Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

AutoML & InterpretML (2019/11/27 Deep Learning Lab 講演資料)

0 views

Published on

Azure Machine Learning の AutoML の機能 % モデル解釈の機能

Published in: Data & Analytics
  • Be the first to comment

AutoML & InterpretML (2019/11/27 Deep Learning Lab 講演資料)

  1. 1. AutoML のモデルを Azure ML で解釈してみた 女部田啓太 日本マイクロソフト株式会社 Cloud Solution Architect – Machine Learning & Deep Learning https://github.com/konabuta https://www.linkedin.com/in/ keita-onabuta/
  2. 2. AutoML
  3. 3. モデル学習のプロセス アルゴリズム 選択 パラメータ 選択 特徴量 エンジニアリング モデルデータ 学習 モデル探索
  4. 4. • 試行錯誤が楽になる • 誰でも機械学習モデルが作れる (AI の民主化) • モデルを大量に生成できる • 多数セグメントの需要予測・マーケティング etc
  5. 5. Microsoft Research (MSR)
  6. 6. 企業における機械学習プロジェクトを支えるプラットフォーム インフラ管理 スケジューリング、オートスケール、バックアップ データセット管理 プロファイル、バージョン、ラベリング、ドリフト検知 推論環境 (Cloud & Edge) リアルタイム & バッチ、No Code Deploy 分析機能 機械学習、深層学習、強化学習 (private preview) (Python & R SDK、 Estimator、 自動チューニング) モデル管理 バージョン 実験管理 メトリック、ログ、履歴 民主化 AutoML、 Designer、 Azure ML studio エンタープライズ対応 セキュリティ、ガバナンス、モニタリング、モデル解釈 MLOps 再現性、自動化、Azure DevOps連携、CLI、REST IoT エッジ セキュリティ、管理、デプロイ 機械学習モデル Power BI Data warehouses ONNX + App データソース ライブラリ 開発ツール
  7. 7. 企業における機械学習プロジェクトを支えるプラットフォーム インフラ管理 スケジューリング、オートスケール、バックアップ データセット管理 プロファイル、バージョン、ラベリング、ドリフト検知 推論環境 (Cloud & Edge) リアルタイム & バッチ、No Code Deploy 分析機能 機械学習、深層学習、強化学習 (private preview) (Python & R SDK、 Estimator、 自動チューニング) モデル管理 バージョン 実験管理 メトリック、ログ、履歴 民主化 AutoML、 Designer、 Azure ML studio エンタープライズ対応 セキュリティ、ガバナンス、モニタリング、モデル解釈 MLOps 再現性、自動化、Azure DevOps連携、CLI、REST IoT エッジ セキュリティ、管理、デプロイ 機械学習モデル Power BI Data warehouses ONNX + App データソース ライブラリ 開発ツール aka.ms/aml1127
  8. 8. データ ゴール設定 制約条件 Input ベイズ最適化 + 協調フィルタリングを用いた 効率的な機械学習パイプラインの探索 Optimized model 機械学習のプロセスを全自動で構築する最新アプローチ Output
  9. 9. • Microsoft Research の研究結果をベースに開発 • NIPS 2018 にて論文を発表 • 強調フィルタリングとベイズ最適化をメタ学習に採用 • プライバシー保護:データを直接見ない • ONNX 変換をサポート • スケーラブルな計算環境による高速学習 RegressionClassification Time Series Forecasting Supervised Learning Automated Machine Learning の利用メリット
  10. 10. microsoft/nni
  11. 11. Hyper Parameter Tuning Network Morphism など Neural Architect Search
  12. 12. モデル解釈
  13. 13. Model interpretability in Azure Machine Learning service
  14. 14. ※contrib
  15. 15. https://www.kaggle.com/ajay1735/hmeq-data 件数:5961レコード 項目 - 説明変数 : 12 - 目的変数 : 1
  16. 16. モデル全体の説明変数の重要度
  17. 17. 個々の予測値についての説明変数の重要度
  18. 18. Azure 無償トライアル : http://aka.ms/amlfree Azure ML ドキュメント : http://aka.ms/azureml-ja-docs Microsoft Learn :https://aka.ms/mslearn-aml
  19. 19. MICROSOFT CONFIDENTIAL 本資料は情報提供のみを目的としており、本資料に記載されている情報は、本資料作成時点でのマイクロソフトの見解を示し たものです。状況等の変化により、内容は変更される場合があります。本資料に表記されている内容(提示されている条件等 を含みます)は、貴社との有効な契約を通じて決定されます。それまでは、正式に確定するものではありません。従って、本資 料の記載内容とは異なる場合があります。また、本資料に記載されている価格はいずれも、別段の表記がない限り、参考価 格となります。貴社の最終的な購入価格は、貴社のリセラー様により決定されます。マイクロソフトは、本資料の情報に対して 明示的、黙示的または法的な、いかなる保証も行いません。 © 2019 Microsoft Corporation. All rights reserved.

×