概要

このラボでは、マルチクラス分類モデルを開発し、モデルを Docker イメージとしてパッケージ化し、トレーニング アプリケーションとして AI Platform Training でモデルを実行します。このトレーニング アプリケーションは、地図作成データから森林被覆の種類を予測するマルチクラス分類モデルをトレーニングします。このラボで使用するデータセットは、UCI Machine Learning Repository の Covertype Data Set に基づいています。

Scikit-learn は、Python での機械学習で特に役立つライブラリの一つです。トレーニング コードでは、データの前処理とモデリングに Scikit-learn を使用します。

コードは hypertune パッケージを使用して計測されます。そのため、AI Platform のハイパーパラメータ調整ジョブで使用して、指定した指標を最適化することでハイパーパラメータ値の最適な組み合わせを検索できます。

目標

• BigQuery を使用してトレーニングと検証の分割を作成する。
• 機械学習モデルを Docker コンテナにラップし、AI Platform でトレーニングする。
• Google Cloud のハイパーパラメータ調整エンジンを使用して、最適なハイパーパラメータを見つける。
• トレーニング済みの機械学習モデルを REST API として Google Cloud にデプロイし、クエリを実行する。

設定

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. シークレット ウィンドウを使用して Google Skills にログインします。

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。

Cloud Shell をアクティブにする

Cloud Shell は、開発ツールが組み込まれた仮想マシンです。5 GB の永続ホーム ディレクトリを提供し、Google Cloud 上で実行されます。Cloud Shell を使用すると、コマンドラインで Google Cloud リソースにアクセスできます。gcloud は Google Cloud のコマンドライン ツールで、Cloud Shell にプリインストールされており、Tab キーによる入力補完がサポートされています。

1. Google Cloud Console のナビゲーション パネルで、「Cloud Shell をアクティブにする」アイコン（）をクリックします。

2. [次へ] をクリックします。
   環境がプロビジョニングされ、接続されるまでしばらく待ちます。接続の際に認証も行われ、プロジェクトは現在のプロジェクト ID に設定されます。次に例を示します。

サンプル コマンド

• 有効なアカウント名前を一覧表示する:

gcloud auth list

（出力）

Credentialed accounts: - <myaccount>@<mydomain>.com (active)

（出力例）

Credentialed accounts: - google1623327_student@qwiklabs.net

• プロジェクト ID を一覧表示する:

gcloud config list project

（出力）

[core] project = <プロジェクト ID>

（出力例）

[core] project = qwiklabs-gcp-44776a13dea667a6

タスク 1. クラウド サービスを有効にする

1. Cloud Shell で、プロジェクト ID を Google Cloud プロジェクトに設定するには、次のコマンドを実行します。

export PROJECT_ID=$(gcloud config get-value core/project) gcloud config set project $PROJECT_ID

2. 必要な Google Cloud サービスを有効にするには、次のコマンドを実行します。

gcloud services enable \ cloudbuild.googleapis.com \ container.googleapis.com \ cloudresourcemanager.googleapis.com \ iam.googleapis.com \ containerregistry.googleapis.com \ containeranalysis.googleapis.com \ ml.googleapis.com \ dataflow.googleapis.com

3. Cloud Build サービス アカウントに編集者権限を追加します。

PROJECT_NUMBER=$(gcloud projects describe $PROJECT_ID --format="value(projectNumber)") CLOUD_BUILD_SERVICE_ACCOUNT="${PROJECT_NUMBER}@cloudbuild.gserviceaccount.com" gcloud projects add-iam-policy-binding $PROJECT_ID \ --member serviceAccount:$CLOUD_BUILD_SERVICE_ACCOUNT \ --role roles/editor

[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。 Cloud Build サービス アカウントの編集者権限を追加する。

タスク 2. AI Platform Pipelines のインスタンスを作成する

1. Google Cloud コンソールのナビゲーション メニューで、下にスクロールして [AI Platform] を見つけます。以降の作業でアクセスしやすくするために、ピンのアイコンをクリックして固定します。

2. Cloud Shell で次のコマンドを入力して、必要な GKE クラスタを作成します。

gcloud container clusters create cluster-1 --zone us-central1-a --release-channel stable --machine-type n1-standard-2 --scopes=https://www.googleapis.com/auth/cloud-platform

完了までに 2～3 分かかります。クラスタの作成が完了するまで次のステップに進まないでください。

3. クラスタの作成を待機中に、次のいずれかを実行します。
   • ナビゲーション メニューで [Kubernetes Engine] をクリックして、作成中のクラスタを表示します。
   • ナビゲーション メニューで [Compute Engine] をクリックして、個々の VM が起動していることを確認します。

クラスタの作成が完了すると、Cloud Shell に次の画像のようなステータスが表示されます。

4. [AI Platform] グループに戻り、[パイプライン] をクリックします。

5. [新しいインスタンス] をクリックします。

6. [Kubeflow Pipelines] ページで [構成] をクリックします。

ステップ 2 で作成したクラスタがデフォルトで選択ウィンドウに表示されます。

7. ページの一番下までスクロールして Marketplace の利用規約に同意し、[デプロイ] をクリックします。

KubeFlow パイプラインの個々のサービスが GKE クラスタにデプロイされます。デプロイが完了するまで次のタスクに進まないでください。

[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。 AI Platform Pipelines のインスタンスを作成する。

タスク 3. Vertex AI Platform Notebooks のインスタンスを作成する

Vertex AI Platform Notebooks のインスタンスは、主要なテスト / 開発ワークベンチとして使用されます。インスタンスの構成には、このラボに必要な Python パッケージをすべて含むカスタム コンテナ イメージを使用します。

1. Cloud Shell で、ホーム ディレクトリにフォルダを作成します。

cd mkdir tmp-workspace cd tmp-workspace

2. Python パッケージを使用して、カスタム イメージにインストールする要件ファイルを作成します。

gsutil cp gs://cloud-training/OCBL203/requirements.txt .

3. カスタム コンテナ イメージを定義する Dockerfile を作成します。

gsutil cp gs://cloud-training/OCBL203/Dockerfile .

4. イメージを構築して、プロジェクトの Container Registry に push します。

IMAGE_NAME=kfp-dev TAG=latest IMAGE_URI="gcr.io/${PROJECT_ID}/${IMAGE_NAME}:${TAG}" gcloud builds submit --timeout 15m --tag ${IMAGE_URI} .

[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。 イメージを構築して、プロジェクトの Container Registry に push する。

5. Vertex AI Platform Notebooks のインスタンスを作成します。

ZONE=us-central1-a INSTANCE_NAME=ai-notebook

別の ZONE と INSTANCE_NAME を使用する場合は、[YOUR_ZONE] として選択したゾーンで us-central1-a を置き換え、[YOUR_INSTANCE_NAME] として選択したインスタンス名で ai-notebook を置き換えます。

IMAGE_FAMILY="common-container" IMAGE_PROJECT="deeplearning-platform-release" INSTANCE_TYPE="n1-standard-4" METADATA="proxy-mode=service_account,container=$IMAGE_URI" gcloud compute instances create $INSTANCE_NAME \ --zone=$ZONE \ --image-family=$IMAGE_FAMILY \ --machine-type=$INSTANCE_TYPE \ --image-project=$IMAGE_PROJECT \ --maintenance-policy=TERMINATE \ --boot-disk-device-name=${INSTANCE_NAME}-disk \ --boot-disk-size=100GB \ --boot-disk-type=pd-ssd \ --scopes=cloud-platform,userinfo-email \ --metadata=$METADATA

完了まで最長 5 分ほどかかる場合があります。

6. 5 分後に、Cloud コンソールのナビゲーション メニューで、[Vertex AI] > [ワークベンチ] をクリックします。

Vertex AI Platform Workbench のインスタンスが反映されるまでに 2～3 分かかります。

7. ページを更新してください。[以前のインスタンスを含める] チェックボックスが表示されたら、オンにしてインスタンスを表示します。

8. [Jupyterlab を開く] リンクをクリックします。

[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。 Vertex AI Platform Notebooks のインスタンスを作成する。

タスク 4. Vertex AI Platform Notebooks のインスタンス内で mlops-on-gcp リポジトリのクローンを作成する

mlops-on-gcp ノートブックのクローンを JupyterLab インスタンス内に作成するには、次の手順を行います。

1. JupyterLab で、[Terminal] アイコンをクリックして新しいターミナルを開きます。

2. コマンドライン プロンプトで、次のコマンドを入力して Enter キーを押します。

   git clone https://github.com/GoogleCloudPlatform/mlops-on-gcp 注: クローンが作成されたリポジトリが JupyterLab UI に表示されない場合、上部に並んだメニューの [Git] > [Clone a repository] から、UI を使ってリポジトリ（https://github.com/GoogleCloudPlatform/mlops-on-gcp）のクローンを作成できます。

   

3. リポジトリのクローンが作成されたことを確認するには、mlops-on-gcp 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。このディレクトリには、本コースのすべての Jupyter ノートブック ラボで使用するファイルが含まれています。

[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。 Vertex AI Platform Notebooks のインスタンス内で mlops-on-gcp リポジトリのクローンを作成する。

タスク 5. mlops-on-gcp ノートブックに移動する

注: すべてのタスクを実行するには、各セルを実行する前に、すべての説明を読んで、指示に注意深く従う必要があります。一部のタスクは、完了するまでに 5〜10 分かかることがあります。各タスクが完了するのを待ってから次のタスクに進んでください。

1. ノートブック インターフェースで、[mlops-on-gcp] > [on_demand] > [kfp-caip-sklearn] > [lab-01-caip-containers] > [exercises] に移動して、lab-01.ipynb を開きます。

2. ノートブック インターフェースで、[編集] > [出力をすべて消去] をクリックします。

3. ノートブックの手順をよく読み、「#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。

注: 現在のセルを実行するには、そのセルをクリックして、Shift+Enter キーを押します。その他のセルコマンドはノートブック UI 内の [実行] の下にあります。

• タスクのヒントが提供されている場合もあります。テキストを選択すると、関連するヒントが白いテキストで表示されます。
• さらに情報が必要な場合は、[mlops-on-gcp] > [on_demand] > [kfp-caip-sklearn] > [lab-01-caip-containers] に移動して lab-01.ipynb を開き、ソリューションの全体を表示することもできます。

ラボのデータセットを準備する

パイプラインは BigQuery からデータを取り込みます。ノートブックでのセルの実行中に、BigQuery パラメータを設定し、BigQuery データセットを作成して、Covertype CSV データをテーブルにアップロードしました。

[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。 ラボのデータセットを準備する。

[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。 トレーニングと検証の分割を作成する。

[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。 トレーニング アプリケーションを開発する。

[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。 AI Platform ハイパーパラメータ調整ジョブを送信する。

[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。 AI Platform Prediction にモデルをデプロイする。

お疲れさまでした

このラボでは、トレーニング アプリケーションを開発し、Docker イメージとしてパッケージ化して、AI Platform Training で実行する方法を学習しました。

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 2026 Google LLC All rights reserved. Google および Google のロゴは、Google LLC の商標です。その他すべての社名および製品名は、それぞれ該当する企業の商標である可能性があります。