| AMLアラートのスコアリング |
顧客情報や取引情報などの履歴データを使用する機械学習モデルを構築して、疑わしい取引報告（SAR）生成の原因となったアラートを特定します。 |
| コールドスタート需要予測 |
このアクセラレーターからは、履歴が限られている、または履歴がない系列でのコールドスタートモデリングのいくつかのアプローチを比較するためのフレームワークが得られます。 |
| Databricksによる需要予測 |
DataRobotをDatabricksと組み合わせて使用して、複数系列の需要予測モデルを開発、評価、デプロイする方法。 |
| 時系列需要予測 |
DataRobotのPythonパッケージを使用した、大規模な需要予測の実行。 |
| 需要予測の再トレーニング |
DataRobot MLOpsの需要予測デプロイで再トレーニングポリシーを実装します。 |
| 財務計画分析 |
このアクセラレーターは、DataRobotのエンドツーエンドの財務計画および分析ワークフローを示します。 |
| フライト遅延予測 |
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。 |
| Neo4jによる不正検知 |
Neo4jを使用し、知識グラフの保存とクエリーを行う不正検知パイプラインを構築します。 |
| マルチモデル分析 |
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。 |
| Netliftのモデリング |
機械学習を活用して、マーケティングキャンペーンが最も効果的となる種類の人々のパターンを見つけます。 |
| What-If需要予測 |
What-Ifアプリを使って事前に既知の特徴量を調整し、キャンペーン、価格設定、季節性などの要因の変化が需要予測に与える影響を調べる方法について説明します。 |
| 予約の無断キャンセル予測 |
関連する理由とともに、予約をすっぽかす確率が最も高い患者を特定するモデルを構築します。 |
| Ready Signalによる木材価格予測 |
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。 |
| 推薦エンジン |
過去のユーザー購入データを使用して推奨モデルを作成する方法を探索します。推奨モデルは、顧客が特定の時点で購入する可能性が高いアイテムのバスケットの中から、どの製品を購入するかを推測しようとします。 |
| パネルデータでの自己結合 |
パネルデータ分析で自己結合を実装する方法を説明します。 |
| 数理上の保険料予測 |
過去の保険金請求データをモデリングと分析に活用します。 |
| Airflowでの統計テスト |
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。 |
| 取引量のプロファイル曲線 |
フレームワークを使用して、各時間間隔で翌日の取引量が発生する量を予測できるモデルを構築します。 |
| 階層照合 |
独立した時系列予測を階層構造と照合する方法について説明します。 |
| 地理空間データにVisual Artificial Intelligence (AI)を利用する |
Visual Artificial Intelligence (AI)を使用して地理空間データを表現し、分析を強化する方法を紹介します。 |