Recomendados
Recomendados
Mais conteúdo relacionado
Semelhante a ML Sagemaker Dev.IO
Semelhante a ML Sagemaker Dev.IO (20)
Mais de __john_smith__
Mais de __john_smith__ (15)
ML Sagemaker Dev.IO
- 2. 2私について じょんすみす • クラスメソッド株式会社 データインテグレーション部 ML推進チーム • Alteryx ACE • 北海道から来ました！ • 愛車はHondaのS660 日常で主に扱う技術 • Alteryx • Hadoop, EMR • 機械学習, Amazom SageMaker
- 3. 3本日の内容 • AIと機械学習 • 機械学習とは • Amazon SageMakerを使った機械学習の実現方法 • 機械学習のユースケース • まとめ
- 4. 4本日の内容 • AIと機械学習 • 機械学習とは • Amazon SageMakerを使った機械学習の実現方法 • 機械学習のユースケース • まとめ
- 5. 5AIと機械学習 AIって結局何なの？ • 用語として使われるシーンが曖昧 • 高度で複雑な数学を理解しないと使えないんでしょ？ • 何が実現できるの？費用対効果は？
- 6. 6AIと機械学習 アプローチの方法 ルールベース エキスパートシステム 統計・機械学習 脳科学 条件が与えられたときに何をする かを記述する。 専門家がどのように判断するかの 知識をそのまま記述していくので 第3者が見たときにもどのような ルールが設けられているのか判断 しやすい。 ルールの数が多くなると管理が煩 雑になる。 人間にとっては常識となるような ことも含めてルール化する必要が あるため、記述すべき量が非常に 多くなる場合もある。 大量のデータから規則性を見つけ 出す。 特定の結果を得られるように正解 となる情報を与える教師あり学習 やデータの特徴を捉えるための 教師なし学習などがある。 多くの手法が提案されており、 学習結果を人間が理解可能なもの とそうでないものがある。 現在のAIブームにおいて中核となる アプローチの方法の1つ。 Amazon SageMakerもこれを実現す るための仕組みを提供している。 Deep Learningはココ。 人間の脳の仕組みをそのまま再現 する「全脳アーキテクチャ」など 研究が進められている領域ではあ るが、現在のAIブームにおいて 主流となるアプローチではないた め詳細は割愛。 というか私も詳しくは知らない
- 7. 7AIと機械学習 アプローチの方法 ルールベース エキスパートシステム 統計・機械学習 脳科学 条件が与えられたときに何をする かを記述する。 専門家がどのように判断するかの 知識をそのまま記述していくので 第3者が見たときにもどのような ルールが設けられているのか判断 しやすい。 ルールの数が多くなると管理が煩 雑になる。 人間にとっては常識となるような ことも含めてルール化する必要が あるため、記述すべき量が非常に 多くなる場合もある。 大量のデータから規則性を見つけ 出す。 特定の結果を得られるように正解 となる情報を与える教師あり学習 やデータの特徴を捉えるための 教師なし学習などがある。 多くの手法が提案されており、 学習結果を人間が理解可能なもの とそうでないものがある。 現在のAIブームにおいて中核となる アプローチの方法の1つ。 Amazon SageMakerもこれを実現す るための仕組みを提供している。 Deep Learningはココ。 人間の脳の仕組みをそのまま再現 する「全脳アーキテクチャ」など 研究が進められている領域ではあ るが、現在のAIブームにおいて 主流となるアプローチではないた め詳細は割愛。 というか私も詳しくは知らない
- 8. 8本日の内容 • AIと機械学習 • 機械学習とは • Amazon SageMakerを使った機械学習の実現方法 • 機械学習のユースケース • まとめ
- 9. 9機械学習とは 機械学習でできること • 教師あり学習 • 回帰 • 分類 • 教師なし学習 • クラスタリング • 次元削減 • など • その他(強化学習, 半教師あり学習など)
- 10. 10機械学習とは 分類の例 : スパムメール判定 本日はありがとうございました 勤怠の連絡について 【当選】おめでとうございます 本番環境で利用するVPCのご相談 私の家来ちゃいます？ 受信Box
- 16. 16機械学習とは データを機械学習で利用できる形式に落とし込む • 1行が1件データ • 列ごとに同じ要素の特徴 • 各値は数値 スパム “当選”の出現回数 “AWS”の出現回数 タイトルの文字数 過去にスパムを送っ たメールアドレスか … 0 0 5 20 0 … 1 3 0 45 1 … 1 2 0 30 0 … 0 1 3 12 0 … 0 0 7 32 0 …
- 17. 17機械学習とは データを機械学習で利用できる形式に落とし込む • 1行が1件データ • 列ごとに同じ要素の特徴 • 各値は数値 スパム “当選”の出現回数 “AWS”の出現回数 タイトルの文字数 過去にスパムを送っ たメールアドレスか … 0 0 5 20 0 … 1 3 0 45 1 … 1 2 0 30 0 … 0 1 3 12 0 … 0 0 7 32 0 … これらの情報を使って
- 18. 18機械学習とは データを機械学習で利用できる形式に落とし込む • 1行が1件データ • 列ごとに同じ要素の特徴 • 各値は数値 スパム “当選”の出現回数 “AWS”の出現回数 タイトルの文字数 過去にスパムを送っ たメールアドレスか … 0 0 5 20 0 … 1 3 0 45 1 … 1 2 0 30 0 … 0 1 3 12 0 … 0 0 7 32 0 … これを予想できるようにする
- 19. 19本日の内容 • AIと機械学習 • 機械学習とは • Amazon SageMakerを使った機械学習の実現方法 • 機械学習のユースケース • まとめ
- 21. 21Amazon SageMakerを使った機械学習の実現方法 機械学習で実現したいこと 機械翻訳 画像の顔認識 広告のクリック予測 商品の需要予測 レコメンド 故障しそうな機器の検出 データと実現のしたいことの組み合わせで実現方法が決まる どのようなデータがあるか データベース上の商品マスタ Webサイトのアクセスログ SNSの口コミ 政府統計データ RI情報やその元データ アンケート • 機械学習の結果はどのようなデータがあるかに大 きく依存する • 必要に応じてデータの整形や変換が必要となる • データは集約するなどして使える状態になってい る必要がある
- 22. 22Amazon SageMakerを使った機械学習の実現方法 機械学習で実現したいこと 機械翻訳 画像の顔認識 広告のクリック予測 商品の需要予測 レコメンド 故障しそうな機器の検出 データと実現のしたいことの組み合わせで実現方法が決まる どのようなデータがあるか データベース上の商品マスタ Webサイトのアクセスログ SNSの口コミ 政府統計データ RI情報やその元データ アンケート • ビジネス課題や実現したいことを分解して機械学習 のタスクへと落とし込む必要がる • 機械学習のタスクに落とし込めればSageMakerのラ イブラリなどを使って実現可能
- 23. 23Amazon SageMakerを使った機械学習の実現方法 機械学習の2ステップ • 学習 • データから傾向を学習したモデルを作成する • モデルはこの後の推論で使うものであらかじめ作っておく必要がある • データの傾向が変化する場合もあるので定期的に作り直す必要がある • 推論 • 学習したモデルを使って予測を行う • 学習のステップで作成したモデルを利用する • システムなどに組み込んで新たにアクセスした際の情報をモデルに渡すことで実現
- 24. 24Amazon SageMakerを使った機械学習の実現方法 Build-Inアルゴリズムにおけるアーキテクチャ (1) 学習用コードの記述 (2) 前処理・特徴抽出などをした 学習データをS3に保存 (3) ライブラリがインストールされた コンテナ上で学習 (4) モデルはS3に保存される (5) 予測を行うAPIをデプロイ (6) 他のシステムから利用
- 26. 26Amazon SageMakerを使った機械学習の実現方法 機械学習のプログラムの流れ Notebookインスタンスを立ててプログラムで処理を記述 • データを取得し機械学習で利用できる形に整形 • 機械学習の手法やパラメータの設定 • 学習処理の実行 などを行う
- 27. 27Amazon SageMakerを使った機械学習の実現方法 機械学習のプログラムの流れ コンテナを立ち上げて学習処理の実行 • Notebookから指定された手法・パラメータで学習 • モデルはS3に出力される
- 28. 28Amazon SageMakerを使った機械学習の実現方法 機械学習のプログラムの流れ 推論API用のコンテナ作成 • S3からモデルを読み込んで推論を行う • REST APIでアクセスが可能 • 他のシステムが推論に必要な情報を渡して呼び出すこ とで予測結果を取得できる
- 39. 39Amazon SageMakerを使った機械学習の実現方法 学習処理までのまとめ • データを機械学習で使えるように変換・加工処理を行う • これは通常のPythonコードとして実現する • 加工したデータはS3に保存する • 処理内容は取得したデータに依存する • ただし、S3に出力する際のフォーマットはアルゴリズムごとに指定あり • 学習の流れはアルゴリズムにかかわらず固定でSageMakerのSDKが使える • get_image_uri()関数でコンテナ名を取得 • コンテナ名を指定してEstimatorインスタンスを作成する • Estimator.hyper_parameters()関数でハイパーパラメータを設定 • Estimator.fit()関数で学習の処理を実行
- 42. 42Amazon SageMakerを使った機械学習の実現方法 SageMakerのBuilt-inアルゴリズムはどれもインターフェースが統一されている 推論エンドポイントの作成 推論時のヘッダ情報を設定 推論を行う ここではSageMaker Python SDKでラップされたものを 利用しているが実体はREST API 入出力のフォーマットなどをヘッダで指定
- 44. 44Amazon SageMakerを使った機械学習の実現方法 推論処理のまとめ • 推論の流れもアルゴリズムにかかわらず固定でSageMakerのSDKが使える • Estimator.deploy()関数でエンドポイントを作成 • 結果としてRealTimePredictorのインスタンスを取得する • RealTimePredictorに推論時に利用するヘッダ情報を与える • RealTimePredictor.predict()関数で推論する
- 45. 45Amazon SageMakerを使った機械学習の実現方法 deploy関数の戻り値以外の方法でpredictorを取得するには？ • 推論用エンドポイントは既存システムなどNotebookの外から利用する • エンドポイントのデプロイ処理はしないので戻り値以外で取得したい
- 46. 46Amazon SageMakerを使った機械学習の実現方法 deploy関数の戻り値以外の方法でpredictorを取得するには？ • 推論用エンドポイントは既存システムなどNotebookの外から利用する • エンドポイントのデプロイ処理はしないので戻り値以外で取得したい $ pip install sagemaker
- 47. 47Amazon SageMakerを使った機械学習の実現方法 エンドポイントの名前がわからない場合 • deployの際にendpoint_name引数で指定できるが必須ではない • 指定したとしても忘れるかも
- 48. 48本日の内容 • AIと機械学習 • 機械学習とは • Amazon SageMakerを使った機械学習の実現方法 • 機械学習のユースケース • まとめ
- 49. 49機械学習のユースケース Amazon SageMakerのBuilt-inアルゴリズムの一部 手法 使い時 Linear Learner 回帰・分類 XGBoost 回帰・分類 ImageClassification 画像認識 Object Detection 物体検出 Factorization Machines レコメンド Sequenct to Sequence 機械翻訳・文章生成 DeepAR 時系列予測 Random Cut Forest 異常値検知
- 50. 50機械学習のユースケース 回帰 • 数値の予測を行う 回帰が利用可能な主なアルゴリズム • Linear Learner • XGBoost 利用例 • 売上の予測 • 売れ行きに貢献しそうな要素をデータとして利用 • 明日の仕入れ量などを決めるのに利用 • 各要素が売上にどのくらい影響しているかのインパクトを調べる
- 51. 51機械学習のユースケース 分類 • カテゴリカルな結果を予測する 分類が利用可能な主なアルゴリズム • Linear Learner • XGBoost 利用例 • Web広告のクリック予測 • サブスクリプション制サービスの退会者予測 • 口コミ情報のポジネガ判定 • ブックマークの自動カテゴライズ
- 52. 52機械学習のユースケース レコメンド • 商品やコンテンツに対して関連したものを提示する レコメンドが利用可能な主なアルゴリズム • Factorization Machines 利用例 • ECサイトでのオススメ商品 • 動画サイトでのオススメ動画 • ニュースサイトでの関連記事
- 53. 53機械学習のユースケース 物体検出 • 画像中のどこに何が映っているかを判定する 物体検出が利用可能な主なアルゴリズム • Object Detection 利用例 • 自動レジ • 横田deGOコーナーでデモ展示中！ • 自動運転
- 54. 54本日の内容 • AIと機械学習 • 機械学習とは • Amazon SageMakerを使った機械学習の実現方法 • 機械学習のユースケース • まとめ
- 55. 55まとめ • 現在主流のAIを構成する要素の1つとして機械学習がある • 最初にやることはビジネス要件を機械学習のタスクに落とし込む • 機械学習をするには十分な量のデータが必要 • やりたいこととデータから適切なアルゴリズムを選択する • Amazon SageMakerではライブラリの利用方法は共通 • 機械学習は様々な場面で活用されている
Notas do Editor
- 機械学習をシステムに組み込むにはやらないとダメなことがいっぱいある 構成として、学習を行ってモデルを生成する部分とほかのシステムから利用される推論部分に大きく分けられる 学習部分と推論部分はそれぞれ別のシステムとなっていて、学習で作られたモデルが推論用のシステムで利用される 機械学習を含まない通常のシステムとの対比で考えると 学習部分は夜間バッチのようなもので他から利用かのうなデータを生成する 推論部分はユーザが一般に利用するUIを持っているシステムでバッチが生成したデータを利用する というような感じで考えるといい その際”データ”として共有されるのが”モデル”となる 学習時のフローに関してはまずデータがないと学習できないので、データを使え状態にしておく必要がある。 これは、データベースへのアクセスやファイルが利用可能な状態になっている、というのはもとより 既存のデータを使える状態にするために前処理したり、場合によっては定期的にデータを収集・集約するロジックも必要になる。つらい。 利用可能な状態のデータに対して、正解ラベルを作成する必要がある場合もある。 例えば、広告のクリック・商品購入の有無・レビューの星の数などユーザの行動がそのまま正解ラベルになることもあれば、 レビュー内容がポジティブな内容かネガティブな内容かなど、人間が見てアノテーションを設定する必要がある場合もある 特徴抽出(Feature Engineering)は場合によっては前処理と同じ扱いのこともある ここでは、 データをそもそも使える状態にするのが前処理 よりよい学習結果を得るためにデータに対して行う加工全般を特徴抽出 とする 学習はデータに対して実際に機械学習の手法を適用させて予測が可能なモデルを作成するプロセス 難しい数学の理論が絡んだりするが、SageMakerでは用意されているライブラリの関数を呼び出すのみ ただし、どの手法がどの目的で使えるかなどの対応関係は知っておく必要がある 学習を行った後は、モデルがどれだけうまく推論できるようになっているのかを評価する 機械学習の結果は100%正解するわけではないので、どのような場面で利用するかに応じて様々な方法で評価を行う 評価の結果うまく推論できそうもないとなった場合はデータを変えたり、手法を変えたりしながら結果を改善したり、諦めたりする。 推論時には、推論環境にモデルをデプロイして、関数やAPIなどで呼び出せるようにしておく 予測対象が限定的な場合は、あらかじめ結果をDBに入れておくなどしてもよい 推論用のシステムに入れるデータとしては、前処理などが済んでいる状態のものを入力とすることが可能だが、 特徴抽出で行ったロジックはそれ用のパラメータを持ってたりもするので、わりかしシステム側で持っておく必要がある。 この部分は推論結果を返す
- 機械学習をシステムに組み込むにはやらないとダメなことがいっぱいある 構成として、学習を行ってモデルを生成する部分とほかのシステムから利用される推論部分に大きく分けられる 学習部分と推論部分はそれぞれ別のシステムとなっていて、学習で作られたモデルが推論用のシステムで利用される 機械学習を含まない通常のシステムとの対比で考えると 学習部分は夜間バッチのようなもので他から利用かのうなデータを生成する 推論部分はユーザが一般に利用するUIを持っているシステムでバッチが生成したデータを利用する というような感じで考えるといい その際”データ”として共有されるのが”モデル”となる 学習時のフローに関してはまずデータがないと学習できないので、データを使え状態にしておく必要がある。 これは、データベースへのアクセスやファイルが利用可能な状態になっている、というのはもとより 既存のデータを使える状態にするために前処理したり、場合によっては定期的にデータを収集・集約するロジックも必要になる。つらい。 利用可能な状態のデータに対して、正解ラベルを作成する必要がある場合もある。 例えば、広告のクリック・商品購入の有無・レビューの星の数などユーザの行動がそのまま正解ラベルになることもあれば、 レビュー内容がポジティブな内容かネガティブな内容かなど、人間が見てアノテーションを設定する必要がある場合もある 特徴抽出(Feature Engineering)は場合によっては前処理と同じ扱いのこともある ここでは、 データをそもそも使える状態にするのが前処理 よりよい学習結果を得るためにデータに対して行う加工全般を特徴抽出 とする 学習はデータに対して実際に機械学習の手法を適用させて予測が可能なモデルを作成するプロセス 難しい数学の理論が絡んだりするが、SageMakerでは用意されているライブラリの関数を呼び出すのみ ただし、どの手法がどの目的で使えるかなどの対応関係は知っておく必要がある 学習を行った後は、モデルがどれだけうまく推論できるようになっているのかを評価する 機械学習の結果は100%正解するわけではないので、どのような場面で利用するかに応じて様々な方法で評価を行う 評価の結果うまく推論できそうもないとなった場合はデータを変えたり、手法を変えたりしながら結果を改善したり、諦めたりする。 推論時には、推論環境にモデルをデプロイして、関数やAPIなどで呼び出せるようにしておく 予測対象が限定的な場合は、あらかじめ結果をDBに入れておくなどしてもよい 推論用のシステムに入れるデータとしては、前処理などが済んでいる状態のものを入力とすることが可能だが、 特徴抽出で行ったロジックはそれ用のパラメータを持ってたりもするので、わりかしシステム側で持っておく必要がある。 この部分は推論結果を返す
- 機械学習をシステムに組み込むにはやらないとダメなことがいっぱいある 構成として、学習を行ってモデルを生成する部分とほかのシステムから利用される推論部分に大きく分けられる 学習部分と推論部分はそれぞれ別のシステムとなっていて、学習で作られたモデルが推論用のシステムで利用される 機械学習を含まない通常のシステムとの対比で考えると 学習部分は夜間バッチのようなもので他から利用かのうなデータを生成する 推論部分はユーザが一般に利用するUIを持っているシステムでバッチが生成したデータを利用する というような感じで考えるといい その際”データ”として共有されるのが”モデル”となる 学習時のフローに関してはまずデータがないと学習できないので、データを使え状態にしておく必要がある。 これは、データベースへのアクセスやファイルが利用可能な状態になっている、というのはもとより 既存のデータを使える状態にするために前処理したり、場合によっては定期的にデータを収集・集約するロジックも必要になる。つらい。 利用可能な状態のデータに対して、正解ラベルを作成する必要がある場合もある。 例えば、広告のクリック・商品購入の有無・レビューの星の数などユーザの行動がそのまま正解ラベルになることもあれば、 レビュー内容がポジティブな内容かネガティブな内容かなど、人間が見てアノテーションを設定する必要がある場合もある 特徴抽出(Feature Engineering)は場合によっては前処理と同じ扱いのこともある ここでは、 データをそもそも使える状態にするのが前処理 よりよい学習結果を得るためにデータに対して行う加工全般を特徴抽出 とする 学習はデータに対して実際に機械学習の手法を適用させて予測が可能なモデルを作成するプロセス 難しい数学の理論が絡んだりするが、SageMakerでは用意されているライブラリの関数を呼び出すのみ ただし、どの手法がどの目的で使えるかなどの対応関係は知っておく必要がある 学習を行った後は、モデルがどれだけうまく推論できるようになっているのかを評価する 機械学習の結果は100%正解するわけではないので、どのような場面で利用するかに応じて様々な方法で評価を行う 評価の結果うまく推論できそうもないとなった場合はデータを変えたり、手法を変えたりしながら結果を改善したり、諦めたりする。 推論時には、推論環境にモデルをデプロイして、関数やAPIなどで呼び出せるようにしておく 予測対象が限定的な場合は、あらかじめ結果をDBに入れておくなどしてもよい 推論用のシステムに入れるデータとしては、前処理などが済んでいる状態のものを入力とすることが可能だが、 特徴抽出で行ったロジックはそれ用のパラメータを持ってたりもするので、わりかしシステム側で持っておく必要がある。 この部分は推論結果を返す
- 機械学習をシステムに組み込むにはやらないとダメなことがいっぱいある 構成として、学習を行ってモデルを生成する部分とほかのシステムから利用される推論部分に大きく分けられる 学習部分と推論部分はそれぞれ別のシステムとなっていて、学習で作られたモデルが推論用のシステムで利用される 機械学習を含まない通常のシステムとの対比で考えると 学習部分は夜間バッチのようなもので他から利用かのうなデータを生成する 推論部分はユーザが一般に利用するUIを持っているシステムでバッチが生成したデータを利用する というような感じで考えるといい その際”データ”として共有されるのが”モデル”となる 学習時のフローに関してはまずデータがないと学習できないので、データを使え状態にしておく必要がある。 これは、データベースへのアクセスやファイルが利用可能な状態になっている、というのはもとより 既存のデータを使える状態にするために前処理したり、場合によっては定期的にデータを収集・集約するロジックも必要になる。つらい。 利用可能な状態のデータに対して、正解ラベルを作成する必要がある場合もある。 例えば、広告のクリック・商品購入の有無・レビューの星の数などユーザの行動がそのまま正解ラベルになることもあれば、 レビュー内容がポジティブな内容かネガティブな内容かなど、人間が見てアノテーションを設定する必要がある場合もある 特徴抽出(Feature Engineering)は場合によっては前処理と同じ扱いのこともある ここでは、 データをそもそも使える状態にするのが前処理 よりよい学習結果を得るためにデータに対して行う加工全般を特徴抽出 とする 学習はデータに対して実際に機械学習の手法を適用させて予測が可能なモデルを作成するプロセス 難しい数学の理論が絡んだりするが、SageMakerでは用意されているライブラリの関数を呼び出すのみ ただし、どの手法がどの目的で使えるかなどの対応関係は知っておく必要がある 学習を行った後は、モデルがどれだけうまく推論できるようになっているのかを評価する 機械学習の結果は100%正解するわけではないので、どのような場面で利用するかに応じて様々な方法で評価を行う 評価の結果うまく推論できそうもないとなった場合はデータを変えたり、手法を変えたりしながら結果を改善したり、諦めたりする。 推論時には、推論環境にモデルをデプロイして、関数やAPIなどで呼び出せるようにしておく 予測対象が限定的な場合は、あらかじめ結果をDBに入れておくなどしてもよい 推論用のシステムに入れるデータとしては、前処理などが済んでいる状態のものを入力とすることが可能だが、 特徴抽出で行ったロジックはそれ用のパラメータを持ってたりもするので、わりかしシステム側で持っておく必要がある。 この部分は推論結果を返す
- ・ notebookインスタンスの起動方法 ・ 起動してるインスタンスは仕込んでおく ・ コードを動かす ・ 仕込むもの : モデル、エンドポイント ・ 推論する
- ・ notebookインスタンスの起動方法 ・ 起動してるインスタンスは仕込んでおく ・ コードを動かす ・ 仕込むもの : モデル、エンドポイント ・ 推論する
- ・ notebookインスタンスの起動方法 ・ 起動してるインスタンスは仕込んでおく ・ コードを動かす ・ 仕込むもの : モデル、エンドポイント ・ 推論する
- ・ notebookインスタンスの起動方法 ・ 起動してるインスタンスは仕込んでおく ・ コードを動かす ・ 仕込むもの : モデル、エンドポイント ・ 推論する
- ・ notebookインスタンスの起動方法 ・ 起動してるインスタンスは仕込んでおく ・ コードを動かす ・ 仕込むもの : モデル、エンドポイント ・ 推論する
- ・ notebookインスタンスの起動方法 ・ 起動してるインスタンスは仕込んでおく ・ コードを動かす ・ 仕込むもの : モデル、エンドポイント ・ 推論する
- ・ notebookインスタンスの起動方法 ・ 起動してるインスタンスは仕込んでおく ・ コードを動かす ・ 仕込むもの : モデル、エンドポイント ・ 推論する
- ・ notebookインスタンスの起動方法 ・ 起動してるインスタンスは仕込んでおく ・ コードを動かす ・ 仕込むもの : モデル、エンドポイント ・ 推論する
- ・ notebookインスタンスの起動方法 ・ 起動してるインスタンスは仕込んでおく ・ コードを動かす ・ 仕込むもの : モデル、エンドポイント ・ 推論する
- ・ notebookインスタンスの起動方法 ・ 起動してるインスタンスは仕込んでおく ・ コードを動かす ・ 仕込むもの : モデル、エンドポイント ・ 推論する
- ・ notebookインスタンスの起動方法 ・ 起動してるインスタンスは仕込んでおく ・ コードを動かす ・ 仕込むもの : モデル、エンドポイント ・ 推論する
- ・ notebookインスタンスの起動方法 ・ 起動してるインスタンスは仕込んでおく ・ コードを動かす ・ 仕込むもの : モデル、エンドポイント ・ 推論する
- ・ notebookインスタンスの起動方法 ・ 起動してるインスタンスは仕込んでおく ・ コードを動かす ・ 仕込むもの : モデル、エンドポイント ・ 推論する
- ・ notebookインスタンスの起動方法 ・ 起動してるインスタンスは仕込んでおく ・ コードを動かす ・ 仕込むもの : モデル、エンドポイント ・ 推論する
- ・ notebookインスタンスの起動方法 ・ 起動してるインスタンスは仕込んでおく ・ コードを動かす ・ 仕込むもの : モデル、エンドポイント ・ 推論する
- ・ notebookインスタンスの起動方法 ・ 起動してるインスタンスは仕込んでおく ・ コードを動かす ・ 仕込むもの : モデル、エンドポイント ・ 推論する
- ・ notebookインスタンスの起動方法 ・ 起動してるインスタンスは仕込んでおく ・ コードを動かす ・ 仕込むもの : モデル、エンドポイント ・ 推論する
- ・ notebookインスタンスの起動方法 ・ 起動してるインスタンスは仕込んでおく ・ コードを動かす ・ 仕込むもの : モデル、エンドポイント ・ 推論する
- ・ notebookインスタンスの起動方法 ・ 起動してるインスタンスは仕込んでおく ・ コードを動かす ・ 仕込むもの : モデル、エンドポイント ・ 推論する
- 例えば小売業であれば ・天気・気温 ・チラシ配布の有無や枚数 ・安売りなどの実施 ・夜間・昼間人口 ・幹線道路沿いにあるか など、売上に影響しそうな要素が使える
- クリック予測 : アクセスしたサイトの内容、年齢・性別、流入経路、直近クリックした広告など 退会者予測 : RFMや最終ログイン日、滞在時間、利用コンテンツ数など 口コミ : SNS上での書き込み カテゴライズ : これまでブックマークされたコンテンツの情報
- 協調フィルタリングとか