機械学習における Databricks の活用

Databricks の基本概念

Kevin Barlow

Data Practitioner

機械学習ライフサイクル

¹ https://www.datacamp.com/blog/machine-learning-lifecycle-explained

計画と準備

ML ライフサイクル - EDA

機械学習の計画

何があるか

データの有無
ビジネス要件
データサイエンティスト／アナリスト

データチームとリソース

何を目指すか

ユースケース
法務・セキュリティ遵守
事業成果

ビジネス成果

ML ランタイム

Databricks コンピュートの拡張
機械学習向けに最適化
主要ライブラリとフレームワークを同梱
- scikit-learn、SparkML、TensorFlow
- MLFlow
クラスターのライブラリ管理に対応

Databricks ML Runtime

探索的データ分析（EDA）

import pandas as pd
pd.describe(df)

# Spark DF
df.summary()

dbutils.data.summarize()

import bamboolib as bam
df

Databricks での EDA

特徴量テーブルとフィーチャーストア

生データ

count	category	price	shelf_loc	rating
4	horror	12.50	end	3
6	romance	13.99	top	4.5
12	sci-fi	16.50	bottom	5
31	romance	9.99	bottom	3.5
23	fantasy	24.99	top	4
18	horror	19.99	end	2.5
19	cooking	17.50	end	4.5
7	fantasy	12.99	top	3
37	sci-fi	14.99	bottom	5

特徴量テーブル

count	category	price	shelf_loc	rating
4	1	12.50	1	3
6	2	13.99	2	4.5
12	3	16.50	3	5
31	2	9.99	3	3.5
23	4	24.99	2	4
18	1	19.99	1	2.5
19	5	17.50	1	4.5
7	4	12.99	2	3
37	3	14.99	3	5

Databricks フィーチャーストア

特徴量化データセットの集中管理
機械学習モデル向け特徴量を容易に発見・再利用
上流・下流のリネージ

Databricks フィーチャーストア

from databricks import feature_store

fs = feature_store.FeatureStoreClient()

fs.create_table(
    name=table_name,
    primary_keys=["wine_id"],
    df=features_df,
    schema=features_df.schema,
    description="wine features"
)

¡Vamos a practicar!

Databricks の基本概念