🤖 機械学習・データ可視化プレビューガイド

# 🤖 機械学習・データ可視化プレビューガイド

## ✅ 新機能: TensorFlow/ML/データ可視化対応

### 実装完了

- ✅ TensorFlow MNIST CNN モデル訓練
- ✅ データ可視化 (matplotlib)
- ✅ データ分析 (pandas)
- ✅ 訓練履歴の可視化
- ✅ 予測結果の画像生成
- ✅ 複数画像の自動プレビュー

---

## 📝 テストコマンド

### 1. TensorFlow MNIST CNN (推奨)

**コマンド:**
```
TensorFlowを使用して手書き数字認識のCNNモデルを作成してください。MNIST データセットを使用し、訓練過程の可視化も含めてください。
```

**期待される動作:**

1. **コード生成**:
   - `mnist_cnn.py` 作成
   - TensorFlow CNN モデル実装
   - MNIST データセット自動ダウンロード
   - 5エポック訓練
   - 可視化コード含む

2. **実行結果**:
   - MNISTデータセット読み込み (60,000訓練, 10,000テスト)
   - CNNモデルビルド (Conv2D → MaxPooling → Dense)
   - モデル訓練 (5エポック)
   - テスト精度評価 (~98-99%)
   - 2つの画像生成:
     - `mnist_training_history.png` - 訓練履歴グラフ
     - `mnist_predictions.png` - 予測サンプル10個

3. **プレビューボタン**:
   - ✅ "MNIST Training History" ボタン
   - ✅ "MNIST Predictions" ボタン

4. **プレビューURL**:
   - `http://192.168.0.135:8090/html/images/mnist_training_history.png`
   - `http://192.168.0.135:8090/html/images/mnist_predictions.png`

**実行時間**: 約2-3分 (CPUの場合)

**生成される画像**:

1. **Training History** (2つのグラフ):
   - 左: 訓練精度 vs 検証精度
   - 右: 訓練損失 vs 検証損失

2. **Predictions** (10個のサンプル):
   - 手書き数字画像
   - 真のラベル vs 予測ラベル
   - 正解は緑、不正解は赤で表示

---

### 2. データ可視化

**コマンド:**
```
matplotlibを使用してデータ可視化を作成してください
```

または

```
グラフを作成してください。折れ線グラフ、散布図、棒グラフ、ヒストグラムを含めてください。
```

**期待される動作:**

1. **生成画像**: `visualization.png`
2. **内容** (4つのグラフ):
   - Line Plot: sin(x), cos(x)
   - Scatter Plot: 相関データ
   - Bar Chart: カテゴリ別データ
   - Histogram: 正規分布

3. **プレビューボタン**: "Data Visualization"
4. **URL**: `http://192.168.0.135:8090/html/images/visualization.png`

---

### 3. データ分析

**コマンド:**
```
pandasを使用してデータ分析を行ってください。売上データの分析と可視化を含めてください。
```

または

```
csvデータを分析して、統計情報とグラフを作成してください
```

**期待される動作:**

1. **生成画像**: `data_analysis.png`
2. **内容** (4つのグラフ):
   - Sales Trend: 時系列データ
   - Revenue Distribution: ヒストグラム
   - Sales vs Customers: 散布図
   - Correlation Matrix: ヒートマップ

3. **プレビューボタン**: "Data Analysis"
4. **URL**: `http://192.168.0.135:8090/html/images/data_analysis.png`

---

## 🔍 検出キーワード

### Machine Learning
- `tensorflow`, `keras`, `pytorch`
- `機械学習`, `ml`, `深層学習`
- `cnn`, `rnn`, `lstm`
- `mnist`, `アイリス`
- `モデル訓練`, `分類`, `回帰`

### Visualization
- `matplotlib`, `seaborn`, `plot`
- `グラフ`, `可視化`, `visualization`
- `散布図`, `ヒストグラム`, `棒グラフ`
- `heatmap`, `scatter`, `line plot`

### Data Analysis
- `pandas`, `csv`, `dataframe`
- `データ分析`, `data analysis`
- `統計`, `相関`

---

## 🚀 処理フロー

### TensorFlow MNISTの場合

```
1. コマンド受信
   "TensorFlowを使用して手書き数字認識のCNNモデルを作成..."

2. コマンド分析
   determineCommandType() → "machine_learning"

3. コード生成
   generateMLCode(command, "machine_learning")
   → mnist_cnn.py + bash script

4. Dockerコンテナで実行
   docker exec <container> bash -c "python3 mnist_cnn.py"
   → 訓練開始 (約2-3分)
   → mnist_training_history.png 生成
   → mnist_predictions.png 生成

5. 画像をホストにコピー
   docker cp <container>:/workspace/mnist_training_history.png ./html/images/
   docker cp <container>:/workspace/mnist_predictions.png ./html/images/

6. プレビューメッセージ送信 (2つ)
   preview_ready: "MNIST Training History"
   preview_ready: "MNIST Predictions"

7. アプリでプレビューボタン表示 (2つ)
   [MNIST Training History] ボタン
   [MNIST Predictions] ボタン
```

---

## 📊 サーバーログ例

```
🎯 Executing command: TensorFlowを使用して手書き数字認識...
📤 Stage 1: Sending analyzing progress
📊 Command analysis: type=machine_learning, framework=standard
📤 Sending code_generated message (XXX bytes)
🔍 Looking for container for project: demo-1759406078
✅ Found container by project_id: 8f0bf28051d0
🐳 Executing generated code in container 8f0bf28051d0
✅ Code executed successfully
📋 Copying visualization/ML images from container to host
✅ Copied image: mnist_training_history.png
✅ Copied image: mnist_predictions.png
📤 Sending preview_ready for mnist_training_history.png
✅ Successfully sent preview_ready for MNIST Training History
📤 Sending preview_ready for mnist_predictions.png
✅ Successfully sent preview_ready for MNIST Predictions
```

---

## 🎨 生成されるPythonコード (mnist_cnn.py)

```python
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers
import matplotlib.pyplot as plt
import numpy as np

# Load MNIST dataset
(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()

# Preprocess
x_train = x_train.reshape(-1, 28, 28, 1).astype('float32') / 255.0
x_test = x_test.reshape(-1, 28, 28, 1).astype('float32') / 255.0

# Build CNN
model = keras.Sequential([
    layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
    layers.MaxPooling2D((2, 2)),
    layers.Conv2D(64, (3, 3), activation='relu'),
    layers.MaxPooling2D((2, 2)),
    layers.Conv2D(64, (3, 3), activation='relu'),
    layers.Flatten(),
    layers.Dense(64, activation='relu'),
    layers.Dropout(0.5),
    layers.Dense(10, activation='softmax')
])

# Train
history = model.fit(x_train, y_train, epochs=5, validation_split=0.2)

# Evaluate
test_loss, test_acc = model.evaluate(x_test, y_test)

# Visualize training history & predictions
# (完全なコードはml_templates.goを参照)
```

---

## 🐛 トラブルシューティング

### "Error Loading Page" が表示される

**原因:**
1. Pythonコードの実行エラー
2. 画像ファイルが生成されていない
3. コンテナにTensorFlow/matplotlibがインストールされていない

**解決策:**

1. **コンテナのPython環境確認**:
```bash
docker exec <container_id> python3 -c "import tensorflow; print(tensorflow.__version__)"
docker exec <container_id> python3 -c "import matplotlib; print(matplotlib.__version__)"
```

2. **必要なライブラリインストール**:
```bash
docker exec <container_id> pip3 install tensorflow matplotlib numpy pandas
```

3. **生成されたファイル確認**:
```bash
docker exec <container_id> ls -la /workspace/*.png
ls -la ./html/images/
```

4. **サーバーログ確認**:
```bash
# バックグラウンドジョブのログ確認
```

### 訓練が遅い

- **CPU使用**: 2-3分程度 (正常)
- **GPU使用可能な場合**: TensorFlow GPU版を使用すると高速化

### 画像が表示されない

1. **画像ファイルの存在確認**:
```bash
ls -la /Users/suetaketakaya/1.prog/remote_manual/server/build_clean/html/images/
```

2. **ブラウザで直接アクセス**:
```
http://192.168.0.135:8090/html/images/mnist_training_history.png
```

3. **画像ファイルの権限確認**:
```bash
chmod 644 ./html/images/*.png
```

---

## 📈 パフォーマンス

### MNIST CNN訓練

- **データセット**: 60,000訓練, 10,000テスト
- **モデルパラメータ**: ~1.2M
- **訓練時間** (CPU):
  - Epoch 1: ~30秒
  - Epoch 2-5: ~20秒/epoch
  - 合計: ~2-3分

- **期待される精度**:
  - 訓練精度: 98-99%
  - テスト精度: 97-99%

### データ可視化

- **実行時間**: ~1秒
- **画像サイズ**: ~100-200KB

---

## 🔧 カスタマイズ

### エポック数を増やす

`ml_templates.go`の`generateTensorFlowMNIST()`内:
```go
epochs=5  →  epochs=10
```

### モデル構造の変更

Pythonコード内のmodel定義を変更:
```python
# より深いモデル
layers.Conv2D(128, (3, 3), activation='relu'),
```

---

## ✅ 成功基準

### TensorFlow MNIST

- [x] コマンド検出: "machine_learning"
- [x] Pythonコード生成
- [x] Docker内で実行
- [x] MNISTデータセット自動ダウンロード
- [x] モデル訓練完了
- [x] 2つの画像生成
- [x] 画像コピー
- [x] 2つのプレビューボタン表示
- [x] 画像表示成功

---

**接続情報:**
- WebSocket: `ws://192.168.0.135:8090/ws?key=6661755000`
- Session Key: `6661755000`
- 画像ディレクトリ: `/Users/suetaketakaya/1.prog/remote_manual/server/build_clean/html/images/`

**作成日**: 2025年10月4日
**バージョン**: v4.2 - ML/Visualization Support
**ステータス**: ✅ 実装完了・テスト可能