Data Science

Watson NLU、Python NLTK、IBM Watson Studio を利用して、ビジネス領域に固有のドキュメントに関する質問をナレッジ・ベースでクエリーし、必要な答えを得る。

Jupyter Notebook を使用して Client Insight for Wealth Management サービスについて探り、このサービスを利用する Web アプリケーションを作成する。

R4ML を使用して、ビッグデータの前処置と予備解析を行う。

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。

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。

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。

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

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。

Secure Gateway を利用して、Watson Studio でオンプレミス・データを使用してトレーニングできるようにする。

このパターンでは、非構造化データ・ソースと構造化データ・ソースから取得したデータを関連付けて、十分な情報に基づく意思決定に役立てる方法を明かにします。

動いているオブジェクトを識別する分類子を作成する方法、その分類子を使用してオブジェクトをトラッキングする方法、そしてオブジェクトが指定の領域に入った時点でカウントする方法を説明します。

オープンソースの Jupyter Notebook、Apache Spark、PixieDust を使用して、顧客データを基にレコメンデーション・エンジンを作成する方法を説明します。

IBM Watson Studio 内で Jupyter Notebookを使用して、コードのテキストに基づいて使用されているプログラミング言語を予測するモデルを作成します。

異なる複数のサンプリング手法によってデータの偏りに対処し、各種の統計アルゴリズムを使用して正確な予測を生成する方法を学んでください。

IBM Watson Studio 上で動作する R4ML というスケーラブルな R パッケージを使用して、機械学習の各種の演習を行います。

Jupyter Notebook、PixieDust、そして IBM Watson™ コグニティブ・サービスの力を結集させて、Facebook の大量の非構造化データからマーケティングに役立つ洞察を引き出してください。

リプレイ分析によって興味深い洞察を見つけたいと思っている開発者にとっても、ゲームのスキル向上を目指すプロのプレイヤーにとっても、目標達成に役立つはずです。

データを使用して Jupyter Notebooks やその他の成果物を作成しているあらゆる開発者を対象に、このコード・パターンではオープンソースのヘルパー・ライブラリー PixieDust の威力を紹介します。

Watson サービスと IBM Watson Studio を利用して心拍数を予測できる Web ベースのアプリを開発してデプロイする方法を説明します。

タクシー乗車イベントのストリーム配信と並行してタクシー乗車に関するタイムリーな統計を表示するために、Jupyter Notebook、Spark SQL、matplotlib を使用します。

世界中に健康問題が溢れかえる中、さまざまな健康問題のデータを抽出してそこから意味を引き出そうと目指しているデータ・サイエンティストの目の前にはデータの金鉱があります。

IBM Watson Studio 上で Jupyter Notebook を使用して予測モデルを作成します。

クリックストリーム分析を利用する例として、Wikipedia Web サイト上でのトレンディング・トピックをリアルタイムで検出する方法を紹介します。

社会的利益をもたらす上で最も影響力のある洞察と予測を視覚化するのに IBM Watson Studio、pandas、PixieDust、Watson Analytic を利用して対応する方法を説明します。

IBM Watson Studio クラウドにロードしたサンプル・データを Python 2.0 ソフトウェアで処理します。

十分な情報に基づいた意思決定を支援するために、非構造化データを分析して洞察力を生み出す網羅的なアナリティクス・ソリューションを構築します。

TPC Benchmark DS (TPC-DS) ワークロードを使用して Apache Spark クラスターを評価およびテストする例をデモンストレーションします。

IBM Watson Studio を使用して相互に関連するデータを保管し、OrientDB データベースを使用してクエリーを実行することで、洞察を引き出す方法を説明します。

HBase リージョン・サーバー内にデータ・テーブルを作成してクエリーするために、Spark SQL と HSpark コネクター・パッケージを使用する方法を学びます。

IBM Watson Studio 上で稼働する Jupyter Notebook を使用して機械学習エクササイズを実行します。

レコメンデーション・エンジンは、機械学習を適用する価値が最もあり、最もよく知られていて最も広まっている使用ケースの 1 つです。

NAO ロボット、Watson Assistant API、DSX を使用して対話式インターフェースを作成する手順を最初から最後まで案内します。

Python NLTK と IBM Data Science Experience を利用して、複数のドキュメント全体にわたってコンテンツを相互に関連付けます。

Node-RED を使用して、IBM Watson Studio 分析ワークフローをトリガーする Web インターフェースを作成する方法を説明します。

単純な入力構成 JSON ファイル を使用することで、Natural Language Understanding から得られる結果の精度を向上させることができます。

IoT センサー・データ、IBM Watson Studio、そして統計計算用の R ソフトウェアを使用して、データ分析によって変更点を検出する方法を説明します。