置 換 部分文字列 置換 日時データ 抽出 集約 条件置換 ジョイン サンプル抽 出 列分割 連結 ストップ ワード除去 形態素解析
32. 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。
33. Jupyter Notebook機能 Jupyter Notebookの実⾏環境をクラウド上に持たせることができます。 サポートしている⾔語はPython 3.6とR、及びScalaです。 Python 3.6の場合、次のライブラリは事前導⼊済みですぐに使える状態です。 Tensorflow、Keras、Caffe、scikit-learn、Spark Mlib、XGBoost、Numpy、Pandas、 matplotlib等。 事前導⼊されていないライブラリもpipコマンドで導⼊可能なものであれば、追加導⼊して 利⽤可能となります。
34. Decision Optimizer 従来 CPLEXという製品名で提供されていた最適化ソリューションもDecision Optimizer という名前でWatson Studioから利⽤可能になりました。 「数独」を解いた例 「巡回セールスマン問題」を解いた例 https://qiita.com/makaishi2/items/78570f9283c0bc6c7e6c https://qiita.com/makaishi2/items/d1cc9a3f49f640a3b649
35. 4. AutoAI
36. 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。
37. 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: 30種類 回帰型: 44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
38. 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
39. 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、下の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
40. AutoAIの⾃動学習 ⾃動的に作られた4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。
41. 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
42. (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44種類のモデルをサポートしています。 AdaBoost Regression Elastic Net with Cross- Validation Nearest Neighbor Analysis (KNN) Lasso Lars with Cross- Validation MLP Regression Orthogonal Matching Pursuit with Cross- Validation Random Forest Regression Theil-Sen Regression ARD Regression Elastic Net Kernel Ridge Lasso Lars MultiTask Elastic Net CV Orthogonal Matching Pursuit RANSAC Regression XGBoost Regression Bayesian Ridge Regression Gaussian Process Lars with Cross- Validation Lasso Lars IC MultiTask Elastic Net Passive- Aggressive Regression Ridge with Cross- Validation CCA Gaussian Process Regression Lars LGBM Regression Multi Task Lasso CV PLS Canonical Ridge Decision Tree Regression Gradient Boosting Regression Lasso with Cross- Validation Linear Regression Multi Task Lasso PLS Regression SGD Regression Extra Trees Regression Huber Regression Lasso Linear Support Vector Regression Nu SVR Radius Neighbors Regression Support Vector Regression
43. (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30種類のモデルをサポートしています。 AdaBoost Classifier Gaussian Naïve Bayes Classifier Label Spreading Logistic Regression Passive Aggressive Classifier Ridge Classifier with Cross- Validation Bernoulli Naïve Bayes Classifier Gaussian Process Classifier LGBM Classifier MLP Classifier Perceptron Ridge Classifier Calibrated Classifier with Cross-Validation Gradient Boosted Tree Classifier Linear Discriminant Analysis Multinomial Naïve Bayes Classifier Quadratic Discriminant Analysis SGD Classifier Decision Tree Classifier Nearest Neighbor Analysis (KNN) Classifier Linear Support Vector Classifier Nearest Centroid Radius Neighbors Classifier Support Vector Classifier Extra Trees Classifier Label Propagation Logistic Regression with Cross-Validation Nu Support Vector Classifier Random Forest Classifier XGBoost Classifier
44. 4. Auto AI Demo
45. 4. Auto AI 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. 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
46. 4. Auto AI 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. 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
47. 1. データ準備 架空の電話会社の顧客データ customer_churn.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/dxdojo2019data 右上のダウンロードボタンをクリックして保存します。
48. 1. データ準備 架空の電話会社の顧客データ customer_churn.csv このファイルには顧客の属性と契約を解約したかしないか(CHURN)のデー タがあります。 このデータからCHURNを予測するモデルを作ります。
49. 4. Auto AI 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
50. 50 2. Watson Studioのセットアップ https://cloud.ibm.com/ にアクセスして ログインしてください
51. 1. 「カタログ」をクリック 51 2. Watson Studioのセットアップ
52. 52 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 →Lite Planを確認して[作成]をクリック 2. Watson Studioのセットアップ
53. 4. Auto AI Demo 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
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. 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 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
55. 4. Auto AI 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
56. 56 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。 4. Projectの作成
57. 57 3. Nameに任意のProject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. 「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)。 4. Projectの作成 Tutorial
58. 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。 4. Projectの作成
59. 4. Projectの作成 59 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
60. 4. Projectの作成 60 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。
61. 4. Projectの作成 61 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
62. 4. Projectの作成 62 6. Projectの画⾯が表⽰されます Tutorial
63. 4. Auto AI 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
64. 5. サービスの作成と追加 64 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
65. 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 5. サービスの作成と追加 65 スクロール スクロール
66. 5. サービスの作成と追加 66 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。。
67. 5. サービスの作成と追加 67 5. [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。
68. 4. Auto AI 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
69. 6. Auto AI モデル作成 69 1. 右上の[ Add to Project ]をクリックします。 2. 表⽰されたウィンドウの[AutoAI experiment]をクリックします。
70. 6. Auto AI モデル作成 70 3. Asset name : Churn Analysisを⼊⼒し、 ⾃分のWatson Machine Learning Service Instanceがセットされているの を確認して、[Create]をクリック スクロール
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customer_churn.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。 customer_churn.csv ドラッグ＆ドロップ
72. 6. Auto AI モデル作成 72 5. 「 Select column to predict」から予測したい項⽬をクリックします。 CHURNを選択します。 6. 「 Run experiment」をクリックして、モデル作成を開始します。
73. 6. Auto AI モデル作成 73 7. 実⾏は複数のステップを経て、4つのモデルを⽣成します。このプロセ スには3〜5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)。「Run Finished」が表⽰されるまで待ちます。
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
75. 6. Auto AI モデル作成 9.モデル評価、混同⾏列、PR曲線、モデル情報、特徴量の重要性など、 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[Back to Churn Analysis]をクリックします。 75
76. 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「Save as model」と いうボタンが表⽰されるので、それをクリックします。 76
77. 6. Auto AI モデル作成 11. Model nameをChurn Analysis Modelに変更して、「Save 」ボタンを クリックします。Save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「 View in project 」をクリックします。 77
78. 4. Auto AI 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
79. 7. Auto AI Deploy & テスト 1. 「 Deployments」タブをクリックします。 79
80. 7. Auto AI Deploy & テスト ２. 右にある「 Add Deployment」をクリックします。 80
81. 7. Auto AI Deploy & テスト 3. Nameに「 Churn model deployment」と⼊⼒後、「Save」ボタンをク リックします。 81
82. 7. Auto AI Deploy & テスト 4. 「Deployment」タブに⾃動で戻ります。STATUSが、Initializingから readyに変わったら「Churn model deployment 」をクリックします。 1分待っても変わらない場合はリロードしてみてください。 82
83. 7. Auto AI Deploy & テスト 5. 「Overview」タブでDeploymentの詳細を確認できます。 「Implementation」タブをクリックします。そのタブの下に、スコアリン グエンドポイントが表⽰され、Java、JavaScript、Pythonなどの5つの⾔ 語のコードスニペットも提供されます。 83
84. 7. Auto AI Deploy & テスト 6. [Test]タブをクリックします。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。以下の右のJSONデータを⼊⼒エリアにコピぺしします。 84 {"input_data": [{ "fields": [ "ID", "Gender", "Status", "Children", "Est Income", "Car Owner", "Age", "LongDistance", "International", "Local", "Dropped", "Paymethod", "LocalBilltype", "LongDistanceBilltype", "Usage", "RatePlan" ], "values": [[ 6, "M", "M", 2, 29616, "N", 49.42, 29.78, 0, 45.5, 0, "CH", "FreeLocal", "Standard", 75.29, 2 ]] }] } コピー& ペースト する
85. 7. Auto AI Deploy & テスト 6-参考: コピペしたJSONは以下のように項⽬名が"fields"に、その値が "values"に⼊っています。この属性の顧客が解約するかしないか(CHURN) を予測します。 85
86. 7. Auto AI Deploy & テスト 7. 「Predict」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Fで確率(probability)は0.9998155981401168です。 86
87. 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
88. おすすめ情報 Learning path: Getting started with Watson Studio https://developer.ibm.com/series/learning-path-watson-studio/ (今後⽇本語訳の予定) IBM Code Patterns - アプリ開発パターン集 http://ibm.biz/ibmcodejp
89. コードチャレンジ: Watson Studio 〜17:00 休憩⾃由 不明な点は 質問
90. ベーシックチャレンジ http://ibm.biz/dojo20190918doc この資料: まずは先ほど実施の 「 4. Auto AI Demo 」を完了しましょう
91. メインチャレンジ チュートリアル: IBM Watson Studio AutoAI: Modeling for the rest of us https://www.ibm.com/cloud/garage/dte/tutorial/ibm-watson-studio- autoai-modeling-rest-us のCreate an AutoAI model for regression 部分 （それより前のセクションは当講義の内容です) ⽇本語解説へのLink: http://ibm.biz/WatsonStudioTutrialJP オプション課題: 上記チュートリアルの Accessing a model through a notebook 部分
92. おかわりチャレンジ Learning path: Getting started with Watson Studio https://developer.ibm.com/series/learning-path-watson-studio/ (英語、今後⽇本語訳の予定) レベル別に101〜401まで4つのチュートリアルがあります。 CodePatterns: IBM Watson Studio で Jupyter Notebook を使⽤して対 話式レコメンデーション・エンジン PixieApp を作成する https://developer.ibm.com/jp/patterns/build-a-product- recommendation-engine-with-watson-machine-learning/ (githubのREAMDEは英語, notebook上でモデル作成)
93. Dojoで学んだことをOutputしよう︕ -Watson開発⼊⾨ 書籍プレゼントキャンペーン- 募集期間︓ 2019年9⽉30⽇（⽉）まで 参加したセッションやセミナーをベースに技術ブログに書いたら、 市販書籍「Watson開発⼊⾨」をプレゼント!! 応募条件 •誰でもアクセス可能なサイトに公開していること •IBM Cloudの技術やサービスを利⽤・解説していること •応募時点で動作可能なコンテンツであること 応募⽅法: 以下を記載してメールにてご連絡ください。devworks@jp.ibm.com 1. 掲載先URL 2. 記事概要 3. 書籍送付先(郵便番号/住所/⽒名) 4. IBM CloudのアカウントID(登録メールアドレス) Subjectに“Watson本希望“と記載してください OK": 〇〇を△△してみた、CODE Patterns 翻訳、◦◦トラブルシューティングなどのブログ NG#: セッション楽しかったなど感想のみのブログ、記事転載、まとめ記事のみのブログ