Submit Search
Upload
Machine learning
•
Download as PPTX, PDF
•
0 likes
•
141 views
T
TakahiroBaba3
Follow
機械学習とは
Read less
Read more
Data & Analytics
Report
Share
Report
Share
1 of 9
Download now
Recommended
Azure Machine Learning Studio の機能、Automated Machine Learning の紹介(2020年1月時点)。
Automated ML (Azure) で始める機械学習の民主化
Automated ML (Azure) で始める機械学習の民主化
Atsushi Yokohama (BEACHSIDE)
第三回未踏研究会で発表した資料です。 https://atnd.org/events/78591
機械学習ビジネス研究会(未踏研究会)
機械学習ビジネス研究会(未踏研究会)
Tokoroten Nakayama
2007 fose-research directions in requirements engineering
2007 fose-research directions in requirements engineering
n-yuki
JSAI2020の発表資料
Jsai2020
Jsai2020
Kohei Asano
研究室内の発表資料です
強化学習5章
強化学習5章
hiroki yamaoka
Wacker #8 もう学習は機械に任せたい
Wacker 8機械学習
Wacker 8機械学習
Kosuke Sugahara
トピックス:人工知能, ニューラルネットワーク, ニューラルネットワークの種類, 線形近似, 最適化 機械学習は、コンピュータがデータを使用して学習し、知的能力を向上させる技術である。 そのメリットとして、パターンや関連性を抽出し、複雑なプログラミングを省略でき、問題解決への他の手法の限界を超える可能性がある。 ニューラルネットワークは、生物の脳を模倣し、多くのユニットとその間の結合からなるネットワークであり、機械学習に広く活用されている。 自己符号化や分類、予測などの技術を利用して、データの特徴を抽出や予測結果を導くことが可能である。 また、線形近似は、データの特徴を把握する手法の一つであり、最適化は、目的関数を最小化または最大化するための調整を行う重要なプロセスである。 【関連するページ】 ・人工知能の基礎(全15回) https://www.kkaneko.jp/ai/mi/index.html ・金子邦彦研究室ホームページ https://www.kkaneko.jp/index.html ・YouTube 動画 https://youtu.be/yK3A4I9phu8 【関連する外部ページ】 ・Office 365 オンライン版 https://portal.office.com
mi-4. 機械学習
mi-4. 機械学習
kunihikokaneko1
Oracle Database Connect 2018 の講演資料です。 Oracle Autonomous Data Warehouseの無償トライアルはこちらからお試し頂けます↓ https://cloud.oracle.com/ja_JP/tryit
データベースで始める機械学習
データベースで始める機械学習
オラクルエンジニア通信
Recommended
Azure Machine Learning Studio の機能、Automated Machine Learning の紹介(2020年1月時点)。
Automated ML (Azure) で始める機械学習の民主化
Automated ML (Azure) で始める機械学習の民主化
Atsushi Yokohama (BEACHSIDE)
第三回未踏研究会で発表した資料です。 https://atnd.org/events/78591
機械学習ビジネス研究会(未踏研究会)
機械学習ビジネス研究会(未踏研究会)
Tokoroten Nakayama
2007 fose-research directions in requirements engineering
2007 fose-research directions in requirements engineering
n-yuki
JSAI2020の発表資料
Jsai2020
Jsai2020
Kohei Asano
研究室内の発表資料です
強化学習5章
強化学習5章
hiroki yamaoka
Wacker #8 もう学習は機械に任せたい
Wacker 8機械学習
Wacker 8機械学習
Kosuke Sugahara
トピックス:人工知能, ニューラルネットワーク, ニューラルネットワークの種類, 線形近似, 最適化 機械学習は、コンピュータがデータを使用して学習し、知的能力を向上させる技術である。 そのメリットとして、パターンや関連性を抽出し、複雑なプログラミングを省略でき、問題解決への他の手法の限界を超える可能性がある。 ニューラルネットワークは、生物の脳を模倣し、多くのユニットとその間の結合からなるネットワークであり、機械学習に広く活用されている。 自己符号化や分類、予測などの技術を利用して、データの特徴を抽出や予測結果を導くことが可能である。 また、線形近似は、データの特徴を把握する手法の一つであり、最適化は、目的関数を最小化または最大化するための調整を行う重要なプロセスである。 【関連するページ】 ・人工知能の基礎(全15回) https://www.kkaneko.jp/ai/mi/index.html ・金子邦彦研究室ホームページ https://www.kkaneko.jp/index.html ・YouTube 動画 https://youtu.be/yK3A4I9phu8 【関連する外部ページ】 ・Office 365 オンライン版 https://portal.office.com
mi-4. 機械学習
mi-4. 機械学習
kunihikokaneko1
Oracle Database Connect 2018 の講演資料です。 Oracle Autonomous Data Warehouseの無償トライアルはこちらからお試し頂けます↓ https://cloud.oracle.com/ja_JP/tryit
データベースで始める機械学習
データベースで始める機械学習
オラクルエンジニア通信
2018/12/14 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]Meta-Learning Probabilistic Inference for Prediction
[DL輪読会]Meta-Learning Probabilistic Inference for Prediction
Deep Learning JP
WSDM 2016 勉強会 資料
Wsdm2016: Extracting Search Query Patterns via the Pairwise Coupled Topic Model
Wsdm2016: Extracting Search Query Patterns via the Pairwise Coupled Topic Model
Mitsuhisa Ohta
第17回 プログラミング生放送勉強会の発表資料。Microsoft のセミナールームが会場なので、Bing ネタがちょくちょく入っています。
質問応答システム入門
質問応答システム入門
Hiroyoshi Komatsu
産学官連携推進室のTwitterのつぶやきの話題推定技術に関する研究成果の報告です。
Twitterにおける即時話題推定技術「どたばたかいぎ」の開発
Twitterにおける即時話題推定技術「どたばたかいぎ」の開発
Eric Sartre
2017年10月28日(土)に行われた "TECH & BRIDGE MEETING 〜エンジニア講演会〜 人工知能・機械学習・ディープラーニング Vol.4” の講演資料です。 講演講師 :三上威様(フリーランスITエンジニア) 主催・運営:株式会社エージェントゲート
1028 TECH & BRIDGE MEETING
1028 TECH & BRIDGE MEETING
健司 亀本
ML
Study ml
Study ml
卓馬 三浦卓馬
2020年4月6日 東京大学大学院 電子情報学特論Ⅰでの講義資料を公開します。(2-1) 「深層学習概論と理論解析の課題」大野健太 https://www.eidos.ic.i.u-tokyo.ac.jp/~tau/lecture/tokuron/
東大大学院 電子情報学特論講義資料「深層学習概論と理論解析の課題」大野健太
東大大学院 電子情報学特論講義資料「深層学習概論と理論解析の課題」大野健太
Preferred Networks
むかし学部生の指導に使った資料です。 主にデータをとってからこれからどうするか、という点に絞って流れを説明しています。学部1~2年生向けの内容。
分析のガイドライン
分析のガイドライン
Kosuke Sato
人工知能学会 第109回人工知能基本問題研究会(SIG-FPAI)にて発表した際に使ったスライドです.
非定常データストリームにおける適応的決定木を用いたアンサンブル学習
非定常データストリームにおける適応的決定木を用いたアンサンブル学習
Yu Sugawara
現実世界を理解し記述する為の概念モデリングに関するワークショップ資料の基礎編です。 ”Art of Conceptual Modeling (https://note.com/kae_made/m/m054c9f9f8b61)”を集合教育スタイルで学ぶ為の資料です。 冒頭のライセンスに従ってご利用ください。
概念モデリング ワークショップ 基礎編 - Conceptual Modeling for Real World
概念モデリング ワークショップ 基礎編 - Conceptual Modeling for Real World
Knowledge & Experience
National SUNのスライド。アンケート結果等は抜いてます。
NationalSUN2015_滋賀
NationalSUN2015_滋賀
Yoshikazu Asada
2013/10/05に開催された日本PostgreSQLユーザ会 第27回しくみ+アプリケーション勉強会での講演です。 http://www.postgresql.jp/wg/shikumi/shikumi27 ---- コンピュータシステムにおける性能測定とは、技芸です。 性能測定というと、単に測定ツールを実行するだけの作業だと考えられがちです。しかし実際には、何のために測定をするのか、そのために何を測定するべきか、そして何を使って測定するべきかを理解した上で行わなければ全く意味を成さない、深みのある技芸の世界です。 講演者の所属する研究室では長年にわたりデータベースシステムの研究・開発を行ってきました。その過程で培われた性能測定の技芸について、最近の実例も交えつつその考え方をご紹介したいと思います。
性能測定道 事始め編
性能測定道 事始め編
Yuto Hayamizu
IRデータマネジメント
MJIR岡山講習会ーIRデータマネジメント20150715
MJIR岡山講習会ーIRデータマネジメント20150715
Masao Mori
youtube : https://youtu.be/3lHlXBNDt6Q
データセットの作り方
データセットの作り方
Hiroya Kubo
HiRoshima.R #3 の LT「RMeCab を使ったテキストマイニングの基礎の基礎」のスライドです。
Hiroshimar3_rmecab
Hiroshimar3_rmecab
SAKAUE, Tatsuya
cvpaper.challenge の メタサーベイ発表スライドです。 cvpaper.challengeはコンピュータビジョン分野の今を映し、トレンドを創り出す挑戦です。論文サマリ作成・アイディア考案・議論・実装・論文投稿に取り組み、凡ゆる知識を共有します。2020の目標は「トップ会議30+本投稿」することです。 http://xpaperchallenge.org/cv/
自己教師学習(Self-Supervised Learning)
自己教師学習(Self-Supervised Learning)
cvpaper. challenge
産総研の本村先生にベイジアンネットワークのモデルを作るときの悩みやお困りごとを共有し、どのような心構えでモデリングに当たればよいかを学ぶ、モデリング初級者向けの勉強会について、後日再構成したメモ
ベイジアンネットワークモデリング勉強会20140206
ベイジアンネットワークモデリング勉強会20140206
Yoshihide Nishio
データ・ジャーナリズム・ハンドブック日本語版リリース記念イベント講演 http://datajournalismjp.github.io/releases/20161118.html
いかにしてデータを手に入れるか
いかにしてデータを手に入れるか
Akihiro Kameda
できない学生向けの学習(修)支援サービス 田邊稔
できない学生向けの学習(修)支援サービス 田邊稔
株式会社エムエムツインズ, Yokohama
第13回に引き続き、行列分解モデルの数学的な基礎を紹介しました。機械学習の社会実装勉強会 第14回の発表内容です。 <Attach YouTube link>
行列分解の数学的基礎.pdf
行列分解の数学的基礎.pdf
幸太朗 岩澤
More Related Content
Similar to Machine learning
2018/12/14 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]Meta-Learning Probabilistic Inference for Prediction
[DL輪読会]Meta-Learning Probabilistic Inference for Prediction
Deep Learning JP
WSDM 2016 勉強会 資料
Wsdm2016: Extracting Search Query Patterns via the Pairwise Coupled Topic Model
Wsdm2016: Extracting Search Query Patterns via the Pairwise Coupled Topic Model
Mitsuhisa Ohta
第17回 プログラミング生放送勉強会の発表資料。Microsoft のセミナールームが会場なので、Bing ネタがちょくちょく入っています。
質問応答システム入門
質問応答システム入門
Hiroyoshi Komatsu
産学官連携推進室のTwitterのつぶやきの話題推定技術に関する研究成果の報告です。
Twitterにおける即時話題推定技術「どたばたかいぎ」の開発
Twitterにおける即時話題推定技術「どたばたかいぎ」の開発
Eric Sartre
2017年10月28日(土)に行われた "TECH & BRIDGE MEETING 〜エンジニア講演会〜 人工知能・機械学習・ディープラーニング Vol.4” の講演資料です。 講演講師 :三上威様(フリーランスITエンジニア) 主催・運営:株式会社エージェントゲート
1028 TECH & BRIDGE MEETING
1028 TECH & BRIDGE MEETING
健司 亀本
ML
Study ml
Study ml
卓馬 三浦卓馬
2020年4月6日 東京大学大学院 電子情報学特論Ⅰでの講義資料を公開します。(2-1) 「深層学習概論と理論解析の課題」大野健太 https://www.eidos.ic.i.u-tokyo.ac.jp/~tau/lecture/tokuron/
東大大学院 電子情報学特論講義資料「深層学習概論と理論解析の課題」大野健太
東大大学院 電子情報学特論講義資料「深層学習概論と理論解析の課題」大野健太
Preferred Networks
むかし学部生の指導に使った資料です。 主にデータをとってからこれからどうするか、という点に絞って流れを説明しています。学部1~2年生向けの内容。
分析のガイドライン
分析のガイドライン
Kosuke Sato
人工知能学会 第109回人工知能基本問題研究会(SIG-FPAI)にて発表した際に使ったスライドです.
非定常データストリームにおける適応的決定木を用いたアンサンブル学習
非定常データストリームにおける適応的決定木を用いたアンサンブル学習
Yu Sugawara
現実世界を理解し記述する為の概念モデリングに関するワークショップ資料の基礎編です。 ”Art of Conceptual Modeling (https://note.com/kae_made/m/m054c9f9f8b61)”を集合教育スタイルで学ぶ為の資料です。 冒頭のライセンスに従ってご利用ください。
概念モデリング ワークショップ 基礎編 - Conceptual Modeling for Real World
概念モデリング ワークショップ 基礎編 - Conceptual Modeling for Real World
Knowledge & Experience
National SUNのスライド。アンケート結果等は抜いてます。
NationalSUN2015_滋賀
NationalSUN2015_滋賀
Yoshikazu Asada
2013/10/05に開催された日本PostgreSQLユーザ会 第27回しくみ+アプリケーション勉強会での講演です。 http://www.postgresql.jp/wg/shikumi/shikumi27 ---- コンピュータシステムにおける性能測定とは、技芸です。 性能測定というと、単に測定ツールを実行するだけの作業だと考えられがちです。しかし実際には、何のために測定をするのか、そのために何を測定するべきか、そして何を使って測定するべきかを理解した上で行わなければ全く意味を成さない、深みのある技芸の世界です。 講演者の所属する研究室では長年にわたりデータベースシステムの研究・開発を行ってきました。その過程で培われた性能測定の技芸について、最近の実例も交えつつその考え方をご紹介したいと思います。
性能測定道 事始め編
性能測定道 事始め編
Yuto Hayamizu
IRデータマネジメント
MJIR岡山講習会ーIRデータマネジメント20150715
MJIR岡山講習会ーIRデータマネジメント20150715
Masao Mori
youtube : https://youtu.be/3lHlXBNDt6Q
データセットの作り方
データセットの作り方
Hiroya Kubo
HiRoshima.R #3 の LT「RMeCab を使ったテキストマイニングの基礎の基礎」のスライドです。
Hiroshimar3_rmecab
Hiroshimar3_rmecab
SAKAUE, Tatsuya
cvpaper.challenge の メタサーベイ発表スライドです。 cvpaper.challengeはコンピュータビジョン分野の今を映し、トレンドを創り出す挑戦です。論文サマリ作成・アイディア考案・議論・実装・論文投稿に取り組み、凡ゆる知識を共有します。2020の目標は「トップ会議30+本投稿」することです。 http://xpaperchallenge.org/cv/
自己教師学習(Self-Supervised Learning)
自己教師学習(Self-Supervised Learning)
cvpaper. challenge
産総研の本村先生にベイジアンネットワークのモデルを作るときの悩みやお困りごとを共有し、どのような心構えでモデリングに当たればよいかを学ぶ、モデリング初級者向けの勉強会について、後日再構成したメモ
ベイジアンネットワークモデリング勉強会20140206
ベイジアンネットワークモデリング勉強会20140206
Yoshihide Nishio
データ・ジャーナリズム・ハンドブック日本語版リリース記念イベント講演 http://datajournalismjp.github.io/releases/20161118.html
いかにしてデータを手に入れるか
いかにしてデータを手に入れるか
Akihiro Kameda
できない学生向けの学習(修)支援サービス 田邊稔
できない学生向けの学習(修)支援サービス 田邊稔
株式会社エムエムツインズ, Yokohama
第13回に引き続き、行列分解モデルの数学的な基礎を紹介しました。機械学習の社会実装勉強会 第14回の発表内容です。 <Attach YouTube link>
行列分解の数学的基礎.pdf
行列分解の数学的基礎.pdf
幸太朗 岩澤
Similar to Machine learning
(20)
[DL輪読会]Meta-Learning Probabilistic Inference for Prediction
[DL輪読会]Meta-Learning Probabilistic Inference for Prediction
Wsdm2016: Extracting Search Query Patterns via the Pairwise Coupled Topic Model
Wsdm2016: Extracting Search Query Patterns via the Pairwise Coupled Topic Model
質問応答システム入門
質問応答システム入門
Twitterにおける即時話題推定技術「どたばたかいぎ」の開発
Twitterにおける即時話題推定技術「どたばたかいぎ」の開発
1028 TECH & BRIDGE MEETING
1028 TECH & BRIDGE MEETING
Study ml
Study ml
東大大学院 電子情報学特論講義資料「深層学習概論と理論解析の課題」大野健太
東大大学院 電子情報学特論講義資料「深層学習概論と理論解析の課題」大野健太
分析のガイドライン
分析のガイドライン
非定常データストリームにおける適応的決定木を用いたアンサンブル学習
非定常データストリームにおける適応的決定木を用いたアンサンブル学習
概念モデリング ワークショップ 基礎編 - Conceptual Modeling for Real World
概念モデリング ワークショップ 基礎編 - Conceptual Modeling for Real World
NationalSUN2015_滋賀
NationalSUN2015_滋賀
性能測定道 事始め編
性能測定道 事始め編
MJIR岡山講習会ーIRデータマネジメント20150715
MJIR岡山講習会ーIRデータマネジメント20150715
データセットの作り方
データセットの作り方
Hiroshimar3_rmecab
Hiroshimar3_rmecab
自己教師学習(Self-Supervised Learning)
自己教師学習(Self-Supervised Learning)
ベイジアンネットワークモデリング勉強会20140206
ベイジアンネットワークモデリング勉強会20140206
いかにしてデータを手に入れるか
いかにしてデータを手に入れるか
できない学生向けの学習(修)支援サービス 田邊稔
できない学生向けの学習(修)支援サービス 田邊稔
行列分解の数学的基礎.pdf
行列分解の数学的基礎.pdf
Machine learning
1.
機械学習とは 資料作成 馬場隆寛 C.M. ビショップ著
パターン認識と機械学習 上 参照
2.
参考書の紹介 • C.M. ビショップ著
パターン認識と機械学習 上
3.
機械学習とは • データから知識を引き出すこと • データに含まれる規則や判断基準などのパターンを抽出する関数(モデル)を獲得 し,その関数を用いて新たなデータについて予測を行う手法 •
機械学習の種類 • 教師あり学習 • 教師なし学習 • 強化学習
4.
なぜ機械学習なのか • 背景 • 近年、利用可能なデータは増え続けその形式も多様化している •
データは持っているだけでは意味がなく、データの価値を引き出す必要がある • データのパターンを見つけられれば、新しいデータに対しても予測を行える • 問題点 • 人間が大量のデータからパターンを見つけ出すのは短時間では難しい • 例 : カメラ映像から顧客の購入パターンを見つける • 解決策 • 機械学習でパターンを抽出し、新たなデータに対して予測する
5.
機械学習の流れ 学習 関数作成 (モデル作成) 予測結果 訓練データ 前処理 (特徴抽出) テストデータ 前処理 (特徴抽出)
6.
言葉の定義 • 前処理(特徴抽出) • 問題を解きやすくするために、もとのデータを新しい変数にする処理 •
例えば • 画像を拡大、縮小して大きさをそろえる • 文書を単語のtf-idfでベクトル化する • 学習(訓練) • 訓練データに基づいて関数(モデル)を作成すること • 訓練データ(訓練集合) • 学習に使用するデータの集合 • テストデータ(テスト集合) • 実際にモデルを使用して判断するデータの集合
7.
教師あり学習 • 訓練データが入力ベクトルと目標ベクトルで構成されている場合の機械 学習 • すなわち、訓練データのそれぞれに正解となるラベルが付与されている •
教師あり学習の例 • クラス分類 • 各入力ベクトルを有限個の離散カテゴリに分類する場合 • 例えば、カメラ映像による交通量調査 • 回帰 • 求める出力が1つまたはそれ以上の連続変数である場合 • 例えば、気象情報に基づく電力需要予測
8.
教師なし学習 • 訓練データが入力ベクトルのみで、目標値が存在しない場合の機械学習 • 教師なし学習の例 •
クラスタリング • 入力ベクトルの類似したグループを見つける場合 • 例えば、購入履歴に基づく顧客の分類 • 密度推定 • 入力ベクトルの分布を求める場合 • 例えば、分布から逸脱した異常検知 • 視覚化 • 高次元データを2次元3次元に射影する場合
9.
強化学習 • 特定の状況の中で、試行錯誤を繰り返しながら最適解を見つけ出す機 械学習 • 最終的な目標は定まっているものの、その過程は定義できない場合に有 用 •
強化学習の例 • 将棋の指し手の学習。何局も試行錯誤することで、勝つための指し方を学習
Download now