Code Patterns

アーキテクチャーダイアグラム、リポジトリ、ドキュメントへのワンクリックでのアクセスなど、問題をすばやく解決するために必要なものはこの"Code Patterns"(コードパターン)で見つけることができます。

ファッション関連のデータ・セットを使用してモデルをトレーニングする

TensorFlow と Fabric for Deep Learning を利用し、Fashion MNIST モデルをトレーニングして Kubernetes 上にデプロイする。


Jupyter Notebook 内で Node.js コードを実行する

pixiedust_node を使用して、Jupyter Notebook 内で Node.js の力を利用する。


ブロックチェーン・モニタリングを利用する

React および Node.js を使用してブロックチェーン・モニタリング・アプリを作成し、Hyperledger Fabric SDK を使用してサプライ・チェーンの資産を追跡するする。


クリックストリームを分析して顧客の関心事を理解する

クリックストリーム・データを取り込み、インタラクティブな視覚化を使用して Web サイトでの顧客の活動を分析する。


深層学習を採用した「マジック・トリミング・ツール」をデプロイする

事前にトレーニングされたオープンソースのモデルを使用して、深層学習駆動型の「マジック・トリミング・ツール」をデプロイする。


モデルのトレーニング・パイプラインに敵対者からの攻撃を統合する

モデルの脆弱性を見つけるために、Jupyter Notebook を使用してニューラル・ネットワーク・モデルのトレーニング・パイプラインに Adversarial Robustness Toolbox を統合する。


ブロックチェーン・レジャー上に資産の証券化を実装する

Hyperledger Fabric を使用して一連の非流動資産を取引可能な証券に統合する。


機械学習で生成された画像キャプションとやり取りする Web アプリを作成する

オープンソースの画像キャプション・ジェネレーター深層学習モデルを使用して、Web アプリケーション内でコンテンツに応じて画像をフィルタリングする。


Java 対応の Hyperledger Fabric SDK を使ってブロックチェーン・ネットワークを作成し、デプロイする

チャネルのセットアップと初期化、チェーンコードのインストールとインスタンス化を行って、ブロックチェーン・ネットワークに対して呼び出しとクエリーを実行する。


IoT センサー・データの予測アナリティクスに基づいてエッジで是正アクションをとる

変化点検出によって IoT システムまたはサブシステム内で異常が検出された時点で、予測アナリティクス・モデルに基づく故障予測を行うことにより、発生しつつある故障状態を事前に特定できます。


ブロックチェーン・ネットワークとやり取りする

ブロックチェーン・ネットワークとそのルールをテストするアプリを作成して、ネットワークに対してトランザクションとリクエストを実行する。


ターゲット・オーディエンスを決定してマーケティング・キャンペーンを実施する

Watson Studio と Watson Campaign Automation を統合して、ターゲット・オーディエンスを調整した効果的なキャンペーンを繰り広げる


個人に合わせて最適化された検索結果を表示する

WebSphere Commerce を使用して検索パーソナライズ機能を開発し、顧客の嗜好に応じて検索結果を最適化する。


Watson サービスを利用して、よりスマートな調達システムを作り上げる

Watson Discovery を使用して処理およびエンリッチする調達関係のデータをより適切に分類し、構造化するカスタム・モデルを作成する。


XGBoost を使用して銀行マーケティング・データを分析し、顧客による購入について洞察を得る

XGBoost と scikit-learn による機械学習を使用して、銀行の顧客が CD を購入するかどうかを予測する。