| FIREによる特徴量選択 |
FIRE（Feature Impact Rank Ensembling）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。 |
| 時系列から画像へ |
高頻度データユースケースに使用される高度な特徴量を生成します。 |
| ユースケースの依存関係 |
DataRobotのユースケースで依存関係グラフを表示できるアプリケーションを使用します。 |
| Visual Artificial Intelligence (AI)での音響データ |
高頻度データソースの数値特徴量の集計に加えて、画像特徴量を生成します。 |
| 予測の説明 |
DataRobotのモデルで予測間隔を生成するさまざまな方法について紹介します。 これらの方法は、コンフォーマル推論（コンフォーマル予測とも呼ばれます）に基づいています。 このアクセラレーターは、連続値ターゲットでの予測間隔の生成に重点を置いています。 |
| ロバストな特徴量の選択 |
このアクセラレーターでは、ロバストな特徴量を選択するための1つのアプローチを紹介します。すなわち、交差検定で複数のシード値を用い、ダミー特徴量を加えて置換重要度（permutation importance）の中央値を計算し、それに基づいて最もロバストな特徴量を選択するというものです。 |
| ユースケースエクスプローラー |
ユースケースにおける主要なアーティファクトをすべて収集し、タイムラインに表示するプロジェクト管理ダッシュボードのテンプレートを提供します。 |