# 開発者クイックスタート

> 開発者クイックスタート - DataRobot開発用にマシンをセットアップします。個人APIキー、CLI（`dr`）、Python SDK、REST（cURL）、Agent
> Assist、認証、検証、およびオプションのエンドツーエンドモデリングとデプロイラボを含みます。

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 `2026-07-15T05:55:44.617072+00:00` (UTC).

## Primary page

- [開発者クイックスタート](https://docs.datarobot.com/ja/docs/api/dev-learning/api-quickstart.html.md): Full documentation for this topic (Markdown sidecar).

## Sections on this page

- [前提条件](https://docs.datarobot.com/ja/docs/api/dev-learning/api-quickstart.html.md#prerequisites): In-page section heading.
- [環境設定](https://docs.datarobot.com/ja/docs/api/dev-learning/api-quickstart.html.md#configure-your-environment): In-page section heading.
- [DataRobot APIキーの作成](https://docs.datarobot.com/ja/docs/api/dev-learning/api-quickstart.html.md#create-a-datarobot-api-key): In-page section heading.
- [APIエンドポイントの取得](https://docs.datarobot.com/ja/docs/api/dev-learning/api-quickstart.html.md#retrieve-the-api-endpoint): In-page section heading.
- [APIの認証設定](https://docs.datarobot.com/ja/docs/api/dev-learning/api-quickstart.html.md#configure-api-authentication): In-page section heading.
- [資格情報の解決順序](https://docs.datarobot.com/ja/docs/api/dev-learning/api-quickstart.html.md#credential-resolution-order): In-page section heading.
- [インストール方法](https://docs.datarobot.com/ja/docs/api/dev-learning/api-quickstart.html.md#install-methods): In-page section heading.
- [CLIインストーラー](https://docs.datarobot.com/ja/docs/api/dev-learning/api-quickstart.html.md#cli-installer): In-page section heading.
- [AIコーディングツールによるセットアップ](https://docs.datarobot.com/ja/docs/api/dev-learning/api-quickstart.html.md#setup-via-ai-coding-tool): In-page section heading.
- [手動インストール：完全なエージェントスタック用のPythonパッケージ](https://docs.datarobot.com/ja/docs/api/dev-learning/api-quickstart.html.md#manual-install-python-packages-full-agentic-stack): In-page section heading.
- [ブループリント構築用のパッケージのインストール](https://docs.datarobot.com/ja/docs/api/dev-learning/api-quickstart.html.md#install-packages-for-building-blueprints): In-page section heading.
- [セットアップの検証](https://docs.datarobot.com/ja/docs/api/dev-learning/api-quickstart.html.md#verify-your-setup): In-page section heading.
- [Python SDK](https://docs.datarobot.com/ja/docs/api/dev-learning/api-quickstart.html.md#python-sdk): In-page section heading.
- [cURL](https://docs.datarobot.com/ja/docs/api/dev-learning/api-quickstart.html.md#curl): In-page section heading.
- [CLI](https://docs.datarobot.com/ja/docs/api/dev-learning/api-quickstart.html.md#cli): In-page section heading.
- [Agent Assist](https://docs.datarobot.com/ja/docs/api/dev-learning/api-quickstart.html.md#agent-assist): In-page section heading.
- [トラブルシューティング](https://docs.datarobot.com/ja/docs/api/dev-learning/api-quickstart.html.md#troubleshooting): In-page section heading.
- [ハンズオン：最初のモデルを構築してデプロイする](https://docs.datarobot.com/ja/docs/api/dev-learning/api-quickstart.html.md#hands-on-build-and-deploy-a-first-model): In-page section heading.
- [データセットのアップロード](https://docs.datarobot.com/ja/docs/api/dev-learning/api-quickstart.html.md#upload-a-dataset): In-page section heading.
- [モデルのトレーニング](https://docs.datarobot.com/ja/docs/api/dev-learning/api-quickstart.html.md#train-models): In-page section heading.
- [モデルのデプロイ](https://docs.datarobot.com/ja/docs/api/dev-learning/api-quickstart.html.md#deploy-the-model): In-page section heading.
- [デプロイされたモデルを使った予測](https://docs.datarobot.com/ja/docs/api/dev-learning/api-quickstart.html.md#make-predictions-against-the-deployed-model): In-page section heading.
- [次のステップ](https://docs.datarobot.com/ja/docs/api/dev-learning/api-quickstart.html.md#next-steps): In-page section heading.

## Documentation content

このページを使用して、 [DataRobot CLI](https://docs.datarobot.com/ja/docs/agentic-ai/cli/getting-started.html.md) 、 [Python APIクライアント](https://pypi.org/project/datarobot/) 、 [REST API](https://docs.datarobot.com/ja/docs/api/reference/public-api/index.html.md) 、および [Agent Assist](https://docs.datarobot.com/ja/docs/agentic-ai/agent-assist/installation.html.md) を使い始めます。 以下のセクションには、資格情報の提供方法、これらのツールのインストール方法、およびトレーニング、デプロイ、予測のスコアリングを行う [ハンズオンモデリングラボ](https://docs.datarobot.com/ja/docs/api/dev-learning/api-quickstart.html.md#hands-on-build-and-deploy-a-first-model) が含まれています。

| ツール | 説明 | 最適な用途 |
| --- | --- | --- |
| Python APIクライアントとREST API | DataRobotとプログラム的にやり取りする方法。 | スクリプト、ノートブック、CIパイプライン、カスタムパイプライン |
| DataRobot CLI (dr) | ターミナルからDataRobotを操作するためのオープンソースツール。 | ローカル開発、テンプレート、dr run、dr task、エージェントプロジェクト |
| Agent Assist (dr assist) | AIエージェントの開発に最適化された対話型AIアシスタント。 | エージェントの設計、コーディング、デプロイ |

## 前提条件

使用したいツールに応じて、マシンに以下が必要です。

**Python:**
datarobot
パッケージ用のPython 3.7以降（
Agent Assist
または関連するエージェントツールも使用する場合はPython 3.10以降が必要）
A DataRobot account
pip

**REST:**
curl
jq
（オプション、サンプル中のJSONを読みやすくするため）
A DataRobot account

**CLI:**
DataRobotアカウント：
DataRobotインスタンス（クラウドまたはセルフマネージド）へのアクセス。 If you don't have an account, sign up at DataRobot or contact your organization's DataRobot administrator.
Git：
テンプレートのクローン用（バージョン2.0以降）。 Install Git from
git-scm.com
if not already installed. Verify installation:
git --version
Task：
タスク実行用。 Install Task from
taskfile.dev
if not already installed. Verify installation:
task --version
ターミナル：
CLIアクセス用。
macOS/Linux:
Use Terminal, iTerm2, or your preferred terminal emulator.
Windows:
Use PowerShell, Command Prompt, or Windows Terminal.

**Agent Assist:**
Operating system:
macOS or Linux (Windows requires WSL or another supported environment)
Python:
3.10 or higher

ツール
バージョン
説明
インストール
dr-cli
>= 0.2.50
DataRobot CLI。
dr-cli installation
git
>= 2.30.0
Version control.
git installation
uv
>= 0.9.0
Python package manager.
uv installation
Pulumi
>= 3.163.0
Infrastructure as Code.
Pulumi installation
Taskfile
>= 3.43.3
Task runner.
Taskfile installation
Node.js
>= 24
JavaScript runtime (for example, for template frontend).
Node.js installation

On macOS, several tools can be installed at once:

```
brew install datarobot-oss/taps/dr-cli uv pulumi/tap/pulumi go-task node git python 
```


## 環境設定

このセクションは、キー、リージョン、および資格情報に関する詳細なリファレンスです。 CLIとPythonパッケージを最初にセットアップする場合は、 [インストール方法](https://docs.datarobot.com/ja/docs/api/dev-learning/api-quickstart.html.md#install-methods) と並行して進めることができます。 ここで設定した内容は、 [セットアップの検証](https://docs.datarobot.com/ja/docs/api/dev-learning/api-quickstart.html.md#verify-your-setup) で使用します。

APIキー（プラットフォーム上のあなたのID）、リージョンAPIエンドポイント（テナントが存在する場所）、およびツールが資格情報を読み取る方法（ `drconfig.yaml` 、環境変数、または明示的なコード）を設定します。

### DataRobot APIキーの作成

ローカルスクリプト、ノートブック、および一般的なAPIアクセスのために、 個人APIキー タブでキーを作成します。 DataRobot UIで、ユーザーメニューを開き、APIのキーとツールを選択します（アカウントまたは開発者設定の下に表示されることもあります）。 ステップバイステップのUIの詳細とスクリーンショットは、 [APIのキーとツール](https://docs.datarobot.com/ja/docs/platform/acct-settings/api-key-mgmt.html.md#api-key-management) にあります。

> [!TIP] 直接リンク（US SaaS）
> `https://app.datarobot.com` にサインインしている場合は、 [開発者ツール](https://app.datarobot.com/account/developer-tools) を開き、 個人APIキー を選択し、 新しいキーを作成 をクリックできます。 EUまたはJPの場合は、ブラウザーで使用しているのと同じドメイン（例： `app.eu.datarobot.com` または `app.jp.datarobot.com` ）にホスト名を置き換えます。

1. DataRobot UIから、ユーザーアイコンをクリックし、APIのキーとツールを選択します。
2. 個人APIキーのままにして、新しいキーを作成をクリックします。
3. キーに名前を付けて、作成を確認します。 キーはすぐにアクティブになります。

APIのキーとツールのページには、複数のキータイプを表示できます。 ニーズに合ったタブを使用します。

| タブ | 用途 |
| --- | --- |
| 個人APIキー | この開発者クイックスタート—Python、cURL、ローカル開発、ほとんどの自動化。 ユーザー権限を継承します。 |
| アプリケーションのAPIキー | ユーザーに代わってDataRobotを呼び出すカスタムアプリケーション（例：StreamlitまたはReactアプリ）。 登録されたアプリケーションにスコープが設定されています。 アプリケーションのAPIキーを参照してください。 |
| エージェントのAPIキー | サービス間呼び出しを行うデプロイされたエージェントおよびエージェントワークフロー。 エージェントを構築する場合は、エージェントのAPIキーを参照してください。 |

ターミナルまたはIDEからコードを実行している場合は、個人APIキーから始めます。 独自のスコープ付き資格情報を必要とするアプリまたはデプロイ済みエージェントをリリースする際にキータイプを切り替えます。

各個人キーには以下が記載されています。

| ラベル | 要素 | 説明 |
| --- | --- | --- |
| (1) | 名前 | キーの編集可能なラベル。 |
| (2) | キー | Authorizationヘッダーで使用されるシークレット値。 |
| (3) | 作成日 | 作成日。未使用のキーは「—」と表示される場合があります。 |
| (4) | 最後の使用 | キーが最後に使用された時刻。 |

### APIエンドポイントの取得

すべてのリクエストは `/api/v2` で終わるベースURLを使用します。 ブラウザーでDataRobotを開くのに使用するのと同じホスト名を使用し、 `/api/v2` を追加します。

| 地域 | UI URLの例 | APIエンドポイントルート |
| --- | --- | --- |
| AIプラットフォーム（US） | https://app.datarobot.com | https://app.datarobot.com/api/v2 |
| AIプラットフォーム（EU） | https://app.eu.datarobot.com | https://app.eu.datarobot.com/api/v2 |
| AIプラットフォーム（JP） | https://app.jp.datarobot.com | https://app.jp.datarobot.com/api/v2 |
| セルフマネージドAIプラットフォーム | 組織のURL | https://{your-datarobot-host}/api/v2 |

### APIの認証設定

コードまたはシェルには、エンドポイントとベアラートークン（個人APIキー）が必要です。 一般的なオプションには以下が含まれます。

**drconfig.yaml:**
`drconfig.yaml` ファイルはDataRobotのPythonクライアントのデフォルトです。 一般的な場所： `~/.config/datarobot/drconfig.yaml` 。 他のパスを使用して、明示的にクライアントに渡すこともできます。

```
endpoint: 'https://app.datarobot.com/api/v2'
token: 'token-string' 
```

Python（デフォルトパス）：

```
import datarobot as dr 
```

Python（カスタムパス）：

```
import datarobot as dr
dr.Client(config_path="<file-path-to-drconfig.yaml>") 
```

cURL（値を環境変数に読み込む）：

```
export DATAROBOT_ENDPOINT=$(grep 'endpoint:' ~/.config/datarobot/drconfig.yaml | cut -d "'" -f2)
export DATAROBOT_API_TOKEN=$(grep 'token:' ~/.config/datarobot/drconfig.yaml | cut -d "'" -f2) 
```

```
curl --location -X GET "${DATAROBOT_ENDPOINT}/projects" --header "Authorization: Bearer ${DATAROBOT_API_TOKEN}" 
```

**環境変数:**
Windows:

```
setx DATAROBOT_ENDPOINT "https://app.datarobot.com/api/v2"
setx DATAROBOT_API_TOKEN "your_api_token" 
```

ターミナルを閉じて再度開きます。 UIで永続化するには、「環境変数」を検索し、システム変数の下に `DATAROBOT_ENDPOINT` と `DATAROBOT_API_TOKEN` を追加します。

macOSとLinux：

```
export DATAROBOT_ENDPOINT="https://app.datarobot.com/api/v2"
export DATAROBOT_API_TOKEN="your_api_token" 
```

すべてのセッションで必要な場合は、同じ行を `~/.zshrc` 、 `~/.bashrc` 、または `~/.bash_profile` に追加します。

Python：

```
import datarobot as dr
dr.Project.list() 
```

cURL：

```
curl --location -X GET "${DATAROBOT_ENDPOINT}/projects" --header "Authorization: Bearer ${DATAROBOT_API_TOKEN}" 
```

**コードへの埋め込み:**
オプションで、エクスペリメントに便利です。 シークレットをGitにコミットしないでください。

Python：

```
import datarobot as dr
dr.Client(endpoint='https://app.datarobot.com/api/v2', token='token-string') 
```

cURL：

```
curl --location --request GET 'https://app.datarobot.com/api/v2/projects/' \
--header 'Authorization: Bearer <YOUR_API_TOKEN>' 
```


> [!TIP] オプション：DataRobot CLI（dr auth login）
> [DataRobot CLI](https://docs.datarobot.com/ja/docs/agentic-ai/cli/getting-started.html.md) を使用する場合は、 `dr auth login` を実行してブラウザーベースの認証を完了し、設定を `~/.config/datarobot/drconfig.yaml` に保存します（ [認証管理](https://docs.datarobot.com/ja/docs/agentic-ai/cli/commands/auth.html.md) を参照）。 Pythonクライアントはそのファイルを読み取ることができるため、別途手動で `drconfig.yaml` を作成する手順は不要な場合があります。

#### 資格情報の解決順序

DataRobotツールは、通常、次の順序で資格情報を解決します。

1. DATAROBOT_API_TOKEN と DATAROBOT_ENDPOINT の環境変数
2. 現在の作業ディレクトリにある .env ファイル（使用するツールがそれを読み込む場合）
3. ~/.config/datarobot/drconfig.yaml （例： dr auth login の後）
4. 一部のAgent Assistフロー用の ~/.config/datarobot/agent_assist_config.yaml

`drconfig.yaml` の配置とcURLの例については、 [APIの認証設定](https://docs.datarobot.com/ja/docs/api/dev-learning/api-quickstart.html.md#configure-api-authentication) を参照してください。

## インストール方法

以下のセクションでは、DataRobotのコードファーストツールをインストールするためのさまざまな方法を説明します。

### CLIインストーラー

macOS / Linux： DataRobot CLIをインストールします。 次に、PythonパッケージとAgent Assistを自分で追加します。

```
curl https://cli.datarobot.com/install | sh
pip install datarobot datarobot-predict
dr plugin install assist 
```

Windows（PowerShell）： [CLIインストール](https://docs.datarobot.com/ja/docs/agentic-ai/cli/getting-started.html.md#installation) から：

```
irm https://cli.datarobot.com/winstall | iex 
```

インストール後、Pythonが利用可能な環境で `pip install datarobot datarobot-predict` および `dr plugin install assist` を実行します。 エンドポイントとトークンをまだ設定していない場合は、 [APIの認証設定](https://docs.datarobot.com/ja/docs/api/dev-learning/api-quickstart.html.md#configure-api-authentication) （例： `dr auth login` と [認証管理](https://docs.datarobot.com/ja/docs/agentic-ai/cli/commands/auth.html.md) を使用）を行ってから、 [セットアップの検証](https://docs.datarobot.com/ja/docs/api/dev-learning/api-quickstart.html.md#verify-your-setup) を行います。

Homebrew、固定バージョン、またはバイナリーについては、 [DataRobot CLIを使い始める](https://docs.datarobot.com/ja/docs/agentic-ai/cli/getting-started.html.md) を参照してください。

### AIコーディングツールによるセットアップ

空または使い捨てのディレクトリで、以下のブロックをClaude Code、Cursor、または別のエージェントコーディングツールに貼り付けます。 これはdocs.datarobot.comのインストールおよび認証トピックにリンクしており、エージェントが前提条件をインストールし、資格情報を設定し、ライブAPI呼び出しで検証できるようにします。

```
You are helping me set up DataRobot for local development. Do all of the following:

1. Read the following docs and follow the install steps exactly:
   - https://docs.datarobot.com/en/docs/api/dev-learning/api-quickstart.html
   - https://docs.datarobot.com/en/docs/agentic-ai/cli/getting-started.html
   - https://docs.datarobot.com/en/docs/agentic-ai/agent-assist/installation.html

2. Detect my OS (macOS / Linux / WSL). On macOS use Homebrew where the docs recommend it; on Linux use the documented installers.

3. Install: Python 3.10 or later, git, uv, dr-cli, Pulumi, go-task, and Node.js 24 (or the minimum versions described in those docs and the manual table below).

4. Install the Python SDK: `pip install datarobot datarobot-predict`

5. Prompt me for my DataRobot Personal API key. If I don't have one, open
   https://app.datarobot.com/account/developer-tools and tell me to use the
   "Personal API keys" tab (not Application or Agent keys).

6. Run `dr auth login` to persist credentials in `~/.config/datarobot/drconfig.yaml`
   and, if I want shell persistence, add `DATAROBOT_ENDPOINT` and `DATAROBOT_API_TOKEN` to my shell rc file.

7. Install Agent Assist as a CLI plugin: `dr plugin install assist`

8. Verify everything works by:
   - Running `dr --version`, `dr plugin list`, and `dr assist --help`
   - Executing this Python snippet and printing the first three project names:

     ```python
     import datarobot as dr
     dr.Client()
     for p in dr.Project.list()[:3]:
         print(p.project_name)
     ```

9. Print a summary of what was installed and the config file locations.

Do not run `dr assist` yet — only install and verify. 
```

### 手動インストール：完全なエージェントスタック用のPythonパッケージ

macOS

```
brew install datarobot-oss/taps/dr-cli uv pulumi/tap/pulumi go-task node git python
pip install datarobot datarobot-predict
dr plugin install assist 
```

Linux / WSL — 各ツールを公式インストーラーからインストールし（表を参照）、次の手順を実行します。

```
pip install datarobot datarobot-predict
dr plugin install assist 
```

| ツール | Minimum version | インストール |
| --- | --- | --- |
| dr-cli | 0.2.50 | datarobot-oss/cliのインストール |
| Git | 2.30.0 | git-scm.com/downloads |
| uv | 0.9.0 | uvのインストール |
| Pulumi | 3.163.0 | ダウンロードしてインストール |
| タスク | 3.43.3 | Taskのインストール |
| Node.js | 24 | Node.jsのダウンロード |
| Python | 3.10 | python.org/downloads |

Agent AssistではネイティブWindowsはサポートされていません。 [WSL](https://learn.microsoft.com/en-us/windows/wsl/install) 、Linux VM、または [DataRobot Codespace](https://docs.datarobot.com/ja/docs/workbench/wb-notebook/codespaces/index.html.md) を使用してください。 See [Prerequisites and installation](https://docs.datarobot.com/ja/docs/agentic-ai/agent-assist/installation.html.md).

### ブループリント構築用のパッケージのインストール

`pip install datarobot datarobot-predict`

（オプション）カスタムブループリントをプログラム的に構築したい場合は、 `graphviz` と `blueprint-workshop` の2つの追加パッケージをインストールします。

Windows

[graphvizインストーラーをダウンロードします。](https://www.graphviz.org/download/#windows)

Ubuntu

`sudo apt-get install graphviz`

Mac

`brew install graphviz`

graphvizをインストールしたら、ワークショップをインストールします。

`pip install datarobot-bp-workshop`

## セットアップの検証

キーとエンドポイントが設定されたら、セッションがAPIに到達できることを確認します。 関心のあるパスのサブセクションを使用します。

### Python SDK

```
import datarobot as dr

dr.Client()  # reads env vars or drconfig.yaml
projects = dr.Project.list()
print(f"Connected. You can see {len(projects)} project(s).") 
```

### cURL

シェルに `DATAROBOT_ENDPOINT` と `DATAROBOT_API_TOKEN` が必要です。

```
curl -s "${DATAROBOT_ENDPOINT}/projects/" \
  -H "Authorization: Bearer ${DATAROBOT_API_TOKEN}" | head 
```

### CLI

```
dr --version
dr plugin list          # should include assist
dr task --help 
```

> [!TIP] CLIサニティチェック
> CLIがインストールされている場合： `dr --version` 。 プラグインとしてのAgent Assistについては、 [前提条件とインストール](https://docs.datarobot.com/ja/docs/agentic-ai/agent-assist/installation.html.md) （ `dr plugin install assist` ）を参照してください。

### Agent Assist

Agent Assistは現在のディレクトリにテンプレートをクローンするため、新しいフォルダーを使用します。

```
mkdir my-first-agent && cd my-first-agent
dr assist 
```

初回実行時、Agent Assistは依存関係をチェックし、認証を検証し、対話型セッションを開始します。 希望するエージェントを平易な言葉で説明します。

今すぐAgent Assistの使用を開始したい場合は、 [ワークフローとプロンプティング](https://docs.datarobot.com/ja/docs/agentic-ai/agent-assist/workflows-and-prompting.html.md#start-agent-assist) にアクセスします。

## トラブルシューティング

| Symptom | 確認事項 |
| --- | --- |
| 401 Unauthorized | 個人APIキーの値。エンドポイントリージョンがログイン場所（US、EU、JP）と一致していること。キーが期限切れまたは取り消されていないこと。 開発者ツール（US SaaS）またはAPIのキーとツールからキーを再生成します。 |
| dr: command not found | dr-cliがPATHにないこと。 CLIをインストールし、ターミナルを再度開くか、Homebrewを使用しているmacOSではbrew link dr-cliを実行します。 Linuxでは、リリースのインストール場所をPATHに追加します。 |
| dr plugin install assistが失敗する | dr --versionが少なくとも0.2.50であることを確認します。古いCLIではプラグインインデックスが公開されない可能性があります。 See Prerequisites and installation. |
| Agent Assist：ディレクトリが空ではない | dr assistは空のディレクトリからのみ実行します。アシスタントはテンプレートをクローンし、ファイルの上書きを拒否します。 |
| WindowsとAgent Assist | Agent AssistはmacOS/Linuxを対象としています。Windowsではインストールに従ってWSL2またはcodespaceを使用します。 |

## ハンズオン：最初のモデルを構築してデプロイする

以下のセクションは、ローカルで実行できるコンパクトなモデリングラボです。多くのチームが後に本番環境で自動化するのと同じ手順です。 例ではPythonまたはcURLを使用します。 定番のAuto MPGデータセットから、ガロンあたりのマイル数を予測します。

> [!NOTE] 備考
> Pythonスニペットはクライアント3.x API（ `Dataset` 、登録済みモデルデプロイフロー）を使用します。 インポートに失敗した場合は、パッケージをアップグレードしてください。 セルフマネージドAIプラットフォームを使用する場合は、 [セルフマネージドAIプラットフォームAPIリソース](https://docs.datarobot.com/ja/docs/api/reference/self-managed.html.md) ページを参照して、インストールでサポートされているクライアントバージョンを確認してください。

さらにコードファーストのサンプルについては、 [AIアクセラレーター](https://docs.datarobot.com/ja/docs/api/dev-learning/accelerators/index.html.md) を参照してください。

以下の操作を行います。

1. データセットをアップロードしてプロジェクトを作成します。
2. オートパイロットでトレーニングし、推奨モデルを選択します。
3. そのモデルをサーバーレス予測環境にデプロイします。
4. デプロイを使用してホールドアウトCSVで予測します。

### データセットのアップロード

[このzipアーカイブ](https://datarobot-doc-assets.s3.us-east-1.amazonaws.com/auto.zip) から `auto-mpg.csv` と `auto-mpg-test.csv` をダウンロードします。

以下のPythonタブでは、ラボが自己完結型になるように、スクリプトと同じディレクトリにある `config_path="./drconfig.yaml"` を使用しています。 同じクライアントは、 [APIの認証設定](https://docs.datarobot.com/ja/docs/api/dev-learning/api-quickstart.html.md#configure-api-authentication) で説明されているように、その配置を好む場合、デフォルトの `~/.config/datarobot/drconfig.yaml` （または環境変数）も取得します。

**Python:**
```
import datarobot as dr
dr.Client(config_path="./drconfig.yaml")

# Set to the location of your auto-mpg.csv and auto-mpg-test.csv data files
# Example: dataset_file_path = '/Users/myuser/Downloads/auto-mpg.csv'
training_dataset_file_path = './auto-mpg.csv'
test_dataset_file_path = './auto-mpg-test.csv'
print("--- Starting DataRobot Model Training Script ---")

# Load dataset
training_dataset = dr.Dataset.create_from_file(training_dataset_file_path)

# Create a new project based on dataset
project = dr.Project.create_from_dataset(training_dataset.id, project_name='Auto MPG DR-Client') 
```

**cURL:**
```
DATAROBOT_API_TOKEN=${DATAROBOT_API_TOKEN}
DATAROBOT_ENDPOINT=${DATAROBOT_ENDPOINT}
DATASET_FILE_PATH="./auto-mpg.csv"
location=$(curl -Lsi \
  -X POST \
  -H "Authorization: Bearer ${DATAROBOT_API_TOKEN}" \
  -F 'projectName="Auto MPG"' \
  -F "file=@${DATASET_FILE_PATH}" \
  "${DATAROBOT_ENDPOINT}"/projects/ | grep -i 'Location: .*$' | \
  cut -d " " -f2 | tr -d '\r')
echo "Uploaded dataset. Checking status of project at: ${location}"
while true; do
  project_id=$(curl -Ls \
    -X GET \
    -H "Authorization: Bearer ${DATAROBOT_API_TOKEN}" "${location}" \
    | grep -Eo 'id":\s"\w+' | cut -d '"' -f3 | tr -d '\r')
  if [ "${project_id}" = "" ]
  then
    echo "Setting up project..."
    sleep 10
  else
    echo "Project setup complete."
    echo "Project ID: ${project_id}"
    break
  fi
done 
```


### モデルのトレーニング

DataRobotオートパイロットは多くの候補モデルをトレーニングし、ターゲット（ここでは `mpg` ）に対する推奨モデルを表示します。 選択方法については、UIドキュメントの [モデル推奨](https://docs.datarobot.com/ja/docs/reference/pred-ai-ref/model-rec-process.html.md) を参照してください。

> [!NOTE] 備考
> このコードは、Classicのプロジェクトでブラウザーウィンドウを開くことができます。 新しいナビゲーションを希望する場合は、NextGen UIメニューを使用してコンソールを開きます。
> 
> [https://docs.datarobot.com/ja/docs/images/access-nextgen-console.png](https://docs.datarobot.com/ja/docs/images/access-nextgen-console.png)

**Python:**
```
# Use training data to build models
from datarobot import AUTOPILOT_MODE

# Set the project's target and initiate Autopilot (runs in Quick mode unless a different mode is specified)
project.analyze_and_model(target='mpg', worker_count=-1, mode=AUTOPILOT_MODE.QUICK)
print("\nAutopilot is running. This may take some time...")
project.wait_for_autopilot()
print("Autopilot has completed!")

# Open the project in a web browser to view progress
print("Opening the project in your default web browser to view real-time events...")
project.open_in_browser()

# Get the recommended model (the best model for deployment)
print("\nRetrieving the best model from the Leaderboard...")
best_model = project.recommended_model()
print(f"Best Model Found:")
print(f"  - Model Type: {best_model.model_type}")
print(f"  - Blueprint ID: {best_model.blueprint_id}") 
```

**cURL:**
```
response=$(curl -Lsi \
  -X PATCH \
  -H "Authorization: Bearer ${DATAROBOT_API_TOKEN}" \
  -H "Content-Type: application/json" \
  --data '{"target": "mpg", "mode": "quick"}' \
  "${DATAROBOT_ENDPOINT}/projects/${project_id}/aim" | grep 'location: .*$' \
  | cut -d " " | tr -d '\r')
echo "AI training initiated. Checking status of training at: ${response}"
while true; do
  initial_project_status=$(curl -Ls \
  -X GET \
  -H "Authorization: Bearer ${DATAROBOT_API_TOKEN}" "${response}" \
  | grep -Eo 'stage":\s"\w+' | cut -d '"' -f3 | tr -d '\r')
  if [ "${initial_project_status}" = "" ]
  then
    echo "Setting up AI training..."
    sleep 10
  else
    echo "Training AI."
    echo "Grab a coffee or catch up on email."
    break
  fi
done

echo "Polling for Autopilot completion..."
while true; do
  autopilot_done=$(curl -s \
    -X GET \
    -H "Authorization: Bearer ${DATAROBOT_API_TOKEN}" \
    "${DATAROBOT_ENDPOINT}/projects/${project_id}/" \
    | grep -Eo '"autopilotDone":\s*(true|false)' | cut -d ':' -f2 | tr -d ' ')

  if [ "${autopilot_done}" = "true" ]; then
    echo "Autopilot training complete. Model ready to deploy."
    break
  else
    echo "Autopilot training in progress... checking again in 60 seconds."
    sleep 60
  fi
done

# Get the recommended model ID
recommended_model_id=$(curl -s \
  -X GET \
  -H "Authorization: Bearer ${DATAROBOT_API_TOKEN}" \
  "${DATAROBOT_ENDPOINT}/projects/${project_id}/recommendedModels/recommendedModel/" \
  | grep -Eo 'modelId":\s"\w+' | cut -d '"' -f3 | tr -d '\r')
echo "Recommended model ID: ${recommended_model_id}" 
```


### モデルのデプロイ

デプロイは、マネージド環境でトレーニング済みモデルから予測を提供します。 コンセプトとオプションについては、 [デプロイの概要](https://docs.datarobot.com/ja/docs/workbench/nxt-console/nxt-overview/nxt-overview.html.md) を参照してください。

**Python:**
```
# Deploy the model to a serverless prediction environment
print("\nDeploying the model to a serverless prediction environment...")

# Find or create a serverless prediction environment
serverless_env = None
for env in dr.PredictionEnvironment.list():
    if env.platform == 'datarobotServerless':
        serverless_env = env
        break

if serverless_env is None:
    print("Creating a new serverless prediction environment...")
    serverless_env = dr.PredictionEnvironment.create(
        name="Auto MPG Serverless Environment",
        platform='datarobotServerless'
    )

# First, register the model to create a registered model version
print("Registering the model...")

# Check if the registered model already exists
registered_model_name = "Auto MPG Registered Model"
existing_models = [m for m in dr.RegisteredModel.list() if m.name == registered_model_name]

if existing_models:
    print(f"Using existing registered model: {registered_model_name}")
    registered_model = existing_models[0]
    # Create a new version of the existing model
    registered_model_version = dr.RegisteredModelVersion.create_for_leaderboard_item(
        best_model.id,
        name="Auto MPG Model",
        registered_model_id=registered_model.id
    )
else:
    print(f"Creating new registered model: {registered_model_name}")
    # Create a new registered model
    registered_model_version = dr.RegisteredModelVersion.create_for_leaderboard_item(
        best_model.id,
        name="Auto MPG Model",
        registered_model_name=registered_model_name
    )
    # Retrieve the newly created registered model object by ID
    registered_model = dr.RegisteredModel.get(registered_model_version.registered_model_id)

# Wait for the model build to complete
print("Waiting for model build to complete...")
while True:
    current_version = registered_model.get_version(registered_model_version.id)
    if current_version.build_status in ('READY', 'complete'):
        print("Model build completed successfully!")
        registered_model_version = current_version  # Update our reference
        break
    elif current_version.build_status == 'FAILED':
        raise Exception("Model build failed. Please check the model registration.")
    else:
        print(f"Build status: {current_version.build_status}. Waiting...")
        import time
        time.sleep(30)  # Wait 30 seconds before checking again

# Deploy the model to the serverless environment using the registered model version
deployment = dr.Deployment.create_from_registered_model_version(
    registered_model_version.id,
    label="Auto MPG Predictions",
    description="Deployed with DataRobot client for Auto MPG predictions",
    prediction_environment_id=serverless_env.id
)

print(f"Model deployed successfully! Deployment ID: {deployment.id}") 
```

**cURL:**
```
# Use the recommended model ID from training section
echo "Using recommended model ID: ${recommended_model_id}"

# Find or create a serverless prediction environment
echo "Looking for serverless prediction environment..."
serverless_env_id=$(curl -s -X GET \
-H "Authorization: Bearer ${DATAROBOT_API_TOKEN}" \
"${DATAROBOT_ENDPOINT}/predictionEnvironments/" \
| grep -Eo '"id":"[^"]*".*"platform":"datarobotServerless"' \
| grep -Eo '"id":"[^"]*"' | cut -d '"' -f4 | head -1)

if [ -z "${serverless_env_id}" ]; then
    echo "Creating new serverless prediction environment..."
    serverless_env_response=$(curl -s -X POST \
    -H "Authorization: Bearer ${DATAROBOT_API_TOKEN}" \
    -H "Content-Type: application/json" \
    --data '{"name":"Auto MPG Serverless Environment","platform":"datarobotServerless"}' \
    "${DATAROBOT_ENDPOINT}/predictionEnvironments/")
    serverless_env_id=$(echo "$serverless_env_response" | grep -Eo '"id":"[^"]*"' | cut -d '"' -f4)
    echo "Created serverless environment ID: ${serverless_env_id}"
else
    echo "Using existing serverless environment ID: ${serverless_env_id}"
fi

# Check if registered model already exists
registered_model_name="Auto MPG Registered Model"
existing_model_id=$(curl -s -X GET \
-H "Authorization: Bearer ${DATAROBOT_API_TOKEN}" \
"${DATAROBOT_ENDPOINT}/registeredModels/" \
| grep -Eo '"id":"[^"]*".*"'${registered_model_name}'"' \
| grep -Eo '"id":"[^"]*"' | cut -d '"' -f4 | head -1)

if [ -n "${existing_model_id}" ]; then
    echo "Using existing registered model: ${registered_model_name}"
    # Create new version of existing model
    model_version_response=$(curl -s -X POST \
    -H "Authorization: Bearer ${DATAROBOT_API_TOKEN}" \
    -H "Content-Type: application/json" \
    --data "{\"name\":\"Auto MPG Model\",\"registeredModelId\":\"${existing_model_id}\",\"leaderboardItemId\":\"${recommended_model_id}\"}" \
    "${DATAROBOT_ENDPOINT}/registeredModels/${existing_model_id}/versions/")
else
    echo "Creating new registered model: ${registered_model_name}"
    # Create new registered model
    model_response=$(curl -s -X POST \
    -H "Authorization: Bearer ${DATAROBOT_API_TOKEN}" \
    -H "Content-Type: application/json" \
    --data "{\"name\":\"${registered_model_name}\"}" \
    "${DATAROBOT_ENDPOINT}/registeredModels/")
    existing_model_id=$(echo "$model_response" | grep -Eo '"id":"[^"]*"' | cut -d '"' -f4)

    # Create first version
    model_version_response=$(curl -s -X POST \
    -H "Authorization: Bearer ${DATAROBOT_API_TOKEN}" \
    -H "Content-Type: application/json" \
    --data "{\"name\":\"Auto MPG Model\",\"registeredModelId\":\"${existing_model_id}\",\"leaderboardItemId\":\"${recommended_model_id}\"}" \
    "${DATAROBOT_ENDPOINT}/registeredModels/${existing_model_id}/versions/")
fi

model_version_id=$(echo "$model_version_response" | grep -Eo '"id":"[^"]*"' | cut -d '"' -f4)
echo "Model version ID: ${model_version_id}"

# Wait for model build to complete
echo "Waiting for model build to complete..."
while true; do
    build_status=$(curl -s -X GET \
    -H "Authorization: Bearer ${DATAROBOT_API_TOKEN}" \
    "${DATAROBOT_ENDPOINT}/registeredModels/${existing_model_id}/versions/${model_version_id}/" \
    | grep -Eo '"buildStatus":"[^"]*"' | cut -d '"' -f4)

    if [ "${build_status}" = "READY" ] || [ "${build_status}" = "complete" ]; then
        echo "Model build completed successfully!"
        break
    elif [ "${build_status}" = "FAILED" ]; then
        echo "Model build failed. Please check the model registration."
        exit 1
    else
        echo "Build status: ${build_status}. Waiting..."
        sleep 30
    fi
done

# Deploy the model using the registered model version
echo "Deploying the model to the serverless environment..."
deployment_response=$(curl -s -X POST \
-H "Authorization: Bearer ${DATAROBOT_API_TOKEN}" \
-H "Content-Type: application/json" \
--data "{\"label\":\"Auto MPG Predictions\",\"description\":\"Deployed with cURL for Auto MPG predictions\",\"predictionEnvironmentId\":\"${serverless_env_id}\",\"registeredModelVersionId\":\"${model_version_id}\"}" \
"${DATAROBOT_ENDPOINT}/deployments/fromRegisteredModelVersion/")

deployment_id=$(echo "$deployment_response" | grep -Eo '"id":"[^"]*"' | cut -d '"' -f4)
echo "Model deployed successfully! Deployment ID: ${deployment_id}"

# Get the prediction URL for the deployment
echo "Retrieving prediction URL for deployment..."
prediction_url=$(curl -s -X GET \
  -H "Authorization: Bearer ${DATAROBOT_API_TOKEN}" \
  "${DATAROBOT_ENDPOINT}/deployments/${deployment_id}/" \
  | grep -Eo '"predictionUrl":"[^"]*"' | cut -d '"' -f4)
echo "Prediction URL: ${prediction_url}" 
```


### デプロイされたモデルを使った予測

予測APIを使用して新しい行をスコアリングします。 そのパスは、ドリフトや精度追跡などの [モデル管理](https://docs.datarobot.com/ja/docs/workbench/nxt-console/nxt-monitoring/index.html.md) 機能を有効にします。 概要については、 [予測方法](https://docs.datarobot.com/ja/docs/api/dev-learning/python/predictions/index.html.md) を参照してください。 UIで、デプロイ → 自分のデプロイ → 予測 → 予測APIを開いてコピー＆ペースト用のスニペットを取得します。

**Python:**
この例では、 `datarobot-predict` を使用して `auto-mpg-test.csv` をスコアリングします。

```
# Make predictions on test data
print("\nMaking predictions on test data...")

# Read the test data directly
import pandas as pd
from datarobot_predict.deployment import predict

test_data = pd.read_csv(test_dataset_file_path)

# Use datarobot-predict for deployment predictions
predictions, response_headers = predict(deployment, test_data)

# Display the results
print("\nPrediction Results:")
print(predictions.head())
print(f"\nTotal predictions made: {len(predictions)}") 
```

**cURL:**
```
# Use the prediction URL from deployment section
TEST_DATASET_FILE_PATH="./auto-mpg-test.csv"

# Make predictions by sending the CSV data directly
predictions=$(curl -s -X POST \
  -H "Authorization: Bearer ${DATAROBOT_API_TOKEN}" \
  -H "Content-Type: text/csv; charset=UTF-8" \
  --data-binary "@${TEST_DATASET_FILE_PATH}" \
  "${prediction_url}")

echo "Prediction Results:"
echo "$predictions" | jq '.'

prediction_count=$(echo "$predictions" | jq '.data | length')
echo "Total predictions made: ${prediction_count}" 
```


## 次のステップ

ノートブックとタスクベースのチュートリアルについては、 [開発者向け学習セクション](https://docs.datarobot.com/ja/docs/index.html.md) を引き続きご覧ください。 モジュラーワークフローには [AIアクセラレーター](https://docs.datarobot.com/ja/docs/api/dev-learning/accelerators/index.html.md) を試し、REST APIとPythonクライアントについては [リファレンスドキュメント](https://docs.datarobot.com/ja/docs/api/reference/index.html.md) を使用します。

| 次のことを実行したい場合... | 移動先 |
| --- | --- |
| ハンズオンモデリングラボを実行する | ハンズオン：最初のモデルを構築してデプロイする |
| Agent Assistを使用してエージェントを構築する | エージェントワークフローとプロンプティング |
| エージェント作業用にLLMプロバイダーを設定する | エージェントLLMプロバイダー |
| Cursor、Claude Code、またはその他のMCPクライアントを接続する | エージェントMCPクライアント |
| drコマンドを学ぶ | CLIクイックリファレンス |
| Agent Assistドキュメントを参照する | Agent Assist |