1. 長岡技術科学大学 自然言語処理研究室
修士1年 西山 浩気

2.  機械学習の役割
◦ 例: メールスパムフィルタを作成したい
◦ 従来
 過去に送信されたスパムメールから「ルール」を獲得
 人手でスパムと判断できそうな単語等をフィルタリング
◦ 機械学習
 過去のデータから自動的にスパムと判断する「知識」を獲得
 過去のデータに基づいてフィルタリング
2単純パーセプトロンと学習アルゴリズム

3.  機械学習の利点
◦ 自動的にルールを学習できる
 人間では扱えないような大量,複雑なデータか
ら予測・分類できる
 応用例
◦ Siriなどの文字/音声認識
◦ Web検索エンジン
3単純パーセプトロンと学習アルゴリズム

4.  良い学習をするために必要なこと
1. 問題に合ったアルゴリズムの選定
2. 高品質な過去データ
3. 性能の評価
4単純パーセプトロンと学習アルゴリズム

5.  これから学ぶこと
1. 問題に合ったアルゴリズムの選定
 分類アルゴリズムの種類・利点
2. 高品質な過去データ
 過去データ(学習データ)を高品質にするための処理
3. 性能の評価
 評価の指標とモデルのチューニング
◦ 本スライドではこれらの概要を説明、次回以降で詳しく説明する
5単純パーセプトロンと学習アルゴリズム

6. 1. 3種類の機械学習
1.1 教師あり学習
1.2 教師なし学習
1.3 強化学習
2. 分類の種類
2.1 二値・多クラス分類
2.2 回帰分析
3. 前処理
4. モデルの評価
5. まとめ
単純パーセプトロンと学習アルゴリズム 6

7.  機械学習には3つの学習方法がある
1. 教師あり学習
 「正解」から学習
 例: スパムメールのフィルタリング
2. 教師無し学習(今回は割愛)
 正解の示されていないデータから学習
 例: マーケティングプログラム(主に分類問題)
3. 強化学習(今回は割愛)
 「選択した行動」と「結果」から学習
 例: チェスエンジン, AlphaGo
7単純パーセプトロンと学習アルゴリズム

8.  分類問題(classification)
◦ 過去のデータから未知のデータに対してクラスラベルを
予測
 二値分類 (例: 受信メールがスパムか否か)
 多クラス分類 (例: 手書き文字が0~9の何れか)
 回帰分析(regression analysis)
◦ クラスではなく, 連続値を予測
 例: 広告宣伝費と来場者数
次回以降では分類問題を解くアルゴリズムについて学ぶ
8単純パーセプトロンと学習アルゴリズム

9.  生データ(例:過去のスパムを含むメール) が機械学習に適した
形で提供されることはめったにない！
 機械学習に適した 前処理(preprocessing) が必要
◦ 例: 花の写真から種類を分類
 花の色や高さ、長さなどの特徴の尺度を合わせる
 花の種類を “-1, 0, 1” などの数値に変換する.
9単純パーセプトロンと学習アルゴリズム

10.  次回以降で説明する分類アルゴリズムには特性がある
◦ 最も性能の良い学習をするためには、複数種類のアルゴリズム
を比較する必要がある
 比較するためには「指標」が必要
◦ 正解率, F値 等…
◦ 学習の 汎化性能(generalization performance)
 未知のデータに対応できる能力
 ハイパーパラメータを調整
◦ 評価の結果を踏まえて学習し直すことで性能向上を図る
10単純パーセプトロンと学習アルゴリズム

11.  教師あり学習は2種類
◦ 分類問題 : 既知のクラスに分類
 例: スパムメールか否か, 花の種類
◦ 回帰分析 : 連続値を予測
 例 : 広告宣伝費と来場者数
 より高い精度で予測するためには
◦ 前処理
◦ 評価・ハイパーパラメータ調整
次回から 分類問題を解くためのアルゴリズムについて学ぶ
11単純パーセプトロンと学習アルゴリズム

12.  Python機械学習プログラミング, Seastian
Raschka, インプレス
12単純パーセプトロンと学習アルゴリズム