データと機械学習

実行可能な分析またはモデリングプロジェクトを構築し、その結果の根拠となるエビデンスを確認します。

課題とデータを定義する

データセット、求める結果、使用する成果物を説明してください。例:「このCSVから注文が返品されるかを予測してください。単純なベースラインとモデルを比較し、最も強い予測要因を説明してください。」ターゲット列と識別子となる列を特定します。

利用可能なデータセットを提供する

データまたは対応するソースを提供し、列の意味、欠損値、関連する日付を説明してください。このワークフローはデータセットの準備、および任意の外部データセットやモデルソースに対応しています。外部サービスやGPU実行には、対応する利用可能な接続とランタイムが必要です。

評価方法を決める

課題に合った指標を選んでください。教師あり学習のプロジェクトでは、トレーニング前に別途ホールドアウトデータを確保でき、プラットフォームはその評価データを使って予測を検証します。レポートではトレーニング結果と独立した評価結果を区別し、ベースラインとの比較を説明する必要があります。

レポートと成果物を確認する

生成されたプロジェクトには、実行可能な作業とレポートプレビューが含まれます。ブリーフの内容によっては、トレーニングコードや予測コード、保存済みモデル、予測結果、評価レポートが出力に含まれることがあります。実際に生成されたファイルと、結果を再現するために必要なコマンドを確認してください。

失敗した実行に対処する

修正を依頼する前に、報告された問題を確認してください。ターゲットの欠落、不適切な列の型、利用できない依存関係、ランタイムの枯渇などが正しい結果を妨げることがあります。データやブリーフを修正して再実行し、新しいレポートを確認してください。チャート単体はトレーニングの成功を証明するものではありません。

調整して再利用する

同じビルドの会話で、別の機能追加、モデル比較、説明を依頼してください。自分の環境で作業を続ける必要がある場合は、生成されたプロジェクトをダウンロードします。データの前提条件と評価設定は結果とともに保管してください。

対象範囲を理解する

データプロジェクトは、カスタムAIエージェントや組み込みのAgent Teamとは異なる出力です。専用の定量トレーディング戦略ワークフローは今後の予定であり、これらのガイドでは現時点で利用可能なビルダータイプとしては説明していません。