O slideshow foi denunciado.
Utilizamos seu perfil e dados de atividades no LinkedIn para personalizar e exibir anúncios mais relevantes. Altere suas preferências de anúncios quando desejar.
機械学習CROSS
ー後編ー
エンジニアサポートCROSS
2013/01/17
前半のスライドはslideshareに置いてあります
l 
l 

http://www.slideshare.net/shoheihido/cross-30115506
#CROSS2014ハッシュタグで検索索して下さい

2
Agenda
l 

前半振り返り

l 

パネルディスカッション
前半のAgenda
l 

機械学習セッション概要

l 

パネリスト⾃自⼰己紹介

l 

機械学習「超」⼊入⾨門

l 

パネリスト活⽤用事例例紹介

l 

後半に向けて
Agenda
l 

前半振り返り

l 

パネルディスカッション
ン後半の流流れ
l 

機械学習導⼊入の展望:どこから導⼊入が進むのか  

l 

機械学習は精度度で⼈人間に勝てるのか  

l 

役⽴立立つケースとそうでないケースの違うは何か  

l 

それを⽀支える技術やツールとしては何...
機械学習導⼊入の展望:どこから導⼊入が進むのか  
l 

コストカット  vs 利利益アップ  

l 

システム組み込みによる⾃自動化  vs ヒトによる分析・予測作業の
⼀一助  

l 

Webインフラの管理理・最適化  vs...
機械学習は精度度で⼈人間に勝てるのか  
l 

専⾨門家の経験と勘による判断と、過去データからの学習に基づく
判断の取捨選択は必要なのか  

l 

専⾨門館の経験と勘をデータ前処理理で表現するのはどこまで有効な
のか  

l 

...
役⽴立立つケースとそうでないケースの違うは何か  
l 

広告、レコメンド、セキュリティなどにおける⼀一般的な傾向はあ
るか(例例:レコメンドは精度度より実はUIが重要、など)  

l 

これまでに成功したアプローチと失敗したアプロー...
それを⽀支える技術やツールとしては何が有望か  
l 

RやSPSSやMatlabなどの分析フロントエンド環境なのか  

l 

bigMLやBazilのようなクラウドベースの機械学習ツールなのか  

l 

SciPyなど汎⽤用⾔...
どのように導⼊入を進めていけば良良いのか  
l 

例例えば⼈人間の仕事を置き換えるようなタイプの導⼊入はどうすれば
よいか  

l 

「やってみなければ効果がわからない」場合に意思決定者をどう
やれば説得できるか  

l 

⼀...
Próximos SlideShares
Carregando em…5
×

機械学習CROSS 後半資料

エンジニアサポートCROSS2014 機械学習CROSSセッション後半資料です。
http://www.cross-party.com/programs/machine/
前半資料はこちら
http://www.slideshare.net/shoheihido/cross-30115506

  • Entre para ver os comentários

機械学習CROSS 後半資料

  1. 1. 機械学習CROSS ー後編ー エンジニアサポートCROSS 2013/01/17
  2. 2. 前半のスライドはslideshareに置いてあります l  l  http://www.slideshare.net/shoheihido/cross-30115506 #CROSS2014ハッシュタグで検索索して下さい 2
  3. 3. Agenda l  前半振り返り l  パネルディスカッション
  4. 4. 前半のAgenda l  機械学習セッション概要 l  パネリスト⾃自⼰己紹介 l  機械学習「超」⼊入⾨門 l  パネリスト活⽤用事例例紹介 l  後半に向けて
  5. 5. Agenda l  前半振り返り l  パネルディスカッション
  6. 6. ン後半の流流れ l  機械学習導⼊入の展望:どこから導⼊入が進むのか   l  機械学習は精度度で⼈人間に勝てるのか   l  役⽴立立つケースとそうでないケースの違うは何か   l  それを⽀支える技術やツールとしては何が有望か   l  どのように導⼊入を進めていけば良良いのか   l  まとめ 6
  7. 7. 機械学習導⼊入の展望:どこから導⼊入が進むのか   l  コストカット  vs 利利益アップ   l  システム組み込みによる⾃自動化  vs ヒトによる分析・予測作業の ⼀一助   l  Webインフラの管理理・最適化  vs ユーザー体験の向上   l  ユーザー嗜好・⾏行行動のモデリング  vs システム全体の最適化   7
  8. 8. 機械学習は精度度で⼈人間に勝てるのか   l  専⾨門家の経験と勘による判断と、過去データからの学習に基づく 判断の取捨選択は必要なのか   l  専⾨門館の経験と勘をデータ前処理理で表現するのはどこまで有効な のか   l  機械学習モデルの解釈性のなさはWeb業界ではどこまで障壁にな るか   8
  9. 9. 役⽴立立つケースとそうでないケースの違うは何か   l  広告、レコメンド、セキュリティなどにおける⼀一般的な傾向はあ るか(例例:レコメンドは精度度より実はUIが重要、など)   l  これまでに成功したアプローチと失敗したアプローチの⽐比較から 得られた知⾒見見はあるか   l  他社事例例などで「これはうまい」「これはひどい」と思ったもの はあるか   9
  10. 10. それを⽀支える技術やツールとしては何が有望か   l  RやSPSSやMatlabなどの分析フロントエンド環境なのか   l  bigMLやBazilのようなクラウドベースの機械学習ツールなのか   l  SciPyなど汎⽤用⾔言語向けの機械学習ライブラリなのか   l  MahoutやhivemallやSAMOAやJubatusやのようなビッグデータ ・リアルタイム向け機械学習プラットホームなのか   10
  11. 11. どのように導⼊入を進めていけば良良いのか   l  例例えば⼈人間の仕事を置き換えるようなタイプの導⼊入はどうすれば よいか   l  「やってみなければ効果がわからない」場合に意思決定者をどう やれば説得できるか   l  ⼀一部のデータのみを使うスモールスタート検証は有効なのか   11

×