Auto ai workshop

1
機械学習 Hands-On
29 November, 2019

2IBM Developer Advocacy 2019
機械学習 Hands-on 本日の概要
 Watson StudioとWatson Machine Learningサービスを連携し、機械学習モデルを作成します。
 作成したモデルをサービスとして公開し、外部からアクセスし結果を判定します。
 作成するモデルは二値分類モデルと、回帰モデルの二種類です。
 https://www.ibm.com/cloud/garage/dte/tutorial/ibm-watson-studio-autoai-modeling-rest-us

本日の概要
 Watson StudioとWatson Machine Learningサービスを連携し、機械学習モデルを作成します。
 作成したモデルをサービスとして公開し、外部からアクセスし結果を判定します。
 作成するモデルは二値分類モデルと、回帰モデルの二種類です。

機械学習について
• 回帰 (Regression): 過去のデータから何かの値を予測する、教師あり学習に含まれます。
• 二値分類 (Binary Classification): 与えられたインプットが2つのクラスのうちどちらに分類されるか。

5
AutoAI
New
https://www.ibm.com/cloud/watson-studio/autoai
https://www-03.ibm.com/press/jp/ja/pressrelease/55108.wss

Auto AI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

Demo Video
7https://youtu.be/cjGGUu9vprQ?start=42 (途中からの開始です)

参考: How does it work?
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
を自動で選択
選定したモデ
ルのハイパー
パラメーター
の最適化
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
• ハイパーパラメーター：アルゴリズムが持つパラメータの中で人が調整する必要のあるもの
• 特徴量エンジニアリング：モデルの精度を上げるために、特徴量という予測因子を追加する処理

サービスの作成
 まずはIBM Cloud上で、Watson Studioのサービスを作成します。
 前回のハンズオンで実施済みの方はスキップしてください。
1. 「カタログ」をクリック

２. リソースの作成
Watson Studio (カテゴリ AI)をクリック
デプロイする地域/ロケーションの選択は「ダラス」を選択し、作成ボタンをクリック

 ダッシュボードを表示 (左上のIBM Cloudロゴをクリック)
 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
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

プロジェクトの作成
1. 作成したWatson Studioの中で、新規のProjectを作成します。
2. 「Create a Project」をクリックし、遷移画面で「Create an empty project」をクリックします。

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、Addをクリック。

 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。
 Confirm Creationのダイアログはそのまま[Confirm]をクリックします。

 New Projectの画面になるので、 Define Storage の②Refreshをクリックします。
 Storageが表示された後、[Create]をクリックします。

Watson Machine Learning サービスの追加
 [Settings]をクリックします。
 Associated servicesから[+Add services]をクリックして[Watson]を選択]を選択

 [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

 [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。

 これで準備は完了です。
 次のぺージ、Creating an AutoAI model for binary classificationから進めていきましょう。
 年齢、年収、使用状況から電話回線を解約するかどうかを予測する機械学習モデルを作成します
 以下のサイトの内容と同様です。

AutoAIを利用した分類モデル (1. データの読み込み)
 ①のFind & add dataをクリックして、brows(②)をクリック。③の画面で学習データを選択してください。
 データ：customer_churn.csv
①
②
③

AutoAIを利用した分類モデル(2.サービスの作成)
 “Add to Project” ①をクリック、”Auto AI experiment”を選択してください。
①
②

 ① Asset Nameに任意の名前を入れて、 ②、”Create”をクリック
①
②
AutoAIを利用した分類モデル(2.サービスの作成)

AutoAIを利用した分類学習モデル(3. モデルの作成)
 まずは使用するデータを選択します
 “Browse”をクリックするとウィンドウが現れるのでデータ(customer_churn.csv )を選択してください。

 CHURNを選択 “Run Experiment”をクリック
①
②
AutoAIを利用した分類モデル(3. モデルの作成)

 左から右にモデルが作られているプロセスが進みます。

 Run finishedになるまで待ちます。（１０分ぐらいかかります）
 以下のような画面になればOKです。モデルが作成できました。

AutoAIを利用した分類モデル(4.モデルの保存/公開)
 スクロールダウンすると各モデルの詳細が見れます。
 続けて右端の “Save as a model”をクリックするとできたモデルを保存できます。
 Model Nameに任意の名前を入力し、Saveしてください。

 プロジェクト名を選択いただき①
 スクロールダウンすると今保存したモデル
があります。②
 モデル名をクリックしてください。
①
②

 モデルのデプロイメント
 Deploymentを選択①、Add Deployment②をクリックしてください。
①
②

 任意の名前（ここではcustomer_churn_autoAI)を入力①、Saveをクリックしてください。②
①
②

 StatusがReadyになればDeployment完成です。

AutoAIを利用した分類モデル(5. モデルのテスト)
 DeploymentしたWebサービスをテストします。
 全画面でDeployment名をクリックし字画面（以下）でテストをクリックするとテストができます。

 データを一つづつ入力していただいても、json形式でまとめていただいてもどちらでもできます。
 customer_curn.jsonをお使いください。
解約（Churn)がFで99.9%以上なのでこのお客さんは解約しないと予測
AutoAIを利用した分類モデル(5. モデルのテスト)

AutoAIを使用して回帰モデルを作成する
 住所、その地区の環境などから住宅価格を予測するモデルを作成します。
 使用するデータは boston_house_price.csv です。
 前回作成したモデルを、AutoAIを使用して作成します。

AutoAIを利用した回帰モデル(1. データの読み込み)
 データの読み込み
 ①のFind & add dataをクリックしてbrows(②)をクリック。③の画面で学習データを選択してください。
 データ：boston_house_price.csv
①
②
③

 AutoAIサービスの追加
 “Add to Project” ①をクリック、”Auto AI experiment”を選択してください。 ①
②
AutoAIを利用した回帰モデル(2.サービスの作成)

 AutoAIサービスの追加
 ① Asset Nameに任意の名前を入れて、(例house Price Analysis) ②、”Create”をクリック
①
②
AutoAIを利用した回帰モデル(2. サービスの作成)

 データを選択します選択
 “Browse”をクリックするとウィンドウが現れるのでデータ(boston_house_prices.csv )を選択してください。
AutoAIを利用した回帰モデル(3. モデルの作成)

 モデルを作成します。
 MEDVを選択し、“Run Experiment”をクリックします。
①
②

 下のような画面になればOKです。モデルが作成できました。（１０分ぐらいかかります）

 スクロールダウンすると各モデルの詳細が見れます。
 続けて右端の “Save as a model”をクリックするとできたモデルを保存できます。
AutoAIを利用した回帰モデル(4. モデルの保存/公開)

 任意の名前を付けてSaveしてください。
 例： House Prices Analysis - P3 GradientBoostingRegressorEstimator

 プロジェクト名を選択いただき①
 スクロールダウンしていただくと保存したモデル
があります。②
 作成したモデル名をクリックしてください。
①
②

 Deploymentを選択①、Add Deployment②をクリックしてください。
 遷移した画面で任意の名前（ここではHouse prices model deployment)を入力し、Saveをクリックしてください。
①
②

 StatusがReadyになればDeployment完成です。

 DeploymentしたWebサービスをテストします。
 全画面でDeployment名をクリックし字画面（以下）でテストをクリックするとテストができます。
AutoAIを利用した回帰モデル(5. モデルのテスト)

 データを一つづつ入力していただいても、json形式でまとめていただいてもどちらでもできます。
boston.jsonをお使いください。
26.042という予測です
AutoAIを利用した回帰モデル(5. モデルのテスト)

Auto ai workshop

More Related Content

Similar to Auto ai workshop

More from Yasushi Osonoi

Auto ai workshop

Editor's Notes