Recommended
More Related Content
More from Keiichi Maeda
Recently uploaded
Recently uploaded (14)
機械学習
- 1. ６．機械学習
- 2. 目次 6.1 学習の仕組み 人工知能 学習と予測 関数と予測 6.2 学習の仕組み実例 回帰分析 主成分分析 多重共線性 損失関数 6.3 深層学習（ディープラーニング） 多層構造 深層強化学習
- 5. 人工知能 機械学習 深層学習 (Deep Learning) 人工知能の定義自体は広いが、直近は狭義の意味で機械学習、更には深層学習を指すことが多い 電卓 主成分分析 SVM K-means 音声認識
- 7. 学習とは入力と出力の規則性を見つける行為である 入力X 問題 出力Y 答え 規則性を 見つける 学習 タクシー乗車 実績データ 時刻 気温（度）天気 18:00 27 曇り 17:00 8 雨 13:00 20 晴れ 15:00 29 晴れ 14:30 12 晴れ 19:00 10 晴れ 20:00 17 雨 乗車数 10 13 4 8 4 10 11 規則性を 見つける タクシー乗車時の環境データ
- 9. 未知の状況に対して、結果予測をするため 時刻 気温（度）天気 18:00 27 曇り 17:00 8 雨 13:00 20 晴れ 15:00 29 晴れ 14:30 12 晴れ 19:00 10 晴れ 20:00 17 雨 乗車数 10 13 4 8 4 10 11 規則性を 見つける 時刻 気温（度）天気 13:30 21 雨 ？ 未知の状況 結果を 予測したい
- 10. 予測とは学習により生成した規則性に基づき、未知の入力に対する出力を行うこと。 入力X 問題 出力Y 答え学習 実績データ 時刻 気温（度）天気 18:00 27 曇り 17:00 8 雨 13:00 20 晴れ 15:00 29 晴れ 14:30 12 晴れ 19:00 10 晴れ 20:00 17 雨 乗車数 10 13 4 8 4 10 11 環境データ 規則性 入力X 問題 出力Y 答え 予測 予測 時刻 気温（度）天気 13:30 21 雨 乗車数 9 この“規則性”とは関数をつくることに相当
- 11. 関数とは何か？
- 16. ２．学習の基本 実例（回帰分析）
- 20. 当てはまる直線が見つかりさえすれば、未知の広さの物件にも値付けが出来る 広さ(m ) 2 家賃（万円） 22 広さ 𝑥 家賃 𝑦 広さ 𝑥 と にどんな関係が成り立ちそうか？ 2 傾き：0.4 家賃 𝑦
- 21. 𝒚 = 𝟎. 𝟒𝒙 + 𝟐 家賃 𝑦 広さ 𝑥 直線を決めることは、広さ（x)と家賃（y)の関係を決めること
- 22. 直線といえば 𝒚 = 𝒂𝒙 + 𝒃 切片傾き 𝑏𝑎 𝒚 = 𝟎. 𝟒𝒙 + 𝟐
- 23. 単回帰分析とは、「たった１つの要素×直線」で説明してみようとすること 広さ 家賃 単回帰分析（一つの説明変数で結果を説明しようとする） 説明変数：広さ 結果：家賃 𝑥 𝑦 𝒚 = 𝒂𝒙 + 𝒃 で説明してみようとすること
- 24. 𝑦 𝑏 𝑥 𝑎 入力 出力 単回帰分析をモデル化すると 𝒚 = 𝒂𝒙 + 𝒃
- 26. 互いに相関が高い入力要素は被らないようにチェックする： 部屋の広さ 駅からの距離 築年数 𝒙 𝟏 𝒙 𝟐 𝒙 𝟑 部屋の数𝒙 𝟒 𝒙 𝟏 𝒙 𝟐 𝒙 𝟑 𝒙 𝟒 1 1 1 1 0.80.1 -0.2 0 0 0 互いに相関が高い入力があることを多重共線性といいます。
- 28. 製品 コメント キリマンジャロ 強い酸味と甘い香りと豊かなコクがあります。 クリスタルマウンテン 酸味と苦みのバランスがとれた上品な味が人気で、最高級品と言われています。 ケニア 強い酸味が大きな特徴。キレがあり、後味もすっきりしています。 コスタリカ 芳醇な香りと適度な酸味が混ざりあい、上品な味がします。 コロンビア 甘い香りとまるい酸味と、まろやかなコクがあります。 ハワイ・コナ 強い酸味と甘い香りがあります。 ブラジル・サントス 中庸な味、香りが高く適度な酸味と苦味があります。 ベネズエラ 軽い酸味とやや独特の苦み、そして適度な香りがあります。 マンデリン コクのあるやわらかな苦味と、上品な風味があります。 モカ フルーツのような甘酸っぱい香りと、まろやかな酸味とコクがあります。 コーヒー豆へのアンケート
- 29. 製品 コク キレ 酸味 香り 苦み 後味 キリマンジャロ 5 3 5 4 5 3 クリスタルマウンテン 5 3 5 3 5 4 ケニア 2 5 5 3 3 5 コスタリカ 2 2 5 5 2 2 コロンビア 4 3 4 4 4 3 ハワイ・コナ 3 3 5 5 2 3 ブラジル・サントス 4 2 4 4 4 2 ベネズエラ 5 2 5 4 5 2 マンデリン 5 2 4 4 4 2 モカ 5 2 4 5 4 2 コーヒー豆へのアンケートを定量化したもの
- 30. コク キレ 酸味 香り 苦み 後味 コク 1.00 -0.47 -0.3 -0.1 0.86 -0.3 キレ 1.00 0.41 -0.6 -0.2 0.95 酸味 1.00 -0.17 -0.15 0.46 香り 1 -0.5 -0.7 苦み 1 -0.04 後味 1 互いの項目の相関をとったもの：相関行列といいます。 （コクと苦み）と （キレと後味）のペアは要注意 多重共線性が発生
- 34. 部屋の広さ 駅からの距離 築年数 家賃 𝒙 𝟏 𝒙 𝟐 𝒙 𝟑 部屋の数 𝒙 𝟒 𝑦 ①入力と出力は強相関が好ましい ②入力同士は無相関が好ましい 入力と出力は強相関、入力同士は無相関であることが理想的
- 35. 𝒙 𝟏 𝒙 𝟐 𝒙 𝟑 𝑦 𝒂 𝟏 𝒂 𝟐 𝒂 𝟑 𝑏 重回帰分析をモデル化すると 入力変数が３つの場合 𝒚 = 𝒂 𝟏 𝒙 𝟏+𝒂 𝟐 𝒙 𝟐 + 𝒂 𝟑 𝒙 𝟑 + 𝒃
- 36. 𝒙 𝟏 𝒙 𝟐 𝒙 𝟑 𝑦 𝒂 𝟏 𝒂 𝟐 𝒂 𝟑 𝑏 重回帰分析をモデル化すると 𝒙 𝒏 𝒂 𝒏 𝑖=1 𝑛 𝑎𝑖 𝑥𝑖＋𝑏
- 47. 出力 誤差 誤差の合計 つまり学習とは“損失関数を最も最小にする傾きと切片”のペアを選ぶこと 傾き 𝑎 切片 𝑏 関数 𝑎, 𝑏 ＝損失関数 と呼ぶことにする ※実務的には誤差は二乗和で表すことが多い
- 48. 深層学習（ディープラーニング）
- 51. ディープラーニング 乗車数 天気 ディープラーニングとは多入力×多出力の関数である 入力 ｎ個 出力 m個 気温 座標 日付 : 1人あたり 期待料金 例：タクシー会社が欲しいと想定される関数（ディープラーニング） :
- 56. 監視カメラ×ＡＩ＠中国 画像認識
- 58. ご参考）ディープラーニングの中身
- 60. 人間の脳内のニューロンの仕組みを模倣 一定の閾い（しきい）を超えた場合のみ、電気信号が次の ニューロンに向けて発信される。 𝒙 𝟏𝒙 𝟐 𝒙 𝟑 𝒙 𝟒 𝒙 𝟓 𝑦𝒘 𝟏 𝒘 𝟐 𝒘 𝟑 𝒘 𝟒 𝒘 𝟓
- 61. 𝒙 𝟏 𝒙 𝟑 𝒙 𝟓 θ 𝑦 𝒂 𝟏 𝒂 𝟑 𝑏 モデル化すると以下のようにあらわせる。 𝒙 𝟐 𝒙 𝟒 𝒂 𝟐 𝒂 𝟒 𝒂 𝟓 閾値 （しきいち） 一定の値を超えたら１ それ以外は０
- 62. θ 𝑦 閾値を超える：例 結婚の意思決定 閾値10を超えると 結婚（１） 閾値10を下回ると 結婚しない（０） 𝟑. 𝟑 容姿が タイプ 生活に 困らなさ そう 𝟕. 𝟎 𝟐. 𝟏 𝟏𝟎 価値観 があう
- 63. θ 𝑦 閾値を超える：例 結婚の意思決定 閾値10を超えると 結婚（１） 閾値10を下回ると 結婚しない（０） 𝟑. 𝟑 容姿が タイプ 生活に 困らなさ そう 𝟕. 𝟎 𝟐. 𝟏 𝟏𝟎 価値観 があう 𝟏𝟐. 𝟒 𝟏 >
- 64. θ 𝑦 経験を通じて学習を行い、各重み係数は調整されていく 𝟔. 𝟑 容姿が タイプ 生活に 困らなさ そう 𝟑. 𝟎 𝟖. 𝟏 𝟖 価値観 があう 閾値８を超えると 結婚（１） 閾値８を下回ると 結婚しない（０） 実績を元に、入力に対する重みを 見直すこと（学習）を行う。
- 65. θ 𝑦 𝟔. 𝟑 容姿が タイプ 生活に 困らなさ そう 𝟑. 𝟎 𝟖. 𝟏 𝟏𝟎 価値観 があう 閾値10を超えると 結婚（１） 閾値10を下回ると 結婚しない（０） 料理が 上手 お給料 がいい 財産が ある 𝟕. 𝟐 θ 𝟒. 𝟑 𝟏. 𝟗 : : 𝟔 多層構造化することで、各因子の複雑な予測構造を生成可能
- 66. 各因子は隠れ層の各因子に寄与。 θ 𝑦 𝟔. 𝟑 容姿が タイプ 生活に 困らなさそ う 𝟑. 𝟎 𝟖. 𝟏 𝟏𝟎 価値観 があう 閾値10を超えると 結婚（１） 閾値10を下回ると 結婚しない（０） 料理が 上手 お給料 がいい 財産が ある 𝟕. 𝟐 θ 𝟒. 𝟑 𝟏. 𝟗 : : 𝟒. 𝟓 家に 調味料 が多い 経営者 実家が 大きい 𝟒. 𝟐 θ 𝟎. 𝟑 𝟓 : : 𝟒 θ θ 𝟖 𝟓 𝟐. 𝟐 𝟕 𝟑. 𝟐
- 67. ０or１だけで行った場合 θ 𝑦 𝟔. 𝟑 容姿が タイプ 生活に 困らなさそ う 𝟑. 𝟎 𝟖. 𝟏 𝟏𝟎 価値観 があう 料理が 上手 お給料 がいい 財産が ある 𝟕. 𝟐 θ 𝟒. 𝟑 𝟏. 𝟗 : : 𝟒. 𝟓 家に 調味料 が多い 経営者 実家が 大きい 𝟒. 𝟗 θ 𝟎. 𝟑 𝟓 : : 𝟒 θ θ 𝟖 𝟓 𝟐. 𝟐 𝟕 𝟑. 𝟐 𝟏 𝟎 𝟏 𝟐. 𝟐 𝟓 𝟒. 𝟗 𝟎 𝟎 𝟏 𝟏. 𝟗 𝟎𝟏 𝟏 𝟗. 𝟑 𝟎
- 68. 実際は０から１の間の値に変換して使う θ 𝑦 𝟔. 𝟑 容姿が タイプ 生活に 困らなさそ う 𝟑. 𝟎 𝟖. 𝟏 𝟏𝟎 価値観 があう 料理が 上手 お給料 がいい 財産が ある 𝟕. 𝟐 θ 𝟒. 𝟑 𝟏. 𝟗 : : 𝟒. 𝟓 家に 調味料 が多い 経営者 実家が 大きい 𝟒. 𝟐 θ 𝟎. 𝟑 𝟓 : : 𝟒 θ θ 𝟖 𝟓 𝟐. 𝟐 𝟕 𝟑. 𝟐 𝟏 𝟎 𝟏 𝟐. 𝟐 𝟓 𝟒. 𝟐 𝟎. 𝟒𝟕𝟓 𝟎. 𝟎𝟎𝟑 𝟎. 𝟕𝟑 𝟒. 𝟖𝟏 𝟏𝟏 𝟏 𝟏𝟑. 𝟗 𝟎. 𝟓𝟕