Data Science

知識と洞察を抽出するために、構造化データと非構造化データを分析するシステムと科学的手法。

Read more   

Related code patterns

ナレッジ・ベースでドキュメントをクエリーする

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。


資産管理会社の顧客に関する洞察を引き出す

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。


ビッグデータと R4ML を使用してフライトの遅延を予測する

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。


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。


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


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。


オンプレミス・データを使用して、クラウド・ベースの機械学習モデルをトレーニングする

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。


構造化データと非構造化データをリンクしてレコメンデーションを生成する

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。


OpenCV と深層学習による動画内でのオブジェクト・トラッキング

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。


過去の購入行動に基づいて追加購入を促す、機械学習レコメンデーション・エンジンを作成する ■IBM Watson Studio で Jupyter Notebook を使用して対話式レコメンデーション・エンジン

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。


プログラミング言語を分類する

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。


データの偏差を手掛かりに不正行為を予測する

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。


ビッグデータを処理できるよう準備して、データ探索を行う

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。


Facebook 使用状況データから隠れた洞察を発見する

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。


Jupyter Notebook を使用して Starcraft II リプレイを分析する

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。


San Francisco 市の交通データを分析する

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。


機械学習を使った Web ベースのモバイル・ヘルス・アプリを開発する

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。


イベント・データ・ストリームを取り込んで分析し、タイムリーな洞察を引き出す

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。


一般公開されている医療データセットを分析して洞察を引き出す

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。


心不全を予測するための採点モデルを作成してデプロイする

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によってトレンディング・トピックを判断する

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。


食糧不安に関する理解を促すための視覚化を作成する

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。


IoT センサー・データを使用して機器故障を予測する

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。


ソフトウェア開発成果物から洞察をマイニングする

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-DS ワークロードを使用して、Spark SQL とそのパフォーマンスを調査する

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。


相互に関連するデータを保管し、グラフを生成して洞察を引き出す

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。


Spark SQL を使用して NoSQL HBase テーブルにアクセスする

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。


機械学習エクササイズを実行する

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。


Apache Spark と Elasticsearch を使用してレコメンダーを作成する

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。


ロボット型計算・推測エージェントを作成する

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。


さまざまなソースからのドキュメントを互いに関連付ける

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。


データ・サイエンスのワークフローを、Node-RED を使用して編成する

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。


Watson のテキスト分類を拡張する

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・データから変化点を検出する

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。


Related Blogs

ショートコードに合う投稿は見つかりませんでした。