2019/5/28 de:code2019 AI82にて行ったセッション資料です。 資料内で紹介しているVIDEOのURL https://youtu.be/aXjrv5b-UD8

1. Ask the Speaker 写真撮影 動画撮影
セッション資料
後日公開
Twitter ハッシュタグ
AI82
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
株式会社ネクストスケープ
システムインテグレーション事業本部 クラウド推進部 部長
上坂 貴志
#decode19
#AI82設定なし

2. de:code 2019
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
株式会社ネクストスケープ
システムインテグレーション事業本部 クラウド推進部 部長
上坂 貴志

3. このセッションについて

4. 自己紹介

5. 自己紹介
https://www.slideshare.net/uesaka

6. 機械学習を理解するポイント
エンジニアにとって

7. 機械学習を理解するポイント
学習済みモデル
推測結果 𝑓 が得られる

8. などの係数を決定
学習済みモデル
𝑓 𝑥1, … = 𝑎 + 𝑏𝑥1 + …
※重回帰分析の例
機械学習を理解するポイント

9. 機械学習を理解するポイント
学習済みモデル
学習済みモデル
推測結果𝑓
説明変数＋目的変数 説明変数

10. 機械学習を理解するポイント
Workclass Education ・・・ income
説明変数 目的変数
予測結果の原因 予測結果

11. 機械学習を理解するポイント
• 欠損値を補完
• 補完しきれないデータの削除
• クラスタリングによる外れ値の削除
• 正規化（数値を0～1に収める）
• 余計な説明変数の削除
• 重複データ対処など
データの丁寧なク
レンジング

12. 機械学習を理解するポイント
• モデル（アルゴリズム）は沢山あるため、
どれがベストなのかを判定するために同じ
データに対して複数のモデルをトレーニング
し、結果を比較
モデルの
比較選択

13. 機械学習を理解するポイント
• モデル（アルゴリズム）にはそれぞれにトレー
ニング時に使用する独自パラメータが存在す
る。これをハイパーパラメータと呼ぶ。ハイパー
パラメータを変えることで予測精度の上昇が
見込める
ハイパーパラメータの
チューニング

14. 予測用システム構築のポイント

15. 予測用システム構築のポイント

16. 予測用システム構築のポイント
Linux
学習環境と本番環境のOS・プログラミング言語が同じでよい場合
Linux
フレームワーク
• The Microsoft Cognitive Toolkit
• Tensorflow
• Keras
• etc

17. 予測用システム構築のポイント
C#
ASP.NET Core
http
学習環境と本番環境のOS・プログラミング言語が違う場合
Linux
Windows Linux
フレームワーク
フレームワーク

18. 予測用システム構築のポイント
ONNX : Open Neural Network Exchange Format
C# ML.NET
学習に使用したモデルがニューラルネットワークベースの場合
学習環境と本番環境のOS・プログラミング言語が違う、かつ
Linux Windows
TensorFlow
Keras

19. 予測用システム構築のポイント
最新データ

20. Azure Machine Learning Studio

21. • Web (via http) , Hive Query(Hadoop), ファイル
（Azure Blob Storage）、Azure SQL Database,
Odata, SQLServer(On-Premiss), Azure
CosmosDB
読み込めるデータソースの種類が豊富
• 全25種類（二項分類：9, 多項分類：5, 回帰：8,
異常検知：2, クラスタリング：1）
モデル（アルゴリズム）豊富
Azure Machine Learning Studio

22. • データの統計情報、欠損値補完、不要レコード除去、特
徴量標準化、Normalizeなど
データクレンジング用の便利モジュールあります
• 精度の比較用のモジュールもある
複数のモデルの学習がとても簡単に実施
Azure Machine Learning Studio

23. • 自動的にパラメータを変更しながら試行
ハイパーパラメータの自動チューニングあります
• 学習時と同様のGUIによる構築が簡単に誰でもすぐ
に可能
Webサービスのデプロイ
• PowerShellによる自動化が可能
モデルの更新からWebサービスへ再デプロイ
Azure Machine Learning Studio

24. 知っておくべき検討事項
Azure Machine Learning Studio
• 裏側で稼働しているであろうVMのスケールアップができないため、処理時間
を短縮することができない。大量データ使用時には要注意
モデルの学習時
• 独自Webサービスでのみ公開可能。学習済みモデルをダウンロードして他の
環境で使用することはできない
• 独自Webサービスのスケールアップはできないため、アクセス負荷に注意
学習済みモデルの使用時

25. Video

28. Azure Machine Learning Service
Visual Interface

29. Azure Machine Learning Service Visual Interface

30. Azure Machine Learning Service Visual Interface
https://docs.microsoft.com/ja-jp/azure/machine-learning/service/overview-what-
is-azure-ml#how-does-azure-machine-learning-service-differ-from-studio

31. 使い勝手はStudioと全く同じ
コンピューティングリソースを作成・選択できるところが大きい！クラウドらしい！
便利なモジュールが足りないが、今後拡充されるでしょう
Azure Machine Learning Service Visual Interface

32. © 2018 Microsoft Corporation. All rights reserved.
本情報の内容（添付文書、リンク先などを含む）は、作成日時点でのものであり、予告なく変更される場合があります。
© 2019 Microsoft Corporation. All rights reserved.
本情報の内容 (添付文書、リンク先などを含む) は、de:code 2019 開催日 (2019年5月29~30日) 時点のものであり、
予告なく変更される場合があります。
本コンテンツの著作権、および本コンテンツ中に出てくる商標権、団体名、ロゴ、製品、サービスなどはそれぞれ、各権利保
有者に帰属します。