Embed Size (px)
Citation preview
Techfair.jp 2017年3月2017年3月4日
瀬尾佳隆 (@seosoft)Microsoft MVP for Windows Dev
IoT キットハンズオン解説(Azure ML Studio 編)
#1 共通手順
おことわり
本資料は、2017年3月4日時点の内容です
Slideshare 公開した 2018年1月時点では一部古い内容を含んでいることがありますが、記録・参考として公開します
自己紹介
瀬尾佳隆 (せおよしたか)•MVP for Windows Development• http://yseosoft.wordpress.com/• 乃木坂46 / 欅坂46 と仏像 / 屏風絵が好き
Techfair 主宰 (http://techfair.jp/)
Cogbot コミュニティ スタッフ
今のうちにサンプルデータをダウンロード
http://bit.ly/mlsampledata20161203_2•ビットリー エムエル サンプルデータ 20161203 アンスコ 2
• ZIPファイル内の “SampleData_ForML.csv” を使います
“20161203” ですごめんなさい
IoT キットハンズオンとは？
日本マイクロソフト太田寛さん作のハンズオン資料• http://ms-iotkithol-jp.github.io/
•マイコンボードからプレゼンテーション層まで IoT 全体を学習•瀬尾もレビュー・修正・改訂などでちょっとお手伝い
今日の進め方
資料を見ながら、各自で 「もくもく」 してください
疑問点・不明点などは遠慮なく質問してください•周囲の方も協力をお願いします
この資料の特徴
センサーデータの形式はハンズオンと同じもの•ただし、CSV ファイルを Dataset として使います
開発する学習モデルはハンズオンとは別のもの•機械学習の基本的な考え方•ML Studio の操作方法
を理解することを目的とします
ML Studio をはじめる
ML Studio にサインイン
https://studio.azureml.net/
無償で使えます
ML Studio の Experiment 画面
モデリングの流れ
1 データ入力
2 データ加工
3 初期モデルの決定
4 学習モデルの作成
5 学習結果の測定
6 評価用データを予測
7 未来を予測
各ステップで主に使用するモジュール
1 データ入力 Saved Datasets, Data Input and Output
2 データ加工 Data Transformation
3 初期モデルの決定 Machine Learning – Initialize Model
4 学習モデルの作成 Machine Learning - Train
5 学習結果の測定 Machine Learning – Score
6 評価用データを予測 Machine Learning – Evaluate
7 未来を予測 Web Service
Machine Learning ノードが大事
1 データ入力 Saved Datasets, Data Input and Output
2 データ加工 Data Transformation
3 初期モデルの決定 Machine Learning – Initialize Model
4 学習モデルの作成 Machine Learning - Train
5 学習結果の測定 Machine Learning – Score
6 評価用データを予測 Machine Learning – Evaluate
7 未来を予測 Web Service
Dataset をアップロードワークスペース全体で共用可能なデータ
データファイルをアップロード (1/5)
学習用のデータとして、クラウドから直接入力することも可能ただし同じデータを使うほうが、精度の比較などがやりやすいので、
今回はCSV ファイルをアップロードします
データファイルをアップロード (2/5)
データファイルをアップロード (3/5)
データファイルをアップロード (4/5)
データファイルをアップロード (5/5)
参考）Import Data
学習用データをクラウドからインポートする場合
Experiment の作成学習モデルの編集画面
Experiment の作成 (1/3)
Experiment の作成 (2/3)
Experiment の作成 (3/3)
1.データ入力学習用データを用意する
1.データ入力 (1/3)
1.データ入力 (2/3)
念のためデータを確認
1.データ入力 (3/3)
学習モデルを作ってみる
2.データ加工学習に適した形に編集する
2.データ加工～列選択 (1/8)今回、使用する列だけにする
2.データ加工～列選択 (2/8)
2.データ加工～列選択 (3/8)
2.データ加工～列選択 (4/8)
2.データ加工～列選択 (5/8)モジュールを置いたら、”Run selected” を忘れずに
2.データ加工～列選択 (6/8)
2.データ加工～列選択 (7/8)欠損したデータは学習の邪魔になる（ことがある）
2.データ加工～列選択 (8/8)パラメーターと予測したい値との関係性
「accelx と temp との間には関連がありそう」
2.データ加工～欠損データ削除 (1/2)
2.データ加工～欠損データ削除 (2/2)
欠損データがある行を削除
ここでも最後に “Run selected”
次の手順へ
回帰分析
回帰分析が終わったら•二項分類•グループ化
今回の資料
機械学習と Azure ML Studio の基本 (この資料)• http://bit.ly/mlstudio20161203
IoTキットハンズオン解説 (ML Studio パート) #1 共通手順• http://bit.ly/mlhol_1_20161203
IoTキットハンズオン解説 (ML Studio パート) #2 回帰分析• http://bit.ly/mlhol_2_20161203
IoTキットハンズオン解説 (ML Studio パート) #3 分類分析• http://bit.ly/mlhol_3_20161203
IoTキットハンズオン解説 (ML Studio パート) #4 グループ化• http://bit.ly/mlhol_4_20161203
“20161203” ですごめんなさい
