Azure MLで機械学習をやってみよう
•
59 likes•16,005 views
最近ではどのアプリケーションにも使われている機械学習。やってみたいけどどこから始めてよいのかわからない。アルゴリズムは知っているけど、データ整理、アプリへの実装に時間がかかりモデル作成に集中できない。Azure MLを使えばどこまでできるか？開発者のために鍛え抜かれた新しい機械学習プラットフォームの威力を紹介します！
Recommended
More Related Content
What's hot
What's hot (11)
Similar to Azure MLで機械学習をやってみよう
Similar to Azure MLで機械学習をやってみよう (20)
More from Ryuichi Tokugami
More from Ryuichi Tokugami (20)
Recently uploaded
Recently uploaded (10)
Azure MLで機械学習をやってみよう
- 1. 質問
- 9. Azure MLで 機械学習をやってみよう 2015.01.16 GoAzure2015 3
- 10. ⾃自⼰己紹介 • 得上 ⻯竜⼀一(とくがみ りゅういち) • 元JAWS-‐‑‒UG(AWSのユーザ会) 代表 • 去年年までマイニングブラウニーという会社の代表 • 株式会社オークファンに2015年年1⽉月~∼会社ごとジョイン • オークションでの売買データ等を元に、⾊色々と分析する 部⾨門 4
- 11. アジェンダ • 機械学習をやる理理由 • 機械学習とは • 機械学習を体験してみる • Azure MLの基本 • Azure MLの実例例 5
- 12. 機械学習をやる理理由 6
- 13. 機械学習をやる理理由 もうすぐ幻滅期を迎え る 幻滅の理由 名前のひとり歩き 具体性のない過度の期待 適用範囲がわからない だから使えない 7
- 14. 機械学習をやる理理由 • IoTへの期待 • ビッグデータが具体化 • データ量量の増加によって ⼈人間が処理理できるデータ量量を超 えた。 • 必然的に機械学習に頼り始める 8
- 17. 整理理だけだとどうなるか 11
- 20. 整理理だけだとどうなるか • ビッグデータを活⽤用 • 整理理して、可視化して • データから何か出てきた 11
- 21. 整理理だけだとどうなるか • ビッグデータを活⽤用 • 整理理して、可視化して • データから何か出てきた • 知ってた 11
- 22. あーだこーだするを深堀りすると 12 Organize Analysis Predictionmonitoring 何が起こった 何で起こった 何が起きている 何が起こる？
- 29. predictionは⼀一朝⼀一⼣夕ではできない • predictionには過去のデータが必要。 • 時間の差以上に価値の差は広がっていく • 今から始めますか？ • 普及してから始めますか？ 14
- 31. 機械学習とは 16
- 32. 機械学習 = ⼈人⼯工知能??? • ⼈人間が⾃自然に⾏行行っている学習能⼒力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・⼿手法のことである。 – 出展 Wikipedia • 機械学習＝⼈人⼯工知能？ – ⼈人⼯工知能学会での機械学習 • 研究範囲の⼀一つ • 基礎的な部分 – とは⾔言え、実際は混同してる 17
- 33. ⼈人⼯工知能と機械学習 • 強いAI (Strong AI) – ⼈人間の知能そのものを持つ機械をつくろう • 弱いAI (Weak AI) – ⼈人間が知能を使ってすることを機械にさせよう • ⼈人⼯工知能怖いって⾔言ってる⼈人の殆どが強いAIを指している。 • ⼈人⼯工知能に希望を⾒見見出している⼈人は弱いAIを指している。 • 機械学習は弱いAI 18
- 34. 機械学習を体験してみる 19
- 36. みんなでチャレンジ！ひよ⼦子雌雄鑑別 • まず♂と♀のひよ⼦子の画像が何枚か ずつランダムに表⽰示されます。 • その後、1枚だけひよ⼦子の画像が出て くるので、♂か♀かを鑑別してくだ さい。 21
- 37. ひよこ 22
- 38. 23 ひよ子(♂)
- 39. 24 ひよ子(♀)
- 40. 25 ひよ子(♂)
- 41. 26 ひよ子(♂)
- 42. 27 ひよ子(♀)
- 43. 28 ひよ子(♂)
- 44. 29 ひよ子(♀)
- 45. 30 ひよ子(♂)
- 46. 31 ひよ子(♀)
- 47. 32 ひよ子(♂)
- 48. 33
- 49. 34 ?
- 50. ⼈人間機械学習の凄さ • ⼈人間は無意識識のうちに、特徴点を⾒見見つけ、 識識別する能⼒力力を持っている。 • これを機械にやらせるのが機械学習 35
- 51. AZURE MACHINE LEARNING の基本 36
- 52. Azure ML is 何？ • ブラウザで機械学習が使える環境 • メジャーなアルゴリズムを⽤用意 • ドラッグ&ドロップで機械学習できる • ⾼高額なSW/HWなくても機械学習を始められる。 • とにかく機械学習やるには世界で最も敷居の低 いツール(私の独断) 37
- 53. Azure MLで何ができるのか • 2値の分類([yes|no][0|1][male|female]) • 複数値の分類(A,B,C,D,・・とか1,2,3,4,・・,...etc) • 回帰を使った予測 • 複数の基準を持った、並べ替え(レコメンドエンジ ン) • クラスタリング 38
- 54. AzureML基本的な概念念 • ⼀一番⼤大きな論論理理単位はWORKSPACE • その中にEXPENRIMENTというモデルを作る。 • WORKSPACEごとにDATASETというデータを追加 することができる。 • 同⼀一WORKSPACE内であればDATASETは共有可能 • ML Studioというブラウザ上の環境でモデルを作 成。 39
- 56. Module • 上は基本的にinput • 下は基本的にoutput • Outputはその場で出⼒力力を確認することができる 41
- 57. AZURE MLの実例例 42
- 58. Azure MLでやることサンプル • スキー⽤用品に関しての価格予測 • 2006年年7⽉月~∼2014年年10⽉月までのオーク ション(CtoC 個⼈人間取引)における • 流流通総額、取引件数、平均価格のデータを 利利⽤用。 • 今回は流流通総額を予測してみる。 43
- 59. 取引件数 44 0 12500 25000 37500 50000 2006/7/1 2008/1/1 2009/7/1 2011/1/1 2012/7/1 2014/1/1
- 60. 流流通総額 45 ¥0 ¥100,000,000 ¥200,000,000 ¥300,000,000 ¥400,000,000 2006/7/1 2008/1/1 2009/7/1 2011/1/1 2012/7/1 2014/1/1
- 61. 平均価格 46 ¥0 ¥3,500 ¥7,000 ¥10,500 ¥14,000 2006/7/1 2008/1/1 2009/7/1 2011/1/1 2012/7/1 2014/1/1
- 62. 平均価格 -‐‑‒ 流流通総額 2軸 47 ¥0 ¥100,000,000 ¥200,000,000 ¥300,000,000 ¥400,000,000 ¥0 ¥3,500 ¥7,000 ¥10,500 ¥14,000 2006/7/1 2007/9/1 2008/11/1 2010/1/1 2011/3/1 2012/5/1 2013/7/1 2014/9/1
- 63. じゃあ予測やっていきましょう • ⽉月ごとの流流通総額での予測 • データの8割を学習に、2割を検証に • 縦軸がAzure MLが弾きだした予測値 • 横軸が実際のデータでの値 • 縦軸の値=横軸の値が完璧な予測 • 45°の⼀一直線だとパーフェクト • 検証の結果精度度はそんなに悪くない • 実際に予測するにはWebAPI化 48
- 64. これ、10分あればできます 49