Enviar pesquisa
Carregar
いまさら聞けない機械学習のキホン
•
29 gostaram
•
28,487 visualizações
dsuke Takaoka
Seguir
AITCオープンラボ: 第1回 機械学習勉強会の資料です http://aitc-openlab.connpass.com/event/25672/
Leia menos
Leia mais
Tecnologia
Denunciar
Compartilhar
Denunciar
Compartilhar
1 de 40
Baixar agora
Baixar para ler offline
Recomendados
一般向けのDeep Learning
一般向けのDeep Learning
Preferred Networks
最適輸送入門
最適輸送入門
joisino
機械学習の理論と実践
機械学習の理論と実践
Preferred Networks
深層学習の非常に簡単な説明
深層学習の非常に簡単な説明
Seiichi Uchida
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向
SSII
AHC-Lab M1勉強会 論文の読み方・書き方
AHC-Lab M1勉強会 論文の読み方・書き方
Shinagawa Seitaro
深層学習による自然言語処理入門: word2vecからBERT, GPT-3まで
深層学習による自然言語処理入門: word2vecからBERT, GPT-3まで
Yahoo!デベロッパーネットワーク
最近のDeep Learning (NLP) 界隈におけるAttention事情
最近のDeep Learning (NLP) 界隈におけるAttention事情
Yuta Kikuchi
Recomendados
一般向けのDeep Learning
一般向けのDeep Learning
Preferred Networks
最適輸送入門
最適輸送入門
joisino
機械学習の理論と実践
機械学習の理論と実践
Preferred Networks
深層学習の非常に簡単な説明
深層学習の非常に簡単な説明
Seiichi Uchida
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向
SSII
AHC-Lab M1勉強会 論文の読み方・書き方
AHC-Lab M1勉強会 論文の読み方・書き方
Shinagawa Seitaro
深層学習による自然言語処理入門: word2vecからBERT, GPT-3まで
深層学習による自然言語処理入門: word2vecからBERT, GPT-3まで
Yahoo!デベロッパーネットワーク
最近のDeep Learning (NLP) 界隈におけるAttention事情
最近のDeep Learning (NLP) 界隈におけるAttention事情
Yuta Kikuchi
【DL輪読会】Code as Policies: Language Model Programs for Embodied Control
【DL輪読会】Code as Policies: Language Model Programs for Embodied Control
Deep Learning JP
マッチングサービスにおけるKPIの話
マッチングサービスにおけるKPIの話
cyberagent
『バックドア基準の入門』@統数研研究集会
『バックドア基準の入門』@統数研研究集会
takehikoihayashi
機械学習で泣かないためのコード設計
機械学習で泣かないためのコード設計
Takahiro Kubo
Skip Connection まとめ(Neural Network)
Skip Connection まとめ(Neural Network)
Yamato OKAMOTO
言語資源と付き合う
言語資源と付き合う
Yuya Unno
レコメンドエンジン作成コンテストの勝ち方
レコメンドエンジン作成コンテストの勝ち方
Shun Nukui
機械学習チュートリアル@Jubatus Casual Talks
機械学習チュートリアル@Jubatus Casual Talks
Yuya Unno
深層学習時代の自然言語処理
深層学習時代の自然言語処理
Yuya Unno
ChatGPT 人間のフィードバックから強化学習した対話AI
ChatGPT 人間のフィードバックから強化学習した対話AI
Shota Imai
セグメント?クラスタリング? ユーザーを分類し、サービスの改善に活かすポイント
セグメント?クラスタリング? ユーザーを分類し、サービスの改善に活かすポイント
Naoto Tamiya
BERT分類ワークショップ.pptx
BERT分類ワークショップ.pptx
Kouta Nakayama
ニューラルネットと深層学習の歴史
ニューラルネットと深層学習の歴史
Akinori Abe
XAI (説明可能なAI) の必要性
XAI (説明可能なAI) の必要性
西岡 賢一郎
研究分野をサーベイする
研究分野をサーベイする
Takayuki Itoh
PyTorchLightning ベース Hydra+MLFlow+Optuna による機械学習開発環境の構築
PyTorchLightning ベース Hydra+MLFlow+Optuna による機械学習開発環境の構築
Kosuke Shinoda
機械学習による統計的実験計画(ベイズ最適化を中心に)
機械学習による統計的実験計画(ベイズ最適化を中心に)
Kota Matsui
学位論文の書き方メモ (Tips for writing thesis)
学位論文の書き方メモ (Tips for writing thesis)
Nobuyuki Umetani
データに内在する構造をみるための埋め込み手法
データに内在する構造をみるための埋め込み手法
Tatsuya Shirakawa
Long-Tailed Classificationの最新動向について
Long-Tailed Classificationの最新動向について
Plot Hong
SORACOM Conference Discovery 2017 | C2. 製造業が挑む 製品のIoTソリューション化
SORACOM Conference Discovery 2017 | C2. 製造業が挑む 製品のIoTソリューション化
SORACOM,INC
SPEEDA/NewsPicksを支える価値を生み出す技術の選定手法
SPEEDA/NewsPicksを支える価値を生み出す技術の選定手法
Hideyuki Takeuchi
Mais conteúdo relacionado
Mais procurados
【DL輪読会】Code as Policies: Language Model Programs for Embodied Control
【DL輪読会】Code as Policies: Language Model Programs for Embodied Control
Deep Learning JP
マッチングサービスにおけるKPIの話
マッチングサービスにおけるKPIの話
cyberagent
『バックドア基準の入門』@統数研研究集会
『バックドア基準の入門』@統数研研究集会
takehikoihayashi
機械学習で泣かないためのコード設計
機械学習で泣かないためのコード設計
Takahiro Kubo
Skip Connection まとめ(Neural Network)
Skip Connection まとめ(Neural Network)
Yamato OKAMOTO
言語資源と付き合う
言語資源と付き合う
Yuya Unno
レコメンドエンジン作成コンテストの勝ち方
レコメンドエンジン作成コンテストの勝ち方
Shun Nukui
機械学習チュートリアル@Jubatus Casual Talks
機械学習チュートリアル@Jubatus Casual Talks
Yuya Unno
深層学習時代の自然言語処理
深層学習時代の自然言語処理
Yuya Unno
ChatGPT 人間のフィードバックから強化学習した対話AI
ChatGPT 人間のフィードバックから強化学習した対話AI
Shota Imai
セグメント?クラスタリング? ユーザーを分類し、サービスの改善に活かすポイント
セグメント?クラスタリング? ユーザーを分類し、サービスの改善に活かすポイント
Naoto Tamiya
BERT分類ワークショップ.pptx
BERT分類ワークショップ.pptx
Kouta Nakayama
ニューラルネットと深層学習の歴史
ニューラルネットと深層学習の歴史
Akinori Abe
XAI (説明可能なAI) の必要性
XAI (説明可能なAI) の必要性
西岡 賢一郎
研究分野をサーベイする
研究分野をサーベイする
Takayuki Itoh
PyTorchLightning ベース Hydra+MLFlow+Optuna による機械学習開発環境の構築
PyTorchLightning ベース Hydra+MLFlow+Optuna による機械学習開発環境の構築
Kosuke Shinoda
機械学習による統計的実験計画(ベイズ最適化を中心に)
機械学習による統計的実験計画(ベイズ最適化を中心に)
Kota Matsui
学位論文の書き方メモ (Tips for writing thesis)
学位論文の書き方メモ (Tips for writing thesis)
Nobuyuki Umetani
データに内在する構造をみるための埋め込み手法
データに内在する構造をみるための埋め込み手法
Tatsuya Shirakawa
Long-Tailed Classificationの最新動向について
Long-Tailed Classificationの最新動向について
Plot Hong
Mais procurados
(20)
【DL輪読会】Code as Policies: Language Model Programs for Embodied Control
【DL輪読会】Code as Policies: Language Model Programs for Embodied Control
マッチングサービスにおけるKPIの話
マッチングサービスにおけるKPIの話
『バックドア基準の入門』@統数研研究集会
『バックドア基準の入門』@統数研研究集会
機械学習で泣かないためのコード設計
機械学習で泣かないためのコード設計
Skip Connection まとめ(Neural Network)
Skip Connection まとめ(Neural Network)
言語資源と付き合う
言語資源と付き合う
レコメンドエンジン作成コンテストの勝ち方
レコメンドエンジン作成コンテストの勝ち方
機械学習チュートリアル@Jubatus Casual Talks
機械学習チュートリアル@Jubatus Casual Talks
深層学習時代の自然言語処理
深層学習時代の自然言語処理
ChatGPT 人間のフィードバックから強化学習した対話AI
ChatGPT 人間のフィードバックから強化学習した対話AI
セグメント?クラスタリング? ユーザーを分類し、サービスの改善に活かすポイント
セグメント?クラスタリング? ユーザーを分類し、サービスの改善に活かすポイント
BERT分類ワークショップ.pptx
BERT分類ワークショップ.pptx
ニューラルネットと深層学習の歴史
ニューラルネットと深層学習の歴史
XAI (説明可能なAI) の必要性
XAI (説明可能なAI) の必要性
研究分野をサーベイする
研究分野をサーベイする
PyTorchLightning ベース Hydra+MLFlow+Optuna による機械学習開発環境の構築
PyTorchLightning ベース Hydra+MLFlow+Optuna による機械学習開発環境の構築
機械学習による統計的実験計画(ベイズ最適化を中心に)
機械学習による統計的実験計画(ベイズ最適化を中心に)
学位論文の書き方メモ (Tips for writing thesis)
学位論文の書き方メモ (Tips for writing thesis)
データに内在する構造をみるための埋め込み手法
データに内在する構造をみるための埋め込み手法
Long-Tailed Classificationの最新動向について
Long-Tailed Classificationの最新動向について
Semelhante a いまさら聞けない機械学習のキホン
SORACOM Conference Discovery 2017 | C2. 製造業が挑む 製品のIoTソリューション化
SORACOM Conference Discovery 2017 | C2. 製造業が挑む 製品のIoTソリューション化
SORACOM,INC
SPEEDA/NewsPicksを支える価値を生み出す技術の選定手法
SPEEDA/NewsPicksを支える価値を生み出す技術の選定手法
Hideyuki Takeuchi
20121124 学生セミナー「基礎からわかる! IT業界とプログラミング」
20121124 学生セミナー「基礎からわかる! IT業界とプログラミング」
Takashi Uemura
人工知能ハンズオン
人工知能ハンズオン
yaju88
Techcircle001-OpenStackハンズオン勉強会
Techcircle001-OpenStackハンズオン勉強会
Koji Shiraishi
新入社員の技術研修に関してありがちな問題を解決するためにやったことやるべきこと
新入社員の技術研修に関してありがちな問題を解決するためにやったことやるべきこと
pupupopo88
いんふらフレンズ
いんふらフレンズ
Miho Yamamoto
エッジヘビーコンピューティングと機械学習
エッジヘビーコンピューティングと機械学習
Preferred Networks
Jasst16 tokyo 参加報告
Jasst16 tokyo 参加報告
Takayuki Ujita
勉強会参加のすゝめ
勉強会参加のすゝめ
Sho Okada
エンジニアのキャリアを考える
エンジニアのキャリアを考える
MKT International Inc.
2011.06.01 和歌山高専
2011.06.01 和歌山高専
Shinya Okano
【Tech Trend Talk vol.1】社外向け勉強会「機械学習の概要 -(GIG)」
【Tech Trend Talk vol.1】社外向け勉強会「機械学習の概要 -(GIG)」
GIG inc.
TOPPERSプロジェクトの紹介 in OSC2015 Kansai@Kyoto
TOPPERSプロジェクトの紹介 in OSC2015 Kansai@Kyoto
Hideki Takase
SciREX イノベーション分析手法勉強会 第七回 「SQL 入門と特許データベース分析(その1)」
SciREX イノベーション分析手法勉強会 第七回 「SQL 入門と特許データベース分析(その1)」
Yasushi Hara
東大大学院 戦略ソフトウェア特論2021「ロボットで世界を計算可能にする」海野裕也
東大大学院 戦略ソフトウェア特論2021「ロボットで世界を計算可能にする」海野裕也
Preferred Networks
機械学習を始めるための第一歩
機械学習を始めるための第一歩
LINE Corporation
Q a9 for ics(lotus) developers
Q a9 for ics(lotus) developers
賢次 海老原
Tech-on MeetUp#09_closing
Tech-on MeetUp#09_closing
Techon Organization
Webを支える組み込み技術
Webを支える組み込み技術
Yuji Chiya
Semelhante a いまさら聞けない機械学習のキホン
(20)
SORACOM Conference Discovery 2017 | C2. 製造業が挑む 製品のIoTソリューション化
SORACOM Conference Discovery 2017 | C2. 製造業が挑む 製品のIoTソリューション化
SPEEDA/NewsPicksを支える価値を生み出す技術の選定手法
SPEEDA/NewsPicksを支える価値を生み出す技術の選定手法
20121124 学生セミナー「基礎からわかる! IT業界とプログラミング」
20121124 学生セミナー「基礎からわかる! IT業界とプログラミング」
人工知能ハンズオン
人工知能ハンズオン
Techcircle001-OpenStackハンズオン勉強会
Techcircle001-OpenStackハンズオン勉強会
新入社員の技術研修に関してありがちな問題を解決するためにやったことやるべきこと
新入社員の技術研修に関してありがちな問題を解決するためにやったことやるべきこと
いんふらフレンズ
いんふらフレンズ
エッジヘビーコンピューティングと機械学習
エッジヘビーコンピューティングと機械学習
Jasst16 tokyo 参加報告
Jasst16 tokyo 参加報告
勉強会参加のすゝめ
勉強会参加のすゝめ
エンジニアのキャリアを考える
エンジニアのキャリアを考える
2011.06.01 和歌山高専
2011.06.01 和歌山高専
【Tech Trend Talk vol.1】社外向け勉強会「機械学習の概要 -(GIG)」
【Tech Trend Talk vol.1】社外向け勉強会「機械学習の概要 -(GIG)」
TOPPERSプロジェクトの紹介 in OSC2015 Kansai@Kyoto
TOPPERSプロジェクトの紹介 in OSC2015 Kansai@Kyoto
SciREX イノベーション分析手法勉強会 第七回 「SQL 入門と特許データベース分析(その1)」
SciREX イノベーション分析手法勉強会 第七回 「SQL 入門と特許データベース分析(その1)」
東大大学院 戦略ソフトウェア特論2021「ロボットで世界を計算可能にする」海野裕也
東大大学院 戦略ソフトウェア特論2021「ロボットで世界を計算可能にする」海野裕也
機械学習を始めるための第一歩
機械学習を始めるための第一歩
Q a9 for ics(lotus) developers
Q a9 for ics(lotus) developers
Tech-on MeetUp#09_closing
Tech-on MeetUp#09_closing
Webを支える組み込み技術
Webを支える組み込み技術
Mais de dsuke Takaoka
マイ丼5分クッキング
マイ丼5分クッキング
dsuke Takaoka
AITCオープンラボ IoTx総まとめ これまでのふりかえり
AITCオープンラボ IoTx総まとめ これまでのふりかえり
dsuke Takaoka
Pepper x IoT x Web 勉強会やってみた話と失敗談
Pepper x IoT x Web 勉強会やってみた話と失敗談
dsuke Takaoka
littleBitsとIFTTTで超お手軽IoTクッキング
littleBitsとIFTTTで超お手軽IoTクッキング
dsuke Takaoka
03 pepper io_t_web
03 pepper io_t_web
dsuke Takaoka
AITCオープンラボ: Pepper x IoT x Web
AITCオープンラボ: Pepper x IoT x Web
dsuke Takaoka
最近のWeb関連技術の動向あれこれ
最近のWeb関連技術の動向あれこれ
dsuke Takaoka
IoT概論: AITCオープンラボ IoT勉強会
IoT概論: AITCオープンラボ IoT勉強会
dsuke Takaoka
データビジュアライゼーションもくもく会
データビジュアライゼーションもくもく会
dsuke Takaoka
React.js + Flux
React.js + Flux
dsuke Takaoka
Elm overview
Elm overview
dsuke Takaoka
D3.js で LOD を Visualization
D3.js で LOD を Visualization
dsuke Takaoka
モバイルWebアプリのこれまでとこれから
モバイルWebアプリのこれまでとこれから
dsuke Takaoka
モバイルWebアプリケーションを複数端末で動かすために注意すること
モバイルWebアプリケーションを複数端末で動かすために注意すること
dsuke Takaoka
モバイルWebアプリのこれまでとこれから。Sencha Touch vs jQuery Mobile
モバイルWebアプリのこれまでとこれから。Sencha Touch vs jQuery Mobile
dsuke Takaoka
Sencha Touch ハンズオン資料
Sencha Touch ハンズオン資料
dsuke Takaoka
jQuery Mobile ハンズオン 資料
jQuery Mobile ハンズオン 資料
dsuke Takaoka
5分でわかるSencha Touch
5分でわかるSencha Touch
dsuke Takaoka
Senchaを使うエンジニアが知っておくたった一つのこと
Senchaを使うエンジニアが知っておくたった一つのこと
dsuke Takaoka
Sencha ugデブサミ2013
Sencha ugデブサミ2013
dsuke Takaoka
Mais de dsuke Takaoka
(20)
マイ丼5分クッキング
マイ丼5分クッキング
AITCオープンラボ IoTx総まとめ これまでのふりかえり
AITCオープンラボ IoTx総まとめ これまでのふりかえり
Pepper x IoT x Web 勉強会やってみた話と失敗談
Pepper x IoT x Web 勉強会やってみた話と失敗談
littleBitsとIFTTTで超お手軽IoTクッキング
littleBitsとIFTTTで超お手軽IoTクッキング
03 pepper io_t_web
03 pepper io_t_web
AITCオープンラボ: Pepper x IoT x Web
AITCオープンラボ: Pepper x IoT x Web
最近のWeb関連技術の動向あれこれ
最近のWeb関連技術の動向あれこれ
IoT概論: AITCオープンラボ IoT勉強会
IoT概論: AITCオープンラボ IoT勉強会
データビジュアライゼーションもくもく会
データビジュアライゼーションもくもく会
React.js + Flux
React.js + Flux
Elm overview
Elm overview
D3.js で LOD を Visualization
D3.js で LOD を Visualization
モバイルWebアプリのこれまでとこれから
モバイルWebアプリのこれまでとこれから
モバイルWebアプリケーションを複数端末で動かすために注意すること
モバイルWebアプリケーションを複数端末で動かすために注意すること
モバイルWebアプリのこれまでとこれから。Sencha Touch vs jQuery Mobile
モバイルWebアプリのこれまでとこれから。Sencha Touch vs jQuery Mobile
Sencha Touch ハンズオン資料
Sencha Touch ハンズオン資料
jQuery Mobile ハンズオン 資料
jQuery Mobile ハンズオン 資料
5分でわかるSencha Touch
5分でわかるSencha Touch
Senchaを使うエンジニアが知っておくたった一つのこと
Senchaを使うエンジニアが知っておくたった一つのこと
Sencha ugデブサミ2013
Sencha ugデブサミ2013
Último
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
Yuki Kikuchi
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
FumieNakayama
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
akihisamiyanaga1
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
博三 太田
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
Hiroshi Tomioka
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
sugiuralab
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
UEHARA, Tetsutaro
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
FumieNakayama
Último
(8)
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
いまさら聞けない機械学習のキホン
1.
いまさら聞けない 機械学習のキホン ∼ 初歩から事例、はじめ方 ∼ 2016年1月 AITCオープンラボ 第1回
機械学習勉強会 @dsuket
2.
About me 高岡 大介 スタートアップCTO、技術顧問、技術相談など •
オープンウェブ・テクノロジー株式会社 • ピースミール・テクノロジー株式会社 • エディプレックス株式会社 AITC運営委員/オープンラボ リーダー その他色々 dsuket
3.
TechFeed https://techfeed.io ITテクノロジー専門のキュレーションサービス
4.
What’s TechFeed ? 興味のあるトピックを選択すると、毎日そのトピック に関連するニュースをハイライトでお届けします。
5.
もちろん、 機械学習トピックもあります!
6.
techfeed.io Register now!!
7.
諸注意 • このセッションは初心者による初心者のための セッションです。 • 安心して下さい。数式は出てきませんよ。 •
ガチな人は生暖かくコメント頂けると幸いです • なるべく多くの文献をあたるようにしていますが、 専門では無いため、誤っている可能性があります。 ぜひ突っ込んで下さい。
8.
Agenda 機械学習のキホン • 機械学習の定義 • 事例・人工知能との関係 機械学習のはじめ方 •
基本的なフロー • データ/アルゴリズム/評価
9.
機械学習のキホン 機械学習の定義など
10.
–Wikipedia 機械学習(machine learning)とは、人工知 能における研究課題の一つで、人間が自然に行っ ている学習能力と同様の機能をコンピュータで 実現しようとする技術・手法のことである。 [1] 機械学習とは?
11.
プログラム 機械学習の定義 コンピュータプログラムが経験によって自動的に改善していくには どうしたらいいかという問題 コンピュータプログラムが、タスクTとパフォーマンス測定Pにおい て経験Eから学習するとは、タスクTにおけるその性能をPによって 評価した際に、経験Eによってそれが改善されている場合である [2] タスクT 経験E 学習 ↑改善 パフォーマンス測定Pによる評価 @tommmitchell - Tom
M Mitchell, 1998
12.
つまり、機械学習とは パフォーマンス測定Pに対する 判断(タスクT)を一般化するため データ(経験E)からモデルを訓練すること [3] モデル 判断 データ 学習 ↑改善 パフォーマンス測定Pによる評価
13.
何が嬉しいの? 過去のデータ(経験E)から、パフォーマンス性能P を高めたタスクTを実行することにより、未知のデー タの結果を予測する。 過去のデータから 未来が予測できる!!
14.
身近な事例 日常でいろいろな場面で使われている [4] • SPAMメール判定 •
クレジットカードの不正検知 • ローン審査 • デジカメの顔検出 • 商品レコメンデーション • 株式取引 • 広告配信 • 人材マッチング • etc…
15.
今ブームなの? 第3次AI(人工知能)ブーム真っ最中 それに伴って機械学習の分野も注目を浴びている Machine Learning (英語) 機械学習 (日本語) 2012年頃から増加Google trends 2015年に急増
16.
なぜ今またブームなのか • ビッグデータ +
クラウド化 • データが大量増えた • コンピューターの能力が大幅に向上し、安価に • エコシステムの成長 • 環境が整う、ライブラリが充実する、事例が増える、資料が 増える、の好循環でエコシステムが成長 • 第3次AIブーム • Deep Learningによるインパクト
17.
人工知能との関係 • 機械学習はもともとは人工知能の一分野として始まる[5] • ニューラル・ネットワーク(NN) •
論理推論(エキスパートシステム) • 現在では、「統計的」機械学習が主流 • Deep Learningの登場でまたNNに • データマイニングとの違い • データマイニングは、未知のパターンや未知の知識を見つけ出す。[6] • 機械学習は、既知のパターンや知識を再生成した上で自動的に他のデータに適用し、 その結果を自動的に意思決定や行動に役立てるために使われる。 • 現在はデータ解析技術一般を含むことも多い パターン認識は工学を起源とするが、機械学習は計算機科学の分野から生じている。 しかし、これらは同じ分野を2つの側面から見たものと見なせる。 [7] data mining Venn diagram [8]
18.
機械学習のキホン: まとめ • 機械学習とは、過去のデータからモデルを訓練し、 未来を予測する。 •
日常でも使われ、応用が広がっている。 • 機械学習は総合格闘技 [9]
19.
機械学習のはじめ方 基本的なフロー アルゴリズム/手法の種類と評価
20.
基本的なフロー 1. データの準備 • 特徴選択/正規化/欠損値/次元削除 2.
アルゴリズムの選択 • 種類については後述 3. モデルの構築 • 訓練データ/検証データの用意 • ハイパーパラメータの最適化 4. 評価 • 正答率/適合率(精度)/再現率/F値 一般的な教師あり学習の手順 コレを繰り返す
21.
データの準備 • 特徴(属性/素性)選択 • 何を対象とするかを決める •
醜いアヒルの子の定理 / 次元の呪い • 数値データに変換 • カテゴリを数値に • 欠損値の削除、置換、補完 • 正規化(値を える) • 次元削除 [10]
22.
機械学習アルゴリズム 教師あり学習 事前に与えられたデータを「例題(=先生からの助言)」と みなして、それをガイドに学習を行う。 予測を行うときに使う。機械学習というと大体これ。 教師なし学習 「出力すべきもの」があらかじめ決まっていない。 データの背後に存在する本質的な構造を抽出するために用い られる
23.
教師あり学習 分類 黒か白か?どのカテゴリか?など、どれかに分類する [11] 出力がラベル(予測対象が離散[12]) 回帰 明日の気温、予想株価、など数値を予測する 出力が数値(予測対象が連続)
24.
教師あり学習: 分類 線形分類機 • フィッシャーの線形判別分析 •
ロジスティック回帰 • ナイーブベイズ • 単純パーセプトロン • 線形サポートベクターマシン
25.
教師あり学習: 分類 非線形 • k近傍点 •
決定木 • ニューラルネットワーク • ベイジアンネットワーク • サポートベクターマシン ※識別関数、生成モデル、識別モデルという 分類もあるが割愛。参考資料[7][13][14]を参照
26.
教師あり学習: 回帰 線形回帰 • 最小二乗法 •
ベイズ線形回帰 非線形 • k近傍点 • ランダムフォレスト • ニューラルネットワーク • サポートベクター回帰
27.
教師なし学習 • クラスタリング • k-means •
階層的クラスタリング • 頻出パターンマイニング • アソシエーション分析(相関ルール)
28.
閑話 分類(Classification)とクラスタリングの違い [15] • 分類(Classification) •
有用な分類法を再現すること • クラスタリング(Clustering) • 既知の分類法では見えて来ないことを発見しよう とすること
29.
アルゴリズム選択時の注意 データ特性などに適したアルゴリズムを選択すること データの分布を前提に置いているものもある。 [10] ノーフリーランチ定理 コスト関数の極値を探索するあらゆるアルゴリズムは、全ての 可能なコスト関数に適用した結果を平均すると同じ性能となる あらゆる問題で性能の良い万能な学習アルゴリズム は存在しない — Wolpert and
Macready、1995年
30.
モデルの構築 ここまでくれば、モデル構築はライブラリ使えば簡単 が、検証データを準備しておく必要がある[10][16] • ホールドアウト法(8:2とかで分ける) • クロスバリデーション(交差検証) 過学習(Over
fitting)を避ける
31.
過学習 over fittingunder fitting [17] 訓練データに過剰に適合してしまい、汎化性能が低く ならないようにする。
32.
ハイパーパラメータの最適化 ハイパーパラメータ • 事前確率を決めるパラメータやモデル全体に影響を与えるパラ メータ[18] 確率モデルの分布に影響 •
学習したモデルのパラメータと区別するため使われる ハイパーパラメータの最適化 • 結果に大きな影響があるため、最適な値を求める • 指定した探索範囲の値から最も適切なものを選ぶことが多い。 • グリッドサーチなど
33.
評価 分類 • 精度(正解率/データ数) • 適合率/再現率/F値 •
真陽性率と偽陽性率は トレードオフ 回帰 • 平均二乗誤差 予測値 陽性 陰性 正解 陽性 真陽性 偽陰性 陰性 偽陽性 真陰性 [10][16]
34.
機械学習のはじめ方: まとめ • まずは教師あり学習の分類からはじめてみよう •
特徴選択が重要 • 検証データを忘れずに • 評価もちゃんとやりましょう
35.
理論を完全に理解することは難しいですが、 勉強しやすい環境が整ってきました。 ライブラリを使うだけなら簡単です。 機械学習で遊んでみましょう! 全体のまとめ
36.
参考書籍1 入門向けの概要 Pythonサンプルコード付
37.
参考書籍2 Rによる入門 Pythonによる実装
38.
参考書籍3 輪読やってます いわゆるビショップ本 またはPRML
39.
参考資料 [1] 機械学習 -
Wikipedia [2] 機械学習とは何か? ‒ 機械学習の定義と使える言い回し [3] R & Machine Leaning [4] 日常にある機械学習の応用例 [5] 機械学習小史 [6] 機械学習とは? ¦ SAS [7] パターン認識と機械学習 上 [8] Looking backwards, looking forwards: SAS, data mining, and machine learning [9] 機械学習の理論と実践 [10] 機械学習によるデータ分析まわりのお話 [11] 教師あり学習 [12] 機械学習 分類 [13] 「機械学習とは何ぞや」をゆるーく説明してみる [14] テキストマイニングのための機械学習超入門 二夜目 パーセプトロン [15] クラスタリングとクラス分類 [16] 機械学習を用いた予測モデル構築・評価 [17] General regression and over fitting [18] Hyperparameter
40.
Images • http://www.thebluediamondgallery.com/tablet/a/artificial- intelligence.html • https://www.flickr.com/photos/manoftaste-de/9483602817 •
https://www.flickr.com/photos/unavoidablegrain/8012918279 • https://en.wikipedia.org/wiki/Support_vector_machine
Baixar agora