Techfair 2017年3月 (2017年3月4日開催) セッション資料 Docs.com サービス停止のため、資料を引っ越しました。 Slideshare 公開時点では古い内容を含んでいることがありますが、記録・参考として公開します。

1. Techfair.jp 2017年3月
2017年3月4日
瀬尾佳隆 (@seosoft)
Microsoft MVP for Windows Dev
IoT キットハンズオン解説
(Azure ML Studio 編)
#3 分類分析

2. おことわり
本資料は、2017年3月4日時点の内容です
Slideshare 公開した 2018年1月時点では
一部古い内容を含んでいることがありますが、
記録・参考として公開します

3. 自己紹介
瀬尾佳隆 (せおよしたか)
• MVP for Windows Development
• http://yseosoft.wordpress.com/
• 乃木坂46 / 欅坂46 と仏像 / 屏風絵が好き
 Techfair 主宰 (http://techfair.jp/)
 Cogbot コミュニティ スタッフ

4. この資料の特徴
センサーデータの形式はハンズオンと同じもの
• ただし、CSV ファイルを Dataset として使います
開発する学習モデルはハンズオンとは別のもの
• 機械学習の基本的な考え方
• ML Studio の操作方法
を理解することを目的とします

5. #1 共通手順 を先に実施してください
共通手順は本資料では説明していません
• http://bit.ly/mlhol_1_20161203
“20161203” です
ごめんなさい

6. 分類分析モデル（二値）の作成
パラメーターから、どれに分類されるかを予測する
～重力加速度から、温度が高いか／低いかを予測～

7. モデリングの流れ
1 データ入力 Saved Datasets, Data Input and Output
2 データ加工 Data Transformation
3 初期モデルの決定 Machine Learning – Initialize Model
4 学習モデルの作成 Machine Learning - Train
5 学習結果の測定 Machine Learning – Score
6 評価用データを予測 Machine Learning – Evaluate
7 未来を予測 Web Service

8. 2.データ加工 の続き
学習に適した形に編集する
※ #1 共通手順の続き

9. 2.データ加工～列追加 (1/5)
“temp” 列に対して、
特定の温度より高いか低いかを表す列を追加

10. 2.データ加工～列追加 (2/5)
なぜ 28.5度なのか？
は、あとで・・・

11. 2.データ加工～列追加 (3/5)
対象の列は “temp” のみ

12. 2.データ加工～列追加 (4/5)
列を追加するので
Output Mode は “Append”

13. 2.データ加工～列追加 (5/5)

14. 参考）なぜ 28.5度なのか？
※この資料を作るにあたり、
いくつかの値を試してみて
一番 “ハンズオン” っぽい
結果になったから・・・

15. 2.データ加工～列削除 (1/2)
“temp” 列は不要になったので削除

16. 2.データ加工～列削除 (2/2)

17. 2.データ加工～データ分離 (1/1)
学習用データと評価用データとに分ける

18. 3.初期モデルの決定 ～
4.学習モデルの作成
機械学習の本体

19. 3.初期モデルの決定
Two-Class Decision Forest

20. 4.学習モデルの作成 (1/2)
予測対象の列を指定

21. 4.学習モデルの作成 (1/2)

22. 5.学習結果の測定 ～
6.評価用データを予測
学習モデルの成績を数値化する

23. 5.学習結果の測定 (1/4)
Score Model

24. 5.学習結果の測定 (2/4)
“Run selected” してから “Visualize”

25. 5.学習結果の測定 (3/4)

26. 5.学習結果の測定 (4/4)
パラメーターと予測値との関係

27. 6.評価用データを予測 (1/3)
Evaluate Model を置き、
“Run selected” してから “Visualize”

28. 6.評価用データを予測 (2/3)
予測精度を確認

29. 6.評価用データを予測 (3/3)

30. 7.未来を予測
Web Service を作成して、学習したモデルを実際に使ってみる

31. 7.未来を予測～サービス化 (1/4)
Web サービスを作るために、全体を “Run”

32. 7.未来を予測～サービス化 (2/4)
Web サービス用 Experiment を自動生成

33. 7.未来を予測～サービス化 (3/4)
自動生成された Experiment を修正

34. 7.未来を予測～サービス化 (4/4)
編集が終わったら “Run selected” して、
Web サービスをデプロイ

35. 7.未来を予測～サービス利用 (1/10)
Web サービス管理画面

36. 7.未来を予測～サービス利用 (2/10)
Web サービスを利用して予測

37. 7.未来を予測～サービス利用 (2/10)
予測結果
#2 を参考に、
Excel 利用も

38. 他の学習モデル
グループ化
（復習）回帰分析
どちらの学習モデルも、#1 共通手順を先に実施

39. 今回の資料
機械学習と Azure ML Studio の基本 (この資料)
• http://bit.ly/mlstudio20161203
IoTキットハンズオン解説 (ML Studio パート) #1 共通手順
• http://bit.ly/mlhol_1_20161203
IoTキットハンズオン解説 (ML Studio パート) #2 回帰分析
• http://bit.ly/mlhol_2_20161203
IoTキットハンズオン解説 (ML Studio パート) #3 分類分析
• http://bit.ly/mlhol_3_20161203
IoTキットハンズオン解説 (ML Studio パート) #4 グループ化
• http://bit.ly/mlhol_4_20161203
“20161203” です
ごめんなさい