A very simple explanation of some of the principles of machine learning, starting with brain cells and perceptrons, and ending with showing a bit of Tensorflow code.

1. ５分で脳から
Tensorflowまで

2. 自己紹介：James （エウレカ）
• イギリスのケンブリッジ大学
でコンピューターサイエンス
を専攻
• エウレカでプリンシパルエン
ジニアとして働いてます
• 得意：Scala開発、機械学習
、画像処理
• 趣味：ベースギター、ボルダ
リング、（最近）料理

3. 神経細胞
あ、ゲンガーだ！

5. Perceptron
例：Output: ゲンガーか否か
x1: 紫色？(1/0) w1: 2
x2: 目が赤くて歯が大きい？(1/0) w2: 4
x3: 自分の影から出た？(1/0) w2: 6
Threshold: 5

6. One Perceptronだと足らない

7. Multilayer Perceptrons
例：
Input: ピクセル
Output: ゲンガーがこの画像に入ってますか
学習プロセス：
1. ラベルが付いているデータを入力
2. エラーを計算して、ニューロンを更新
3. ５万回繰り返す

8. その結果？
MNIST: 伝統的な機械学習テスト
Multilayer Perceptronは 90 ~ 95%ぐらい正解
でも、ゲンガーなら見つからない、、、

9. 色々改善された
Perceptron Sigmoid Neuron ReLU
Shallow
Networks
Deep
Connected
Networks
Convolution
Layers
+
Pooling

10. なのに、ゲンガーを見つける問題
はまだ解決されなかった、、、
1.ラベルが付いているデータがいっぱい必要
2.収束が遅い＋パラメーターが多い
3.しばらく人気じゃなくなって、あまり研究されなかった（
Random Forest, Support Vector Machines etc.)

11. 2010年から
• ラベルが付いてないデータを使って学習する
(Unsupervised Learning)アルゴリズムが発見された
• 技術（特にGPU技術）の進化のおかげで、深いネットワ
ークを早く学習させるのが可能になった
• Googleの成功の上でNeural Networksは「人気リサーチ」
になった

12. Tensorflow
空っぽなネットワークを定義
input = tf.placeholder(tf.float32, shape=[None, 784])
output = tf.placeholder(tf.float32, shape=[None, 10])
ニューロン関数を定義
y = tf.matmul(input,W) + b
エラー関数を定義
cross_entropy = tf.reduce_mean(
tf.nn.softmax_cross_entropy_with_logits(labels=output, logits=y))
→学習データを入れる

13. ただ、Googleの技術でもゲンガー
はまだ見つからない
https://cloud.google.com/vision/

14. きをつけてください、、、