# Visual Artificial Intelligence (AI)での音響データ

> 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。

This Markdown file sits beside the HTML page at the same path (with a `.md` suffix). It summarizes the topic and lists links for tools and LLM context.

Companion generated at `2026-07-27T18:44:30.221537+00:00` (UTC).

## Primary page

- [Visual Artificial Intelligence (AI)での音響データ](https://docs.datarobot.com/ja/docs/api/dev-learning/accelerators/adv-analytics-tools/ml-viz.html.md): Full documentation for this topic (Markdown sidecar).

## Documentation content

[GitHubでこのAIアクセラレーターにアクセス](https://github.com/datarobot-community/ai-accelerators/blob/main/use_cases_and_horizontal_approaches/high_frequency_data_classification_using_spectrograms_n_numerics/high_frequency_classification_spectrograms_n_numerics.ipynb)

高頻度データの密度は、信号を凝縮し、その特異性を抽出して強調する特殊な特徴量エンジニアリング技術が欠如している標準の機械学習ワークフローにとって課題となります。 DataRobotのマルチモーダル入力機能は、数値と画像を同時に活用できます。このユースケースでは、複雑なデータ理解のために確立されたコンピュータービジョン技術を活用できる説明的なスペクトログラムを含めるのに特に有益です。

このノートブックの例では、画像特徴量を生成し、高頻度データソースの数値特徴量を集計する方法を示しています。 このアプローチでは、音声wavファイルを時間ドメインから頻度ドメインに変換して、いくつかのタイプのスペクトログラムを作成します。 変換された信号から計算された統計数値特徴量は、音声ソースの分類に役立つ追加の説明を追加します。