Submit Search
Upload
機械学習
•
Download as PPTX, PDF
•
1 like
•
9,166 views
Keiichi Maeda
Follow
最低限の機械学習のリテラシーをまとめました。
Read less
Read more
Technology
Report
Share
Report
Share
1 of 71
Download now
Recommended
Behavier of tourists(Japanese ver)旅行者行動(心理学)
Behavier of tourists(Japanese ver)旅行者行動(心理学)
YSK Hidaka
Powerpointでの資料作成スキル
Powerpointでの資料作成スキル
Keiichi Maeda
前田塾スキル教材①Excel
前田塾スキル教材①Excel
Keiichi Maeda
前田塾社会教養編教材C各種業界トレンド(物流・小売・農業・金融):記事抜き
前田塾社会教養編教材C各種業界トレンド(物流・小売・農業・金融):記事抜き
Keiichi Maeda
前田塾社会教養編教材Bマクロトレンド(デジタルトランスフォーメーション:dx)
前田塾社会教養編教材Bマクロトレンド(デジタルトランスフォーメーション:dx)
Keiichi Maeda
前田塾社会教養編教材Aマクロトレンド1(カーボンニュートラル)
前田塾社会教養編教材Aマクロトレンド1(カーボンニュートラル)
Keiichi Maeda
前田塾基礎教養編教材⑤近代経済史
前田塾基礎教養編教材⑤近代経済史
Keiichi Maeda
前田塾基礎教養編教材④データサイエンス
前田塾基礎教養編教材④データサイエンス
Keiichi Maeda
Recommended
Behavier of tourists(Japanese ver)旅行者行動(心理学)
Behavier of tourists(Japanese ver)旅行者行動(心理学)
YSK Hidaka
Powerpointでの資料作成スキル
Powerpointでの資料作成スキル
Keiichi Maeda
前田塾スキル教材①Excel
前田塾スキル教材①Excel
Keiichi Maeda
前田塾社会教養編教材C各種業界トレンド(物流・小売・農業・金融):記事抜き
前田塾社会教養編教材C各種業界トレンド(物流・小売・農業・金融):記事抜き
Keiichi Maeda
前田塾社会教養編教材Bマクロトレンド(デジタルトランスフォーメーション:dx)
前田塾社会教養編教材Bマクロトレンド(デジタルトランスフォーメーション:dx)
Keiichi Maeda
前田塾社会教養編教材Aマクロトレンド1(カーボンニュートラル)
前田塾社会教養編教材Aマクロトレンド1(カーボンニュートラル)
Keiichi Maeda
前田塾基礎教養編教材⑤近代経済史
前田塾基礎教養編教材⑤近代経済史
Keiichi Maeda
前田塾基礎教養編教材④データサイエンス
前田塾基礎教養編教材④データサイエンス
Keiichi Maeda
前田塾基礎教養編教材③投資
前田塾基礎教養編教材③投資
Keiichi Maeda
前田塾基礎教養編教材②会計
前田塾基礎教養編教材②会計
Keiichi Maeda
前田塾基礎教養編教材①ファイナンス
前田塾基礎教養編教材①ファイナンス
Keiichi Maeda
マーケティング
マーケティング
Keiichi Maeda
IR(Accounting)
IR(Accounting)
Keiichi Maeda
Finance literacy for young manegement
Finance literacy for young manegement
Keiichi Maeda
How does the currency work?
How does the currency work?
Keiichi Maeda
Investment
Investment
Keiichi Maeda
コラーニング術
コラーニング術
Keiichi Maeda
レゾナンス経営方針
レゾナンス経営方針
Keiichi Maeda
就活生からの質問集
就活生からの質問集
Keiichi Maeda
前田塾紹介
前田塾紹介
Keiichi Maeda
【起業準備から決算まで】会計入門者コース
【起業準備から決算まで】会計入門者コース
Keiichi Maeda
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
Toru Tamaki
論文紹介:Automated Classification of Model Errors on ImageNet
論文紹介:Automated Classification of Model Errors on ImageNet
Toru Tamaki
TSAL operation mechanism and circuit diagram.pdf
TSAL operation mechanism and circuit diagram.pdf
taisei2219
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
Yuki Kikuchi
SOPを理解する 2024/04/19 の勉強会で発表されたものです
SOPを理解する 2024/04/19 の勉強会で発表されたものです
iPride Co., Ltd.
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
akihisamiyanaga1
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Yuma Ohgami
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
博三 太田
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
sugiuralab
More Related Content
More from Keiichi Maeda
前田塾基礎教養編教材③投資
前田塾基礎教養編教材③投資
Keiichi Maeda
前田塾基礎教養編教材②会計
前田塾基礎教養編教材②会計
Keiichi Maeda
前田塾基礎教養編教材①ファイナンス
前田塾基礎教養編教材①ファイナンス
Keiichi Maeda
マーケティング
マーケティング
Keiichi Maeda
IR(Accounting)
IR(Accounting)
Keiichi Maeda
Finance literacy for young manegement
Finance literacy for young manegement
Keiichi Maeda
How does the currency work?
How does the currency work?
Keiichi Maeda
Investment
Investment
Keiichi Maeda
コラーニング術
コラーニング術
Keiichi Maeda
レゾナンス経営方針
レゾナンス経営方針
Keiichi Maeda
就活生からの質問集
就活生からの質問集
Keiichi Maeda
前田塾紹介
前田塾紹介
Keiichi Maeda
【起業準備から決算まで】会計入門者コース
【起業準備から決算まで】会計入門者コース
Keiichi Maeda
More from Keiichi Maeda
(13)
前田塾基礎教養編教材③投資
前田塾基礎教養編教材③投資
前田塾基礎教養編教材②会計
前田塾基礎教養編教材②会計
前田塾基礎教養編教材①ファイナンス
前田塾基礎教養編教材①ファイナンス
マーケティング
マーケティング
IR(Accounting)
IR(Accounting)
Finance literacy for young manegement
Finance literacy for young manegement
How does the currency work?
How does the currency work?
Investment
Investment
コラーニング術
コラーニング術
レゾナンス経営方針
レゾナンス経営方針
就活生からの質問集
就活生からの質問集
前田塾紹介
前田塾紹介
【起業準備から決算まで】会計入門者コース
【起業準備から決算まで】会計入門者コース
Recently uploaded
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
Toru Tamaki
論文紹介:Automated Classification of Model Errors on ImageNet
論文紹介:Automated Classification of Model Errors on ImageNet
Toru Tamaki
TSAL operation mechanism and circuit diagram.pdf
TSAL operation mechanism and circuit diagram.pdf
taisei2219
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
Yuki Kikuchi
SOPを理解する 2024/04/19 の勉強会で発表されたものです
SOPを理解する 2024/04/19 の勉強会で発表されたものです
iPride Co., Ltd.
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
akihisamiyanaga1
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Yuma Ohgami
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
博三 太田
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
sugiuralab
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
FumieNakayama
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
FumieNakayama
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
Hiroki Ichikura
論文紹介:Semantic segmentation using Vision Transformers: A survey
論文紹介:Semantic segmentation using Vision Transformers: A survey
Toru Tamaki
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
UEHARA, Tetsutaro
Recently uploaded
(14)
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
論文紹介:Automated Classification of Model Errors on ImageNet
論文紹介:Automated Classification of Model Errors on ImageNet
TSAL operation mechanism and circuit diagram.pdf
TSAL operation mechanism and circuit diagram.pdf
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
SOPを理解する 2024/04/19 の勉強会で発表されたものです
SOPを理解する 2024/04/19 の勉強会で発表されたものです
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
論文紹介:Semantic segmentation using Vision Transformers: A survey
論文紹介:Semantic segmentation using Vision Transformers: A survey
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
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
3.
1.人工知能と学習の仕組み
4.
本章のゴール 1.人工知能及びディープラーニングの関係理解する。 2.学習と予測が関数を用いて行えることを理解する。
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
6.
つまり 人工知能≒学習 を意味している それでは 学習とは何か?
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
8.
何のために 学習するのか?
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?
12.
関数 出力入力 関数とは 入力と出力の対応関係のこと
13.
FUNCTION(X,Y) OUTPUT INPUT (X) INPUT、OUTPUT共に何個でもいいが、 同じINPUTに対してOUTPUTは必ず同じ。 関数とは INPUTとOUTPUTの対応関係のこと INPUT (Y) 入力が2つ あることを示す。
14.
コーラ コーラの ボタン 例:自動販売機も関数 入力と出力の対応関係が規定されているから。 入力が同じときには同じ出力が出る必要あり。 150円 入力が2つ あることを示す。
15.
つまり、学習とは関数を作り、 未知の状況でも予測ができる ようにすること。
16.
2.学習の基本 実例(回帰分析)
17.
本章のゴール 1.分析の目的や仕組みを理解し、学習の仕組みへの理解を深める 2.主成分分析の概念を理解する 3.多重共線性について理解する 4.損失関数について理解する
18.
自分の把握している情報から未知の情報を予測する 広さが50m のときに家賃はいくらくらいになりそうか? 例)恵比寿の家賃と広さの関係 広さ(m ) 2 家賃(万円) 2 貴方は、恵比寿100件の不動産(20万円家賃限定)情報を持っています。
19.
当てはまりがいい直線を見つけて、傾向を掴もう 問題:赤・青・緑の直線のうち、どれが広さと家賃の関係を良く表した直線か? それはどのように評価すれば良さそうか? 例)恵比寿の家賃と広さの関係 広さ(m ) 2 家賃(万円)
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
25.
重回帰分析とは「複数の要素×1次式」で説明してみようとすること 部屋の広さ 駅からの距離 築年数 家賃 部屋の広さ 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) 重回帰分析(複数の説明変数で結果を説明しようとする) 説明変数:部屋の広さ 結果:売上 説明変数: ①部屋の広さ ②駅からの距離 ③築年数 結果:家賃 Rでの重回帰分析の使い方:http://www.statistics.co.jp/reference/software_R/statR_5_reg.pdf 𝒙 𝟏 𝒙
𝟐 𝒙 𝟑 𝑦 𝑦
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。
27.
主成分分析とは入力数の要約分析である 多くの入力変数の減らしつつ、極力特徴は損なわないことを 実現する手法
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
31.
主成分分析 1.項目を要約してくれる(項目数を減らしつつ、特徴を保持) 2.新項目同士は互いに無相関
32.
新項目① 渋み 寄与率47% キレ ×0.66 香り ×0.72後味 コク 酸味 苦味 ×0.18・・ 新項目② 味持続度 寄与率30% キレ 香り 後味 コク 酸味 苦味×0.67 ×0.74 ・・ 新項目② 風味 寄与率23% キレ 香り 後味 コク 酸味 苦味 ×0.95 ×0.3 新しい項目を既存の項目の合成変数として作成してくれます。
33.
新項目 ①渋み 新項目② 味持続度 新項目③ 風味 これらの合成項目は互いに無相関であるように作成してくれます
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
37.
それでは 回帰分析における学習とは何か?
38.
「当てはまりが良い直線を見つけること」=「学習する」こと STEP1:適当に線を引く 例)恵比寿の家賃と広さの関係 広さ(m ) 2 家賃(万円)
39.
「当てはまりが良い直線を見つけること」=「学習する」こと STEP2:適当にひいた線と点の誤差を計算する 例)恵比寿の家賃と広さの関係 広さ(m ) 2 家賃(万円) データ① 広さ:20 家賃:9 (実測値) データ① 広さ:20 家賃:7 (予測値) 差が 2
40.
「当てはまりが良い直線を見つけること」=「学習する」こと STEP2:適当にひいた線と点の誤差を計算する 例)恵比寿の家賃と広さの関係 広さ(m ) 2 家賃(万円) データ⑩ 広さ:35 家賃:14 (実測値) データ⑩ 広さ:35 家賃:19 (予測値) 差が 5
41.
「当てはまりが良い直線を見つけること」=「学習する」こと STEP2:適当にひいた線と点の誤差を計算する 例)恵比寿の家賃と広さの関係 広さ(m ) 2 家賃(万円) データ㉕ 広さ:43 家賃:17 (実測値) データ㉕ 広さ:43 家賃:28 (予測値) 差が 11
42.
データ① 広さ:20 家賃:9 (実測値) データ① 広さ:20 家賃:7 (予測値) 差が 2 データ⑩ 広さ:35 家賃:14 (実測値) データ⑩ 広さ:35 家賃:19 (予測値) 差が 5 全部100件分の差を足す→ 352 データ㉕ 広さ:43 家賃:17 (実測値) データ㉕ 広さ:43 家賃:28 (予測値) 差が 11 実測値と予測値の差の合計が大きいほど、予測の精度が低いということ
43.
データ① 広さ:20 家賃:9 (実測値) 差が 0.5 データ⑩ 広さ:35 家賃:14 (実測値) データ⑩ 広さ:35 家賃:16 (予測値) 差が 2 全部100件分の差を足す→ 42 データ㉕ 広さ:43 家賃:17 (実測値) データ㉕ 広さ:43 家賃:20 (予測値) 差が 3 実測値と予測の差の合計が小さくなるように、直線を調整する データ① 広さ:20 家賃:8.5 (予測値)
44.
データ① 広さ:20 家賃:9 (実測値) 差が 0.1 データ⑩ 広さ:35 家賃:14 (実測値) データ⑩ 広さ:35 家賃:14.2 (予測値) 差が 0.2 全部100件分の差を足す→ 10.9(MIN) データ㉕ 広さ:43 家賃:17 (実測値) データ㉕ 広さ:43 家賃:17.5 (予測値) 差が 0.5 実測値と予測値の差(誤差)の合計が最も小さくすること=学習 データ① 広さ:20 家賃:8.9 (予測値) これ以上、誤差の合計値を小さく出来ないところまで頑張る。
45.
ところで、誤差の合計値はどんな 関数で表すことができるだろうか? 関数(X,Y) 出力 入力 (X) 入力 (Y) 誤差の合計 ??
46.
出力 誤差 誤差の合計 単回帰分析の誤差の合計は、傾きと切片の2つだけで求めることが出来る 傾き 𝑏 𝑎 切片 𝑏 関数 𝑎, 𝑏 =損失関数 と呼ぶことにする
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)
49.
本章のゴール 1.ディープラーニングの概念と主な使われ方について理解する 2.ディープラーニングの多層構造の仕組みを理解する 3.深層強化学習の概念を理解する
50.
ディープラーニング 出力 (Y1) 入力 (X1) 入力 (Xn) : ディープラーニングとは多入力×多出力の関数 出力 (Ym) : 入力 n個 出力
m個
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) :
52.
つまり予測は 関数を得ることで実現できる
53.
大量の答え(教師) から学習 公文式の如し 深層学習(ディープラーニング)
54.
深層学習(ディープラーニング)が得意なこと 予測 画像認識
55.
交通問題×AI(UBER) 同じ方向に向かう人たちの相乗りは、料金を低価格に抑える 相乗りマッチングの効率性が肝 (目的地到着までの予測精度に支えられている) ①運転手は目的地と出発地を入力 ②乗車したい人も同様に目的地を入力(現在地情報は取得される) →10秒程度でマッチングする高速性。 予測
56.
監視カメラ×AI@中国 画像認識
57.
AIが目を獲得した 視覚 (ディープラーニング) 触覚 嗅覚 味覚 聴覚 (音声認識) 画像認識
58.
ご参考)ディープラーニングの中身
59.
つまり、ディープラーニングとは 関数であり 学習を行うことで成長する 予測ツールである
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
69.
自動運転で用いられる技術として有名 深層強化学習 運転をうまくするための教師データは どのように集めているのか? 1.データは自ら作る! ※答えは自分で作る(与えられない) 2.評価基準だけ存在 ※報酬と言います
70.
①データは自ら作る&②評価基準だけ存在 ダーツ 直前のうまくいった行動(出力)を 強化するような重みづけを変更(学習)する バッティング 深層強化学習は人間も実は行っている:スポーツ ①何度も練習 ②得点 ①何度も練習 ②ボールが当たるか否か
71.
褒めること 叱ること 正の報酬 負の報酬 深層強化学習は人間も実は行っている:子育て
Download now