Your SlideShare is downloading. ×
0
Tokyo R 2 Machine Learning
Tokyo R 2 Machine Learning
Tokyo R 2 Machine Learning
Tokyo R 2 Machine Learning
Tokyo R 2 Machine Learning
Tokyo R 2 Machine Learning
Tokyo R 2 Machine Learning
Tokyo R 2 Machine Learning
Tokyo R 2 Machine Learning
Tokyo R 2 Machine Learning
Tokyo R 2 Machine Learning
Tokyo R 2 Machine Learning
Tokyo R 2 Machine Learning
Tokyo R 2 Machine Learning
Tokyo R 2 Machine Learning
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×
Saving this for later? Get the SlideShare app to save on your phone or tablet. Read anywhere, anytime – even offline.
Text the download link to your phone
Standard text messaging rates apply

Tokyo R 2 Machine Learning

6,101

Published on

Published in: Technology, Education
0 Comments
3 Likes
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total Views
6,101
On Slideshare
0
From Embeds
0
Number of Embeds
2
Actions
Shares
0
Downloads
32
Comments
0
Likes
3
Embeds 0
No embeds

Report content
Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
No notes for slide

Transcript

  • 1. Rで機械学習のパッケージを試す ニューラルネットワーク 2010/02/24 @nokuno #tokyoR
  • 2. 目次 2  はじめに  ニューラルネットワーク  SVM  まとめ
  • 3. 機械学習とは 3  機械学習(きかいがくしゅう、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 タで実現させるための技術・手法のことである。  機械学習は検索エンジン、医療診断、スパムメール の検出、金融市場の予測、DNA配列の分類、音声 認識や文字認識などのパターン認識、ゲーム戦略、 ロボット、など幅広い分野で用いられている。 Wikipediaより
  • 4. 基本的な流れ 4  今回扱う教師あり学習の流れ 1. 学習データ(入力と出力の組)を用意する 2. 学習プログラムに与えて学習させる 3. テストデータを用意して、予測させる 4. 予測結果を使う、または評価する
  • 5. ニューラルネットワーク(NN)とは 5  機械学習アルゴリズムの一種  元ネタは脳科学("人工"ニューラルネットワーク)  分かりにくいネットワーク図で有名  こんなの
  • 6. nnetについて 6  Rのニューラルネットワークのパッケージ  標準パッケージで入っている  事前にlibrary()で読み込む サンプル実行(よく分からない)
  • 7. 学習データ 7  このデータから入力 x と出力 t の関係を学習する sin関数にノイズを加えたもの
  • 8. 学習 8  入力と出力をベクトル(多次元なら行列)として渡す  size : 隠れユニット数(後述)  linout : 出力を0~1に制限するかどうか  デフォルトでは制限ありになる。ハマった>< nnet.formulaはよく分からなかったので教えてください(汗
  • 9. 予測 9  入力: 0~1を100等分したデータ  出力: 入力を学習済みNNに与えた結果  なぜか入力をmatrixで渡さなければならない  学習時はベクトルも渡せたのに…
  • 10. 結果 10  学習データを通るような予測曲線を描く  ほどよくノイズを吸収してくれている。  グラフの重ね描きメンドイ。どうにかなりません?
  • 11. 考察 11  隠れユニット数は自由度を表す 隠れユニット数:1 隠れユニット数:100 自由度が小さすぎる 自由度が大きすぎる
  • 12. 評価 12  今回は理想の出力が分かっていると仮定して評価  予測誤差の二乗平均を取る n=3のときが最も誤差が小さい! 誤差 隠れユニット数
  • 13. まとめ 13  NNは入力と出力の関係を学習するもの  隠れユニット数は適切に設定する必要がある
  • 14. 参考文献 14  Rでニューラルネットワークをやってみる http://d.hatena.ne.jp/syou6162/20081222/1229923231  分かりやすいパターン認識  石井 健一郎 他 著  大学の授業の教科書でした  公式ヘルプ
  • 15. 15 つづく?

×