この前発表したやつです。

1. Deep Learningの軽い紹介
機械学習入門(?)

2. • 今回は、機会学習入門です。
• 次回は、SURF vs Deep Learning というタイトル
で、実際に評価,考察した結果を発表します。

3. ちょっと機会学習入門

4. 機会学習は怖くない!!
• 機会学習は、人間ができる 当たり前の 作業を、機械(コンピューター)にさ
せることを目指す。
人間ならば…顔の 表情 がすぐ解る(分類できる)。
ではコンピューターが行うには…?

5. 機械 はどうつくるの？

6. 人間は新しいことを何度も見て、聞いて、書いて覚えますよね。

7. コンピューターも、人間が行っていることを真似すれば、
学習できるはず。

8. 少し数学的な視点から…
A,B,Cにデータ(0or1)を入力すると、
X(0or1)を出力する 機械 があります。
• •

9. では、入力(A,B,C)と出力(X)のペアが与えられたときに、
これらの入出力を満たす機械をコンピューターが作るには？？

10. コンピューターは演算を行う機械です。
方法の一つに、何億回という演算を行い、
入出力の関係を、近似できる関数を作成する
• • • • •
というものがあります。

11. その中に、人工ニューラルネットがあります。
• •
脳の仕組みを単純化したものをコンピューター上で演算を
繰り返し、学習(入出力関係を満たす関数近似)をします。

12. 従って入出力の関係を用意してあげれば、
コンピューターでも学習ができるはずです。

13. でも、複雑な問題にはこれだけでは対応できません。

14. この画像1枚を学習しても、

15. これらの問題に対応できません。

16. これすら対応できません。

17. コンピューターは正確な答えを導く事ができますが、
柔軟な答えを求めるのは厳しいのです。

18. 人間はコンピューターに柔軟性を持たせるため、
長い間戦っています。
一つが 特徴 の問題です。
もう一つが 確率 の問題です。

19. 問題のもつ特徴を、人間が機械に教えて上げる(関数で表現する)ことで

20. 柔軟に問題をとくことが出来ます。
例え画像が反転しても、縮小しても、問題自体は変わりますが、問題の持つ特徴は変わりません。
• • • • • • • • • • • • • •

21. また、学習(関数近似)の際にも、確率の概念を導入することで
柔軟性をもたせています。

22. 確率的な 学習 はコンピューターが自動的に行います。
しかしながら、
!
特徴 は人間が手動で新たな関数を見つけなければなりませんでした。

23. そこで登場したのがDeep Learingです。
特徴もコンピューターが学習してくれます。

24. 余談
• ニューラルネットを嫌っている人(?)を見かけます。
• 数学的に正しさを証明出来ないのはちょっと…
• これは、四色定理のコンピューター証明の議論に似
ている気がしました。