概要

所要時間は 1 分です

このラボでは、Keras を使用してタクシー運賃の価格予測モデルを構築し、高度な特徴量エンジニアリングを利用してニューヨーク市のタクシー乗車運賃に関する予測の精度を改善します。

学習内容

このラボでは、次の方法について学びます。

• Workbench インスタンス ノートブックを作成する。
• Keras で時間的な特徴量列を処理する。
• Lambda レイヤを使用して、位置情報の特徴量への特徴量エンジニアリングを行う。
• バケット化された特徴量列、特徴量をかけ合わせた特徴量列を作成する。

Vertex AI には、Workbench と Colab Enterprise の 2 つのノートブック ソリューションがあります。

Workbench

Vertex AI Workbench は、制御性とカスタマイズ性が重視されるプロジェクトに適した選択肢です。依存関係が複雑な、複数のファイルにわたる複雑なプロジェクトに特に適しています。また、ワークステーションやノートパソコンからクラウドへの移行を行っているデータ サイエンティストにも適した選択肢です。

Vertex AI Workbench のインスタンスには、ディープ ラーニング パッケージのスイート（TensorFlow と PyTorch のフレームワークのサポートを含む）がプリインストールされています。

設定と要件

各ラボでは、新しい Google Cloud プロジェクトとリソースセットを一定時間無料で利用できます。

1. Qwiklabs にシークレット ウィンドウでログインします。

2. ラボのアクセス時間（例: 1:15:00）に注意し、時間内に完了できるようにしてください。
   一時停止機能はありません。必要な場合はやり直せますが、最初からになります。

3. 準備ができたら、[ラボを開始] をクリックします。

4. ラボの認証情報（ユーザー名とパスワード）をメモしておきます。この情報は、Google Cloud Console にログインする際に使用します。

5. [Google Console を開く] をクリックします。

6. [別のアカウントを使用] をクリックし、このラボの認証情報をコピーしてプロンプトに貼り付けます。
   他の認証情報を使用すると、エラーが発生したり、料金の請求が発生したりします。

7. 利用規約に同意し、再設定用のリソースページをスキップします。

タスク 1. Vertex AI Workbench のインスタンスを起動する

1. Google Cloud コンソールのナビゲーション メニュー（）で [Vertex AI] を選択します。

2. [すべての推奨 API を有効化] をクリックします。

3. ナビゲーション メニューで [ワークベンチ] をクリックします。

   [ワークベンチ] ページの上部で、[インスタンス] ビューになっていることを確認します。

4. [新規作成] をクリックします。

5. インスタンスの構成:

   • 名前: lab-workbench
   • リージョン: リージョンを に設定します
   • ゾーン: ゾーンを に設定します
   • 詳細オプション（任意）: 必要に応じて [詳細オプション] をクリックして、より詳細なカスタマイズを行います（マシンタイプ、ディスクサイズなど）。

6. [作成] をクリックします。

インスタンスが作成されるまで数分かかります。作成が終了するとインスタンスの名前の横に緑色のチェックマークが付きます。

7. インスタンスの名前の横に表示されている [JupyterLab を開く] をクリックして JupyterLab インターフェースを起動します。ブラウザで新しいタブが開きます。

8. [Python 3] アイコンをクリックして、新規の Python ノートブックを起動します。

9. メニューバーでファイル Untitled.ipynb を右クリックし、[ノートブック名を変更] を選択して、わかりやすい名前を付けます。

これで環境が設定されました。これで Vertex AI Workbench ノートブックを使い始める準備ができました。

[進行状況を確認] をクリックして、目標に沿って進んでいることを確認します。 Vertex AI Workbench のインスタンスを起動する

タスク 2. JupyterLab インターフェース内でコース リポジトリのクローンを作成する

GitHub リポジトリには、コースのラボファイルとソリューション ファイルの両方が含まれています。

1. ノートブックの最初のセルに次のコードをコピーして実行し、training-data-analyst リポジトリのクローンを作成します。

!git clone https://github.com/GoogleCloudPlatform/training-data-analyst

2. リポジトリのクローンが作成されたことを確認します。training-data-analyst ディレクトリをダブルクリックし、リポジトリのコンテンツが表示されることを確認します。

[進行状況を確認] をクリックして、目標に沿って進んでいることを確認します。 JupyterLab インターフェース内でコース リポジトリのクローンを作成する

タスク 3. Keras で高度な特徴量エンジニアリングを実行する

所要時間は 60 分です

1. ノートブック インターフェースで、[training-data-analyst] > [courses] > [machine_learning] > [deepdive2] > [feature_engineering] > [labs] に移動して [4_keras_adv_feat_eng-lab.ipynb] を開きます。

2. カーネルを選択するポップアップが表示されます。選択肢の中からカーネル [TensorFlow 2.11 (Local)] を選択します。

3. Notebooks インターフェースで、[Edit] > [Clear All Outputs] をクリックします（[Edit] をクリックしてプルダウン メニューから [Clear All Outputs] を選択します）。

4. ノートブックに記載された手順をよく読み、「#TODO」のマークが付いた行に必要な内容を入力してコードを完成させます。

[進行状況を確認] をクリックして、目標に沿って進んでいることを確認します。 Keras で高度な特徴量エンジニアリングを実行する

ラボを終了する

ラボでの学習が完了したら、[ラボを終了] をクリックします。ラボで使用したリソースが Qwiklabs から削除され、アカウントの情報も消去されます。

ラボの評価を求めるダイアログが表示されたら、星の数を選択してコメントを入力し、[送信] をクリックします。

星の数は、それぞれ次の評価を表します。

• 星 1 つ = 非常に不満
• 星 2 つ = 不満
• 星 3 つ = どちらともいえない
• 星 4 つ = 満足
• 星 5 つ = 非常に満足

フィードバックを送信しない場合は、ダイアログ ボックスを閉じてください。

フィードバック、ご提案、修正が必要な箇所については、[サポート] タブからお知らせください。

Copyright 2020 Google LLC All rights reserved. Google および Google のロゴは Google LLC の商標です。その他すべての企業名および商品名はそれぞれ各社の商標または登録商標です。