高度なMLおよびAPIアプローチ¶
| トピック | 内容... |
|---|---|
| MLFlowでMLエクスペリメントを追跡 | DataRobotでモデルをプログラムで構築し、AWS SageMakerでモデルをエクスポートしてホストする方法を学びます。 |
| リフトチャートをカスタマイズする | DataRobotのPythonクライアントで一般的なPythonパッケージを活用して、DataRobotのリフトチャートの視覚化を再作成して強化します。 |
| カスタム指標を使用したモデルの選択 | このAIアクセラレーターは、DataRobotのPythonクライアントを活用して予測を抽出し、カスタム指標を計算し、それに応じてDataRobotモデルを並べ替える方法を示しています。 |
| 前処理とモデルハイパーパラメーターのためにブループリントをチューニングする | 前処理ハイパーパラメーターとモデルハイパーパラメーターの両方のブループリントにアクセスし、理解し、チューニングする方法を説明します。 |
| Eureqaでモデルをファインチューニング | Eureqaアルゴリズムの形式でシンボリック連続値をデータセットに適用します。 |
| モデルを新しいクラスターに移行する | DataRobotクラスターXからデプロイ済みモデルをダウンロードし、DataRobotクラスターYにアップロードしてから、デプロイしてリクエストします。 |
| FIREによる特徴量削減 | 特徴量有用性ランクアンサンブル（FIRE）の利点について学びます。これは、オートパイロットの実行中に作成された複数のモデルにおける特徴量のインパクトの中央値ランク集計を使用する高度な特徴量選択の方法です。 |
| Composable MLでカスタムブループリントを作成する | ブループリントワークショップを使用して、リーダーボード上のモデルをカスタマイズします。 |
| Databricksで画像データを準備して活用する | Sparkを使用して画像ファイルをインポートし、DataRobotへの取込みに適したデータフレームにデータを準備します。 |
| Streamlitアプリでチャーン（解約）予測のインサイトを収集 | Streamlitチャーン予測アプリを使用して、DataRobotモデルのドライバーと予測を表示します。 |
| マルチモデル分析の実行 | Python関数を使用して、DataRobotモデルのインサイトを視覚化に集約します。 |
| ハイパースケーラーAPIを使用したデータの強化 | GCP APIを呼び出し、顧客のチャーンを予測するモデリングデータセットを強化します。 |
| Ready Signal と時系列予測を用いた木材価格の予測 | Ready Signalを使用して、国勢調査や気象データなどの外部制御データを追加して、時系列予測を改善します。 |
| Pythonマルチスレッディングを使用したモデルファクトリーの構築 | Pythonスレッディングライブラリを使用してモデルファクトリーを構築する方法を学びます。 |
| スターターのユースケースで飛行遅延を予測する | DataRobotトライアルユーザー向けに設計されており、飛行遅延を予測するユースケースを使用してエンドツーエンドのDataRobotワークフローを体験します。 |
| DataRobotとApache Airflowで統計テストを実行 | 統計テストを実施し、問題があればSlack経由で関係者に通知し、テスト結果を含むコンプライアンスドキュメントを自動生成するワークフローの例を確認します。 |
| モデルのインサイトとビジュアルのエクスポート | DataRobotプロジェクトを使用し、そのモデルのインサイトを機械で読み取り可能なファイルとさまざまなファイル形式のプロットの両方としてエクスポートする例を確認します。 |
| t-SNEを使用した次元削減 | DataRobotプロジェクトを使用して、そのモデルのインサイトをさまざまなファイル形式で、機械で読み取り可能なファイルとプロットの両方としてエクスポートする例を確認します。 |
| 合成トレーニングデータの作成 | 統計テストを実施し、問題があればSlack経由で関係者に通知し、テスト結果を含むコンプライアンスドキュメントを自動生成するワークフローの例を確認します。 |
| イベントログの表示 | ユーザーアクティビティモニターの出力を変更することで、出力の列全体を削除したり、列の匿名性を維持しながらレポートの一貫性を維持する方法で、列の内容を変更できるようになります。 |
| DataRobotモデルでLIMEを実行 | DataRobotで構築およびデプロイされたモデルに、局所的に解釈可能なモデルに依存しない説明（LIME）を適用します。 |
| Permutationの有用性によるロバストな特徴量の選択 | このアクセラレーターは、ロバストな特徴量を選択して、交差検定に複数のシードを使用し、ダミー特徴量を追加してPermutationの有用性の中央値を計算し、最もロバストなダミー特徴量を選択するアプローチを紹介します。 |
| Generate prediction intervals via conformal inference | DataRobotトライアルユーザー向けに設計されており、飛行遅延を予測するユースケースを使用してエンドツーエンドのDataRobotワークフローを体験します。 |
更新しました May 14, 2024
このページは役に立ちましたか？
ありがとうございます。どのような点が役に立ちましたか？
より良いコンテンツを提供するには、どうすればよいでしょうか？
アンケートにご協力いただき、ありがとうございました。