2019年4月20日開催「.NET ラボ勉強会2019年4月」でのセッション スライドです。 Azure Machine Learning Studio を使って機械学習を開始する方法についてデモを交えてお話ししました。

1. Azure Machine Learning Studio を使った
機械学習入門
Murachi Akira aka Hebikuzure

2. About me
 Murachi Akira aka hebikuzure
( 村地 彰 )
 株式会社シーピーエス 代表
 株式会社エクシードワン 技術フェロー
 トレノケート株式会社パートナー講師
 技術教育スペシャリスト
 Microsoft MVP (Most Valuable Professional)
 Since Apr. 2011
 Award Category: Windows and Device for IT
20 Apr. 2019©Murachi Akira aka hebikuzure2

3. 20 Apr. 2019©Murachi Akira aka hebikuzure3

4. 20 Apr. 2019©Murachi Akira aka hebikuzure4

5. 最近のお仕事
20 Apr. 2019©Murachi Akira aka hebikuzure5
 某 Sier さんの Azure / Office 365 活用ハンズオン セミナー
 80 人規模のユーザー企業の Windows 10 移行を含む IT サ
ポート
 80,000 ユーザー規模の Exchange サーバーの Exchange
Online 移行支援
 季節労働の新人研修講師

6. 機械学習とは
20 Apr. 2019©Murachi Akira aka hebikuzure6

7. AI, 機械学習, 深層学習
人工知能（AI）
機械的推論
パターンマッチング
1950’ 1960’ 1970’ 1980’ 1990’ 2000’ 2010’ 2020’ … …
マシンラーニング
（機械学習）
ディープラーニング
（深層学習）
20 Apr. 2019©Murachi Akira aka hebikuzure7

8. 機械学習の用途
 回帰（Regression）
 過去の実績から未知の数値（結果）を予測する
 クラス分類（Classification）
 与えられたデータを適切なクラスに分類する
 クラスタリング（Clustering）
 データを、その値を元にグループ化する
 情報圧縮
 分析を容易にするため見た目のデータ量を削減する
 レコメンデーション
 過去行動（購入など）から次の行動につながる選択肢（商品）を提示
20 Apr. 2019©Murachi Akira aka hebikuzure8

9. 学習の種類
教師あり学習 教師なし学習 強化学習
回帰
クラス分類
クラスタリング
情報圧縮
レコメン
デーション
TD学習
Q学習
20 Apr. 2019©Murachi Akira aka hebikuzure9

10. Azure Machine Learning Studio (ML Studio)
20 Apr. 2019©Murachi Akira aka hebikuzure10

11. 20 Apr. 2019©Murachi Akira aka hebikuzure11

12. Azure の AI サービス
20 Apr. 2019©Murachi Akira aka hebikuzure12
 Azure Machine Learning サービス
 Azure Machine Learning Studio
 データサイエンス VM
 Microsoft Machine Learning Server
 Azure Cognitive Services

13. Azure で利用可能な機械学習リソース
20 Apr. 2019©Murachi Akira aka hebikuzure13
 Azure Machine Learning サービス
 機械学習モデルのデータ準備、トレーニング、デプロイを迅速に行う
ための SDK とサービスのセット
 Azure Machine Learning Studio
 本セッションで解説するツール
 データサイエンス VM
 高度な分析用のインテリジェントなアプリケーションを構築するために
カスタマイズされた VM イメージ
 Microsoft Machine Learning Server

14. ML Studio の概要
 ビジュアル エディターでのドラッグ＆ドロップ操作でさまざまな
機械学習モデルの実験・構築ができるクラウド サービス
 Microsoft の適用実績が反映されたサービス
 実用的な手法やアルゴリズムがすぐに利用できる
 構築した学習モデルを簡単に Web公開（Web アプリ、API）できる
 PaaS として提供されるのでインフラ/セキュリティ/パフォーマンスを意
識しなくてよい
 すぐに使い始めて学習モデルを構築できる（スピード！）
 R や Python を利用できる
20 Apr. 2019©Murachi Akira aka hebikuzure14

15. ML Studio のプラン
20 Apr. 2019©Murachi Akira aka hebikuzure15

16. プランの詳細
20 Apr. 2019©Murachi Akira aka hebikuzure16
Free Standard
料金 Free
¥1,118.88/シート/月
¥112/Studio 実行時間
Azure サブスクリプション 不要 必須
実験ごとのモジュールの最大数 100無制限
最大実験時間 実験ごとに 1 時間
実験ごとに最大 7 日間、モ
ジュールごとに最大 24 時間
最大の記憶域スペース 10 GB 無制限 - BYO
オンプレミス SQL からのデータ読み取り プレ
ビュー
いいえ はい
実行/パフォーマンス 単一ノード 複数のノード
実稼働 Web API いいえ はい
SLA いいえ はい

17. ML Studio の利用開始
20 Apr. 2019©Murachi Akira aka hebikuzure17
 （Standard プランの場合）
 Azure ポータルなどで「Machine Learning Studio
Workspace」を作成
 ストレージ アカウントと Web サービス プランの構成（既存の
ものの割り当てか新規作成）が必要
 https://studio.azureml.net/ にアクセス
 （Standard プランの場合） Machine Learning Studio
Workspace を作成したアカウントでサインイン
（Free プランの場合）適当なアカウントでサインイン

18. Demo
ML Studio を利用した機械学習モデルの実験・構築と Web 公開
20 Apr. 2019©Murachi Akira aka hebikuzure18

19. 回帰
20 Apr. 2019©Murachi Akira aka hebikuzure19
 線形回帰
 ベイズ線形回帰モデル
y = wx + c
条件
予測値

20. クラスタリング
20 Apr. 2019©Murachi Akira aka hebikuzure20
 k-means 法（k-平均法）
1. 事前にクラスタ数 k と繰り返し回数 n を決定する
2. 対象データからランダムに k 個取り出し、仮のクラスタの中心点とする
3. データ毎に各クラスタ中心との距離を求め、最も近いクラスタに割り当てる
4. クラスタ毎に割り当てられたデータの平均を求めて新しい中心とする
5. 2. から 4 を、割り当てるデータに変化が無くなるか n 回に達するまで繰り返す
 k-means++ 法
 k-means 法の改良
 仮のクラスタの中心をランダムに設定するのではなく、データの実際の分散を考
慮した中心を求めて利用する

21. Demo 手順の参考
20 Apr. 2019©Murachi Akira aka hebikuzure21
 ステップバイステップのチュートリアル
https://docs.microsoft.com/ja-jp/azure/machine-
learning/studio/#ステップバイステップのチュートリアル
 初めての Studio 実験を作成する
https://docs.microsoft.com/ja-jp/azure/machine-
learning/studio/create-experiment
 信用リスクに対する予測ソリューションを作成およびデプロイ
する
https://docs.microsoft.com/ja-jp/azure/machine-
learning/studio/tutorial-part1-credit-risk