ユースケースと水平アプローチ¶
| トピック | 説明 |
|---|---|
| マネーロンダリング防止アクティビティスコアリング(AML) | 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ワークフロー | 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。 |
| エンドツーエンドの時系列需要予測のワークフロー | DataRobotのPythonパッケージを使用した、大規模な需要予測の実行。 |
| AWS SageMakerでのモデルのデプロイ | 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。 |
| 需要予測と再トレーニングワークフロー | 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。 |
| 夢の野球チームの予測 | 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。 |
| Gramianの角度フィールドを使用してデータセットを改善 | 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。 |
| モデリングの前にチャーン（解約）に対処する | DataRobotのチャーンモデルに基づくB2Cリテールの例とB2Bの例を使用して、チャーンを成功裏にモデル化するのに必要な問題の枠組みとデータ管理のステップについて説明します。 |
| 本番MLのテーブルのマスター | 複数のテーブルから本番パイプラインに反復可能なフレームワークを使用するAIアクセラレーターを確認します。 |
| Netliftモデリングワークフロー | 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。 |
| アコースティックデータで特徴量エンジニアリングとVisual Artificial Intelligence (AI)を使用 | 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。 |
| What-ifアプリを使用した需要予測 | DataRobotのチャーンモデルに基づくB2Cリテールの例とB2Bの例を使用して、チャーンを成功裏にモデル化するのに必要な問題の枠組みとデータ管理のステップについて説明します。 |
| ノーショー予約の予想 | 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。 |
| 新製品の工場注文数量の予測 | 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。 |
| レコメンデーションエンジンの構築 | 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。 |
| パネルデータで自己結合を使用してモデルの精度を向上 | 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。 |
| 時系列モデルファクトリーで取引量のプロファイル曲線を作成 | 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。 |
| パフォーマンス低下とサービス障害の予測 | DataRobot MLOpsを使用して、機械学習モデルを管理および維持するための予測フレームワークを使用します。 |
| Visual Artificial Intelligence (AI)を使用した動画オブジェクトの検出 | DataRobotプラットフォームでトレーニングおよびデプロイされたディープラーニングモデルを、ビデオストリームのオブジェクト検出にどのように使用できるかを説明します。 |
| 音声認識と機械学習の連携 | Whisperを使用して、音声ファイルを文字に起こし、効率的に処理し、さらに分析または使用するために構造化形式で書き起こしを保存します。 |
| 選択ベースのコンジョイント分析の実行 | DataRobot MLOpsを使用して、機械学習モデルを管理および維持するための予測フレームワークを使用します。 |
| モバイルアプリでのDataRobot予測の使用 | 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。 |
| 財務計画と分析ワークフロー | 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。 |
| DataRobotでの因果AIの使用 | 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。 |
| データ注釈アプリでデータにラベル付け | DataRobotでモデルをトレーニングした後、データ注釈アプリを活用して、アクティブラーニングの状況下で新しいデータのラベル付けと予測データのラベル付けの両方を行います。 |
| 過去の保険金請求データに基づいて数理上の保険料を予測 | 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。 |
| 地理空間データにVisual Artificial Intelligence (AI)を活用 | 地理空間データを視覚的に表現して分析を強化する方法を学びます。 |
| エンドツーエンドの自動化された特徴量探索ワークフロー | 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。 |
| DataRobotX入門 | 新しいアジャイルDRXパッケージを使用してプロジェクトの作成と設定を効率化する方法について説明します。 |
| 時系列の階層照合 | 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。 |
更新しました January 8, 2025
このページは役に立ちましたか？
ありがとうございます。どのような点が役に立ちましたか？
より良いコンテンツを提供するには、どうすればよいでしょうか？
アンケートにご協力いただき、ありがとうございました。