| 特徴量探索のワークフロー |
エンドツーエンドの本番機械学習には、反復可能なフレームワークを使用します。 これには、複数のテーブルにわたる時間認識の特徴量エンジニアリング、トレーニングデータセットの作成、モデル開発、および本番デプロイが含まれます。 |
| 再入院の因果AI |
糖尿病患者の再入院転帰を記録したデータを使用して、糖尿病患者の投薬状況とその後の再入院の可能性との因果関係性を評価します。 |
| カスタムリフトチャート |
DataRobotのPythonクライアントで一般的なPythonパッケージを利用して、DataRobotでリフトチャートによる視覚化を再作成および拡張します。 |
| ファンタジーベースボールの予想 |
DataRobot APIを活用して、連携して機能する複数のモデルをすばやく構築し、来シーズンの各選手の一般的なファンタジーベースボールの指標を予測します。 |
| LLMのファインチューニングとデプロイ |
Hugging Face、Weights and Biases (W&B)、DataRobotの機能を使ってLLMをファインチューニングし、デプロイするためのエンドツーエンドのワークフローを確認します。 |
| ハイパーパラメーターの最適化 |
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。 |
| Databricksでの画像データ |
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。 |
| テーブルを使用した本番ML |
複数のテーブルの特徴量を統合し、エンジニアリングする実稼働MLパイプラインを構築するための反復可能なフレームワークについて説明します。 |
| モバイルアプリでの予測 |
DataRobotの予測をモバイルアプリに組み込む方法を紹介します。 |
| 発注量予測 |
将来の製品の詳細と製品概略図を使用して、最初の注文数量に関する意思決定を改善するモデルを構築します。 |
| Pythonを使用したモデルファクトリー |
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。 |
| シンボリック回帰（Eureqa） |
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。 |
| Model marketing attribution |
Use DataRobot to streamline marketing attribution use cases. |