Enviar pesquisa
Carregar
20181117 azure ml_seminar_2
•
Transferir como PPTX, PDF
•
0 gostou
•
414 visualizações
sady_nitro
Seguir
20181117 Azure Machine Lerning 勉強会 in Okayama (2)
Leia menos
Leia mais
Tecnologia
Denunciar
Compartilhar
Denunciar
Compartilhar
1 de 25
Baixar agora
Recomendados
20150608 初心者によるazure machinelearning入門
20150608 初心者によるazure machinelearning入門
Toshiyuki Manabe
推薦システムを構築する手順書 with Azure Machine Learning
推薦システムを構築する手順書 with Azure Machine Learning
Masayuki Ota
Azure MLによるWeb Serviceの作り方
Azure MLによるWeb Serviceの作り方
nishioka1
20150404 jazug fukushima
20150404 jazug fukushima
Toshiyuki Manabe
20181117 azure ml_seminar_1
20181117 azure ml_seminar_1
sady_nitro
Automated ML (Azure) で始める機械学習の民主化
Automated ML (Azure) で始める機械学習の民主化
Atsushi Yokohama (BEACHSIDE)
Istqb : Test automation Engineer
Istqb : Test automation Engineer
Sadaaki Emura
Azure Machine Learning の使い方 (全体を理解するための入門編)
Azure Machine Learning の使い方 (全体を理解するための入門編)
hnishi
Recomendados
20150608 初心者によるazure machinelearning入門
20150608 初心者によるazure machinelearning入門
Toshiyuki Manabe
推薦システムを構築する手順書 with Azure Machine Learning
推薦システムを構築する手順書 with Azure Machine Learning
Masayuki Ota
Azure MLによるWeb Serviceの作り方
Azure MLによるWeb Serviceの作り方
nishioka1
20150404 jazug fukushima
20150404 jazug fukushima
Toshiyuki Manabe
20181117 azure ml_seminar_1
20181117 azure ml_seminar_1
sady_nitro
Automated ML (Azure) で始める機械学習の民主化
Automated ML (Azure) で始める機械学習の民主化
Atsushi Yokohama (BEACHSIDE)
Istqb : Test automation Engineer
Istqb : Test automation Engineer
Sadaaki Emura
Azure Machine Learning の使い方 (全体を理解するための入門編)
Azure Machine Learning の使い方 (全体を理解するための入門編)
hnishi
Amazon SageMakerでゼロからはじめる機械学習入門
Amazon SageMakerでゼロからはじめる機械学習入門
__john_smith__
自動テスト知識体系TABOKのご紹介
自動テスト知識体系TABOKのご紹介
Shinsuke Matsuki
Et west テスト自動化_公開版
Et west テスト自動化_公開版
Noriyuki Mizuno
Azure machine learning service 最新の機械学習プラットフォーム
Azure machine learning service 最新の機械学習プラットフォーム
Keita Onabuta
Keyword System Test
Keyword System Test
Toru Koido
キーワード駆動によるシステムテストの自動化について 2015
キーワード駆動によるシステムテストの自動化について 2015
Toru Koido
Exam prep microsoft_ai900_japanese_210428
Exam prep microsoft_ai900_japanese_210428
Yukio Saito
Azure Machine Learning Hands-on - AutoML編 - 2020年1月
Azure Machine Learning Hands-on - AutoML編 - 2020年1月
Daiyu Hatakeyama
2021/6/3 Deep Learning Lab - Azure Synapse Analytics Ignite & Build アップデートake
2021/6/3 Deep Learning Lab - Azure Synapse Analytics Ignite & Build アップデートake
Daiyu Hatakeyama
組み込み開発でのシステムテスト自動化の一つの考え方(STAC)
組み込み開発でのシステムテスト自動化の一つの考え方(STAC)
H Iseri
【JaSST'14 Tokyo】システムテストの自動化による 大規模分散検索プラットフォームの 開発工程改善 #JaSST
【JaSST'14 Tokyo】システムテストの自動化による 大規模分散検索プラットフォームの 開発工程改善 #JaSST
Kotaro Ogino
00001_test_automation_portfolio_20240227
00001_test_automation_portfolio_20240227
ssuserf8ea02
事例から見るテスト自動化のポイント
事例から見るテスト自動化のポイント
Hiroshi Maekawa
明治大学講演資料「機械学習と自動ハイパーパラメタ最適化」 佐野正太郎
明治大学講演資料「機械学習と自動ハイパーパラメタ最適化」 佐野正太郎
Preferred Networks
【de:code 2020】 アマダの Azure への取り組みと DevOPS・MLOPS 環境の構築と運用
【de:code 2020】 アマダの Azure への取り組みと DevOPS・MLOPS 環境の構築と運用
日本マイクロソフト株式会社
【楽天テックカンファ前夜祭2014】誰がテスト自動化をするべきか #rakutentech
【楽天テックカンファ前夜祭2014】誰がテスト自動化をするべきか #rakutentech
Kotaro Ogino
データセットの作り方
データセットの作り方
Hiroya Kubo
Test Automation Journey 2023 useful knowledge to start test automation
Test Automation Journey 2023 useful knowledge to start test automation
Sadaaki Emura
AutoML & InterpretML (2019/11/27 Deep Learning Lab 講演資料)
AutoML & InterpretML (2019/11/27 Deep Learning Lab 講演資料)
Keita Onabuta
開発者のための機械学習入門:Azure Machine Learning Studioで構造化データから予測分析
開発者のための機械学習入門:Azure Machine Learning Studioで構造化データから予測分析
貴志 上坂
What's new with Amazon SageMaker
What's new with Amazon SageMaker
sady_nitro
20181117 azure ml_seminar_3
20181117 azure ml_seminar_3
sady_nitro
Mais conteúdo relacionado
Semelhante a 20181117 azure ml_seminar_2
Amazon SageMakerでゼロからはじめる機械学習入門
Amazon SageMakerでゼロからはじめる機械学習入門
__john_smith__
自動テスト知識体系TABOKのご紹介
自動テスト知識体系TABOKのご紹介
Shinsuke Matsuki
Et west テスト自動化_公開版
Et west テスト自動化_公開版
Noriyuki Mizuno
Azure machine learning service 最新の機械学習プラットフォーム
Azure machine learning service 最新の機械学習プラットフォーム
Keita Onabuta
Keyword System Test
Keyword System Test
Toru Koido
キーワード駆動によるシステムテストの自動化について 2015
キーワード駆動によるシステムテストの自動化について 2015
Toru Koido
Exam prep microsoft_ai900_japanese_210428
Exam prep microsoft_ai900_japanese_210428
Yukio Saito
Azure Machine Learning Hands-on - AutoML編 - 2020年1月
Azure Machine Learning Hands-on - AutoML編 - 2020年1月
Daiyu Hatakeyama
2021/6/3 Deep Learning Lab - Azure Synapse Analytics Ignite & Build アップデートake
2021/6/3 Deep Learning Lab - Azure Synapse Analytics Ignite & Build アップデートake
Daiyu Hatakeyama
組み込み開発でのシステムテスト自動化の一つの考え方(STAC)
組み込み開発でのシステムテスト自動化の一つの考え方(STAC)
H Iseri
【JaSST'14 Tokyo】システムテストの自動化による 大規模分散検索プラットフォームの 開発工程改善 #JaSST
【JaSST'14 Tokyo】システムテストの自動化による 大規模分散検索プラットフォームの 開発工程改善 #JaSST
Kotaro Ogino
00001_test_automation_portfolio_20240227
00001_test_automation_portfolio_20240227
ssuserf8ea02
事例から見るテスト自動化のポイント
事例から見るテスト自動化のポイント
Hiroshi Maekawa
明治大学講演資料「機械学習と自動ハイパーパラメタ最適化」 佐野正太郎
明治大学講演資料「機械学習と自動ハイパーパラメタ最適化」 佐野正太郎
Preferred Networks
【de:code 2020】 アマダの Azure への取り組みと DevOPS・MLOPS 環境の構築と運用
【de:code 2020】 アマダの Azure への取り組みと DevOPS・MLOPS 環境の構築と運用
日本マイクロソフト株式会社
【楽天テックカンファ前夜祭2014】誰がテスト自動化をするべきか #rakutentech
【楽天テックカンファ前夜祭2014】誰がテスト自動化をするべきか #rakutentech
Kotaro Ogino
データセットの作り方
データセットの作り方
Hiroya Kubo
Test Automation Journey 2023 useful knowledge to start test automation
Test Automation Journey 2023 useful knowledge to start test automation
Sadaaki Emura
AutoML & InterpretML (2019/11/27 Deep Learning Lab 講演資料)
AutoML & InterpretML (2019/11/27 Deep Learning Lab 講演資料)
Keita Onabuta
開発者のための機械学習入門:Azure Machine Learning Studioで構造化データから予測分析
開発者のための機械学習入門:Azure Machine Learning Studioで構造化データから予測分析
貴志 上坂
Semelhante a 20181117 azure ml_seminar_2
(20)
Amazon SageMakerでゼロからはじめる機械学習入門
Amazon SageMakerでゼロからはじめる機械学習入門
自動テスト知識体系TABOKのご紹介
自動テスト知識体系TABOKのご紹介
Et west テスト自動化_公開版
Et west テスト自動化_公開版
Azure machine learning service 最新の機械学習プラットフォーム
Azure machine learning service 最新の機械学習プラットフォーム
Keyword System Test
Keyword System Test
キーワード駆動によるシステムテストの自動化について 2015
キーワード駆動によるシステムテストの自動化について 2015
Exam prep microsoft_ai900_japanese_210428
Exam prep microsoft_ai900_japanese_210428
Azure Machine Learning Hands-on - AutoML編 - 2020年1月
Azure Machine Learning Hands-on - AutoML編 - 2020年1月
2021/6/3 Deep Learning Lab - Azure Synapse Analytics Ignite & Build アップデートake
2021/6/3 Deep Learning Lab - Azure Synapse Analytics Ignite & Build アップデートake
組み込み開発でのシステムテスト自動化の一つの考え方(STAC)
組み込み開発でのシステムテスト自動化の一つの考え方(STAC)
【JaSST'14 Tokyo】システムテストの自動化による 大規模分散検索プラットフォームの 開発工程改善 #JaSST
【JaSST'14 Tokyo】システムテストの自動化による 大規模分散検索プラットフォームの 開発工程改善 #JaSST
00001_test_automation_portfolio_20240227
00001_test_automation_portfolio_20240227
事例から見るテスト自動化のポイント
事例から見るテスト自動化のポイント
明治大学講演資料「機械学習と自動ハイパーパラメタ最適化」 佐野正太郎
明治大学講演資料「機械学習と自動ハイパーパラメタ最適化」 佐野正太郎
【de:code 2020】 アマダの Azure への取り組みと DevOPS・MLOPS 環境の構築と運用
【de:code 2020】 アマダの Azure への取り組みと DevOPS・MLOPS 環境の構築と運用
【楽天テックカンファ前夜祭2014】誰がテスト自動化をするべきか #rakutentech
【楽天テックカンファ前夜祭2014】誰がテスト自動化をするべきか #rakutentech
データセットの作り方
データセットの作り方
Test Automation Journey 2023 useful knowledge to start test automation
Test Automation Journey 2023 useful knowledge to start test automation
AutoML & InterpretML (2019/11/27 Deep Learning Lab 講演資料)
AutoML & InterpretML (2019/11/27 Deep Learning Lab 講演資料)
開発者のための機械学習入門:Azure Machine Learning Studioで構造化データから予測分析
開発者のための機械学習入門:Azure Machine Learning Studioで構造化データから予測分析
Mais de sady_nitro
What's new with Amazon SageMaker
What's new with Amazon SageMaker
sady_nitro
20181117 azure ml_seminar_3
20181117 azure ml_seminar_3
sady_nitro
座駆動LT Surface Go 実機レビュー
座駆動LT Surface Go 実機レビュー
sady_nitro
組合せ最適化問題と解法アルゴリズム
組合せ最適化問題と解法アルゴリズム
sady_nitro
オカヤマ コンピュータサイエンス ラボ についてのおはなし
オカヤマ コンピュータサイエンス ラボ についてのおはなし
sady_nitro
RubyとRのおいしい関係
RubyとRのおいしい関係
sady_nitro
Try Azure Machine Learning
Try Azure Machine Learning
sady_nitro
Comcamp 2016 Okayama VSTS
Comcamp 2016 Okayama VSTS
sady_nitro
RubySeminar16_Analyze
RubySeminar16_Analyze
sady_nitro
OITEC19_TFS
OITEC19_TFS
sady_nitro
みんな大好き機械学習
みんな大好き機械学習
sady_nitro
Mais de sady_nitro
(11)
What's new with Amazon SageMaker
What's new with Amazon SageMaker
20181117 azure ml_seminar_3
20181117 azure ml_seminar_3
座駆動LT Surface Go 実機レビュー
座駆動LT Surface Go 実機レビュー
組合せ最適化問題と解法アルゴリズム
組合せ最適化問題と解法アルゴリズム
オカヤマ コンピュータサイエンス ラボ についてのおはなし
オカヤマ コンピュータサイエンス ラボ についてのおはなし
RubyとRのおいしい関係
RubyとRのおいしい関係
Try Azure Machine Learning
Try Azure Machine Learning
Comcamp 2016 Okayama VSTS
Comcamp 2016 Okayama VSTS
RubySeminar16_Analyze
RubySeminar16_Analyze
OITEC19_TFS
OITEC19_TFS
みんな大好き機械学習
みんな大好き機械学習
Último
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
akihisamiyanaga1
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
UEHARA, Tetsutaro
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
sugiuralab
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
FumieNakayama
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
Yuki Kikuchi
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
FumieNakayama
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
博三 太田
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
Hiroshi Tomioka
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NTT DATA Technology & Innovation
Último
(9)
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
20181117 azure ml_seminar_2
1.
Azure Machine Learning モジュールの解説(学習&評価) 2018.11.17 Azure
Machine Learning勉強会 in Okayama 貞松 政史
2.
本セッションの流れ • Azure Machine
Learningのモジュール説明 • 学習アルゴリズム • 予測 • 分類 • レコメンド • クラスタリング • 評価 • テストデータに対する結果の確認 • 結果に対する評価
3.
モジュール説明(学習アルゴリズム) • Azure Machine
Learningのモジュール説明 • 学習アルゴリズム • 予測 • 分類 • レコメンド • クラスタリング • 評価 • テストデータに対する結果の確認 • 結果に対する評価
4.
どの機械学習モジュールを使うか • Azure Machine
Learning Studio のアルゴリズムの選択方法 • https://docs.microsoft.com/ja-jp/azure/machine-learning/studio/algorithm- choice • Azure Machine Learning Studioの機械学習アルゴリズム チート シート • https://docs.microsoft.com/ja-jp/azure/machine-learning/studio/algorithm- cheat-sheet
5.
機械学習アルゴリズム チート シート
6.
Machine Learningモジュール(学習) 学習アルゴリズムとそれに対する評価の為のモジュール群 学習アルゴリズム 学習実行(データとアルゴリズムの接続)
7.
データと学習アルゴリズムの接続
8.
Trainモジュール 学習アルゴリズムと学習データを接続して学習を実行する 学習の種類に応じてつなぐモジュールが異なる
9.
Train Model 学習アルゴリズムとデータを 接続する 学習を実行し、学習したモデ ルを評価モジュールに渡す
10.
Tune Model Hyperparameters 学習アルゴリズムに対して設 定が必要なパラメータ(ハイ パーパラメータ)を調整してく れる Train
Modelの代わりに 学習アルゴリズムとデータを 接続する
11.
Initialize Model 学習アルゴリズムモジュール 用途別の学習モジュールが一式用意されている
12.
Anomaly Detection 異常検知モジュール 正常な状態(傾向)を学習し、そこから外れた状態(異常)を検知する
13.
Classification 分類モジュール 大別すると - 2種類の分類 - (2より多い)複数種類の分類 その中で、さらに細かく各種アルゴリズム が用意されている
14.
Clustering クラスタリングモジュール 学習データを(未知の)カテゴリに分類する AzureMLStudio上ではK-Means Clusteringのみ
15.
Regression 回帰モジュール 様々な回帰アルゴリズムにより予測モデルを学習する
16.
モジュール説明(評価) • Azure Machine
Learningのモジュール説明 • 学習アルゴリズム • 予測 • 分類 • レコメンド • クラスタリング • 評価 • テストデータに対する結果の確認 • 結果に対する評価
17.
Machine Learningモジュール(評価) 評価指標による性能評価 学習モデルによる結果の確認
18.
Scoreモジュール 評価モジュール(結果の表示) 学習の種類によって接続するモジュールが変わる
19.
Evaluateモジュール 評価モジュール(指標によるモデルの評価) 学習の種類によって接続するモジュールが変わる
20.
学習アルゴリズムと評価モジュールの接続
21.
Score ModelのVisualize 実際の値 予測値
標準偏差
22.
Evaluate ModelのVisualize
23.
評価指標 • Mean Absolute
Error • 平均絶対誤差(MAE)は、予測が実際の結果にどのくらい近いかを測定 します。従って、スコアが低い方が良い。 • Root Mean Square Error • モデルの誤差を要約する単一の値を作成します。差を二乗することに よって、メトリックは過予測と過小予測の差を無視します。
24.
評価指標 • Releative Absolute
Error • 相対絶対誤差(RAE)は、予想値と実際値の相対的な絶対差です。相対 差は平均差を算術平均で除算するためです。 • Releative Squared Error • 相対二乗誤差(RSE)は同様に、実際の値の二乗誤差の二乗で除算する ことによって、予測値の二乗誤差の二乗を正規化します。
25.
後半のまとめ • 用途に合わせて様々な学習アルゴリズムを選択可能 • 選択すべき学習アルゴリズムに迷ったらチートシートを参考 にすれば適切なアルゴリズムを選択できる •
選択した学習アルゴリズムにあわせてTrainモジュール、評 価モジュールを接続する • 最終的に学習モデルにより得られた結果を確認したり、評価 指標に基づいて性能を評価できる
Notas do Editor
■学習アルゴリズム 回帰 2分類 多分類 異常検知 クラスタリング リコメンド ■評価 Scored Evaluate 評価指標
Baixar agora