Skip to content

アプリケーション内で をクリックすると、お使いのDataRobotバージョンに関する全プラットフォームドキュメントにアクセスできます。

DataRobot APIのリソース > AIアクセラレーター > 高度なMLおよびAPIアプローチ

高度なMLおよびAPIアプローチ

トピック 説明
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。
コンフォーマル推論による予測間隔の生成 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。
部分依存プロットを作成する DataRobotを使用して、一方向と双方向の部分依存プロット（PDP）、および個別条件付き期待値（ICE）のインサイトを作成します。
DataRobotでの強化学習 Q学習アルゴリズムに基づくモデルを実装します。
モデリングデータセットのGCPベースの強化 顧客解約データセットを充実させるためのセンチメント分析に、Google Cloud Natural Language API を使用する方法を実演します。
鋼板の欠陥オブジェクトの検出 鋼板に存在する任意のサイズの傷を検出して分類できる、精度の高い堅牢な機械学習モデルをトレーニングします。
ハイパーパラメーター最適化ワークフロー DataRobotの既存のハイパーパラメータチューニングを基にして、hyperoptモジュールをDataRobotのワークフローに統合する。
Use Feature Discovery SQL with Spark clusters Run Feature Discovery SQL in a new Spark cluster on Docker by setting up a Spark cluster in Docker, registering custom user-defined functions (UDFs), and executing complex SQL queries across multiple datasets.
更新しました October 16, 2024