Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.
はじめての 機械学習 ver.1.1 2017-07-23 KATSUHIRO MORISHITA 1
改訂履歴  2016-02-02 ver. 1.0 公開開始  2017-07-23 ver. 1.1 プログラムの公開先を切り替え た対応と、スクショの明らかに古いものを差し替えた 2
このスライドの目標  機械学習について調べることができる  機械学習がどういうものであるか説明できる  機械学習を実現するプログラムを実行できる 3
4
5 ここは4F 陶器製のコップ 落としたらどうなる？
6 きっとコップは割れる。 なぜ、想像できるんだろう？
7 コップや皿を落として割った経験が少な からずあるからではないだろうか！？
8 つまり、 陶器製コップ落とす => 割れる という現象を学習している。
9 人は一般的に、 条件 => 結論 と学習結果をもとに結果を推論している。
10 条件・特徴 答え・結論 左右を結び付ける行為を 学習という
11 条件・特徴 答え・結論 学習をソフトウェアで実現する 技術を機械学習という
12 機械学習の用例を挙げる。 例えば、体重と身長で男女を識別する場合だ。 http://home page3.nifty. com/orang ejuice/weig htBunpu.gif 女 男
13 この場合、体重と身長が特徴となる。 http://home page3.nifty. com/orang ejuice/weig htBunpu.gif 女 男
14 ここで注目して欲しいのだけど、 特徴は数値だ。 http://home page3.nifty. com/orang ejuice/weig htBunpu.gif 女 男
15 機械学習において、識別や予測に使う特徴を 数値で表したものを「特徴量」という。 http://home page3.nifty. com/orang ejuice/weig htBunpu.gif 女 男
16 そして、特徴量を順番に並べたものを 特徴ベクトルという。例えば、(身長, 体重)だ。 http://home page3.nifty. com/orang ejuice/weig htBunpu.gif 女 男
17 ちなみに、この線のことを決定境界とか 識別面と呼ぶ http://home page3.nifty. com/orang ejuice/weig htBunpu.gif 女 男
18 ここで、「数値」の種類について整理し ておきたい。
19 特徴は必ずしも順序があるとは限らない。 例えば、「女」と「男」に順序はない。 http://home page3.nifty. com/orang ejuice/weig htBunpu.gif 女 男
20え、よく分からない？ つまり、「女」と「男」に大小関係はない ってことさ。 http://home page3.nifty. com/orang ejuice/weig htBunpu.gif 女 男
21一方で、身長には大小関係がある。 例えば、 身長150cmと170cmでは170cmの方が大きい。 http://home page3.nifty. com/orang ejuice/weig htBunpu.gif 女 男
22 順序のない数値を「名義尺度」と言い、 順序のある尺度を「順序尺度」という。
23 機械学習ではあまり意識しないかも知れないが、 他にも次の分け方がある。 和差は可能だが比例に意味が無い「間隔尺度」 和差積商の計算ができる「比例尺度」 「良い」「悪い」を答えるアンケートは間隔尺度 で、体重は比例尺度だ。
24 ともかく、機械学習では入力も出力も 数値であることを頭に入れておこう。
25 ん？ 「女」とか「男」を入出力する時 どうすんだって？ 名義尺度も仮に数字にしてしまうのさ。 女=>0，男=>1.0 のように。
26 本題に戻ろう。
機械学習の学習 27 特徴ベクトル 答え 機械学習では特徴ベクトルを使う。
学習対象の例 28 気圧配置・大気 内の可降水量・ 地形 明日の天候
機械学習の学習を具体的に 29 y = 𝑓(𝑋) 特徴ベクトル 答え これを実現する関数fを学習する。
明日の天候を識別する例 （例えば、y>0.5で雨） 30 y = 𝑓(𝑋) y = 𝑎1 𝑥1 + 𝑎2 𝑥2 + 𝑎3 𝑥3 ここで、𝑥1:気圧配置, 𝑥2:可降水量, 𝑥3:地形 *この例では、式を線形で表しているが、非線形でも良い。 **...
sin関数を学習する例 31 http://riverocean.blog85.fc2.com/blog-category-1.html 学習データ 学習結果（赤線） 正解（緑線）
どうやって学習するの？ 学習のイメージ 32 関数fを乱数でテキトーに作成 教師データに対し、yを計算 yと、答えを比較して誤差を計算 誤差が減少するように、関数fをちょっと修正 ループ 誤差収束でループ脱出
学習過程の視覚的イメージ  誤差関数の表面を重力に従って下に落ちるイメージ 33 http://nineties.github.io/prml-seminar/fig/gradient-method.png
学習過程の視覚的イメージ  誤差関数の表面を重力に従って下に落ちるイメージ 34 http://qiita.com/kenmatsu 4/items/d282054ddedbd68 fecb0 ↑降下していくイメージ動画 が大量に閲覧できます。
どうやって学習するの？ アルゴリズム的に。 35 学習の方法は無数にある。 ニューラルネットワーク サポートベクターマシン ランダムフォレスト その他 このスライドでは解説しきれないので、割愛します。
言葉の整理  特徴量  識別・回帰などに使えるパラメータ  数値である必要がある  特徴ベクトル  特徴量を順番に格納したベクトル  学習データ  学習に使うデータ  教師データ  学習データに正解ラベルをつけたもの 36
具体例として、電力需要を 予測してみよう 37
サンプルプログラムの動作環境  OS  Mac, Linux, Windows  プログラミング言語  Python 3  ライブラリ  numpy, scipy, scikit-learn 38
環境構築方法 環境を作るのが面倒なら、Anacondaをインストールしよう†。 39 https://www.continuum.io/downloads †WindowsならAnacondaでOKですが、Macではhomebrew+pyenv...
環境構築方法 Windows向けAnacondaインストール解説動画もあります。 40 https://www.youtube.com/watch?v=7u6FYmhFtNQ ＊2017-07現在では絵が古いけど、雰囲気は同じです。（笑）
用意したサンプルコード 41 アメダスデータをダウン ロードするスクリプト。 使いたい人が使う。 残りは需要電力を 予測するスクリプト
用意したサンプルコード 42 過去23時間の実績 から次の1時間の需 要を予測する 過去24時間の実績か ら、3日後の需要を予 測する。特徴量に日 付成分も含めた。 さらに、特徴量 に気温を含めた
ファイルの入手  GitHubからダウンロード  https://github.com/KatsuhiroMorishita/power_prediction 43
power1のファイル構成 44 特徴ベクトルファイル。create_feature.pyが作成。 feature.csvから抽出した学習用データ。 教師データという。 feature.csvから抽出した検証用データ 電力需要の実績値 pred...
power1のファイル構成 45 特徴ベクトルを作成する 教師データを学習する 学習成果であるentry_temp.pickleをロード して、feature_for_verify.csvに記載された特 徴ベクトルを使って電力需要を予測する。 ...
feature*.csvのフォーマット @power1 46 中略 予測対象時刻の直前の 需要電力実績23時間分 最後の列が 予測対象時刻の 需要電力実績
47 「create_feature.pyのget_data_aday() 関数やfeature.csvを見ると特徴ベクトルの 要素数は24ではないか」と思ったら、鋭い。
48 「create_feature.pyのget_data_aday() 関数やfeature.csvを見ると特徴ベクトルの 要素数は24ではないか」と思ったら、鋭い。
49 「learning.py.pyやpredict.pyの read_training_data ()関数を見ると、なんと1列目 を読み飛ばしている。この用途に使う前に、1列目 に目視で確認できるように処理に使わない日付を入 れていた名残だ。...
power2の教師データファイ ルのフォーマット 50 中略 元旦から数えた 通週 曜日 日曜が0 予測対象時刻 目視確認用の列。 予測対象時刻が入る。 需要電力実績 予測対象日の3日前の 需要電力実績24時間分
操作の順番 51 (1)日時毎の教師データを作る (2)教師データを学習用と、検証用に分ける (3)学習を実行 (4)検証
(1)日時毎の教師データを作る  コマンドプロンプトを起動  次のコマンドを入力して、エンターキーを押す  python create_feature.py 52
(2)教師データを学習用と、検 証用に分ける 53 検証用に2015年以降 のデータをコピペ 学習用に2014年以前 のデータをコピペ 2014年以前のデータで学習させ、2015 年以降のデータで学習成果を評価する。
(3)学習を実行  コマンドプロンプトを起動  次のコマンドを入力して、エンターキーを押す  python learning.py 54
(3)学習を実行  実行すると、以下様の文字列が出力される 55 赤枠中は、どの特徴量が最も影響力があったかを示 している。数値が大きいほど、重要である。
(3)学習を実行 power1の表示 56 直前の需要電力が最も重要との結果がでている。 まぁ、直感に反しない。
(3)学習を実行 power2の表示 57 なぜか、21時の需要実績が重要らしい。 どういうことだろうか・・・。 曜日と時刻が重要なのは直感に反しない。
(4)検証  コマンドプロンプトを起動  次のコマンドを入力して、エンターキーを押す  python predict.py 58
(4)検証  作成されたrexult_temp.csvを開く  実績と予測で散布図を描く  近似直線と式と決定係数（R2値）を表示 59
power1の結果  悪くない  特に需要が大 きい・小さい ときの精度が 高い  決定係数R2が 1.0に近いほど 良い 60
power2の結果  それほど悪くない  しかし、イマイチ感 61
power2の結果 折れ線グラフで見てみた。  一致性の高い時間と 悪い時間があるのか もしれない 62
63 グレードアップしたい
64 きっと、電力と気温の関係は深いだろう。 そうだ、気象庁のアメダスがある。 http://www.data.jma.go.jp/obd/stats/data/mdrr/tem_rct/index_mxtem.html?gazou=mxtem...
アメダス観測点 65
四国の人口密度 66 http://www.mlit.go.jp/kokudokeikaku/gis/land/compare/population/index-s.html
67 気象台のデータだけでほぼほぼカバーできそうな気がする 徳島・松山・高知・高松 この４つをダウンロードする。
AMeDASのダウンロード  気象庁公式のダウンロードサービスがある  しかし、データ量制限がきつすぎる  自作のソフトでダウンロード＆解析する 68
AMeDASのダウンロード 69 （2）気象庁からHTMLをダウ ンロードするプログラム （４）パーサーが保存したテ キストを結合するプログラム （3）ダウンロードしたHTML ファイルを解析するプログラム （１）処理対象を記述 ＊（数字）は利...
AMeDASのダウンロード  処理は大変なので、power2plusでは用意済み 70 松山の気象データ
特徴ベクトルに気温を追加  create_feature.pyを変更 71 追加した
特徴ベクトルに気温を追加  create_feature.pyを変更 72 追加箇所
power2plusの結果  良くなってない・・  太平洋側は意味な い？気温を参照して いる時間帯が悪い？ 73
精度を高めるためには？  更に詳しく検討を進めると、祝日・お盆・正月・台風 などを考慮する必要が分かります。  また、大口需要家の1-10分毎のデータがないと精度は 出なさそうなこともわかります。  詳細な需要電力のデータは公開されていな...
75
このスライドで省略したこと  このスライドでは、以下の項目を省略している  やってみて上手く行かなかったら勉強しよう  省略項目  正規化  手法間の差異  過学習  局所解  次元の呪い  最新の学習手法 76
参考文献  Neural Network TensorFlow入門講座  https://drive.google.com/file/d/0B04ol8GVySUubjVsUDdXc0hla00/view  機械学習の最前線を俯瞰できます...
参考文献（動画）  CR10 Pythonとscikit-learnではじめる機械学習 (ja)  https://www.youtube.com/watch?v=yp6LIjcZgoQ  0319 WBS 機械学習が変える世界  ht...
Upcoming SlideShare
Loading in …5
×

初めての機械学習

10,076 views

Published on

初めて機械学習に触れる工学部系の方を想定して作成したスライドです。後半には四国電力の需要電力を対象とした予測をテーマとしたハンズオン資料を載せています。講義で使用した場合は90分程度です。

Published in: Engineering
License: CC Attribution License
no profile picture user

  • Be the first to comment

Show More

初めての機械学習

  1. 1. はじめての 機械学習 ver.1.1 2017-07-23 KATSUHIRO MORISHITA 1
  2. 2. 改訂履歴  2016-02-02 ver. 1.0 公開開始  2017-07-23 ver. 1.1 プログラムの公開先を切り替え た対応と、スクショの明らかに古いものを差し替えた 2
  3. 3. このスライドの目標  機械学習について調べることができる  機械学習がどういうものであるか説明できる  機械学習を実現するプログラムを実行できる 3
  4. 4. 4
  5. 5. 5 ここは4F 陶器製のコップ 落としたらどうなる？
  6. 6. 6 きっとコップは割れる。 なぜ、想像できるんだろう？
  7. 7. 7 コップや皿を落として割った経験が少な からずあるからではないだろうか！？
  8. 8. 8 つまり、 陶器製コップ落とす => 割れる という現象を学習している。
  9. 9. 9 人は一般的に、 条件 => 結論 と学習結果をもとに結果を推論している。
  10. 10. 10 条件・特徴 答え・結論 左右を結び付ける行為を 学習という
  11. 11. 11 条件・特徴 答え・結論 学習をソフトウェアで実現する 技術を機械学習という
  12. 12. 12 機械学習の用例を挙げる。 例えば、体重と身長で男女を識別する場合だ。 http://home page3.nifty. com/orang ejuice/weig htBunpu.gif 女 男
  13. 13. 13 この場合、体重と身長が特徴となる。 http://home page3.nifty. com/orang ejuice/weig htBunpu.gif 女 男
  14. 14. 14 ここで注目して欲しいのだけど、 特徴は数値だ。 http://home page3.nifty. com/orang ejuice/weig htBunpu.gif 女 男
  15. 15. 15 機械学習において、識別や予測に使う特徴を 数値で表したものを「特徴量」という。 http://home page3.nifty. com/orang ejuice/weig htBunpu.gif 女 男
  16. 16. 16 そして、特徴量を順番に並べたものを 特徴ベクトルという。例えば、(身長, 体重)だ。 http://home page3.nifty. com/orang ejuice/weig htBunpu.gif 女 男
  17. 17. 17 ちなみに、この線のことを決定境界とか 識別面と呼ぶ http://home page3.nifty. com/orang ejuice/weig htBunpu.gif 女 男
  18. 18. 18 ここで、「数値」の種類について整理し ておきたい。
  19. 19. 19 特徴は必ずしも順序があるとは限らない。 例えば、「女」と「男」に順序はない。 http://home page3.nifty. com/orang ejuice/weig htBunpu.gif 女 男
  20. 20. 20え、よく分からない？ つまり、「女」と「男」に大小関係はない ってことさ。 http://home page3.nifty. com/orang ejuice/weig htBunpu.gif 女 男
  21. 21. 21一方で、身長には大小関係がある。 例えば、 身長150cmと170cmでは170cmの方が大きい。 http://home page3.nifty. com/orang ejuice/weig htBunpu.gif 女 男
  22. 22. 22 順序のない数値を「名義尺度」と言い、 順序のある尺度を「順序尺度」という。
  23. 23. 23 機械学習ではあまり意識しないかも知れないが、 他にも次の分け方がある。 和差は可能だが比例に意味が無い「間隔尺度」 和差積商の計算ができる「比例尺度」 「良い」「悪い」を答えるアンケートは間隔尺度 で、体重は比例尺度だ。
  24. 24. 24 ともかく、機械学習では入力も出力も 数値であることを頭に入れておこう。
  25. 25. 25 ん？ 「女」とか「男」を入出力する時 どうすんだって？ 名義尺度も仮に数字にしてしまうのさ。 女=>0，男=>1.0 のように。
  26. 26. 26 本題に戻ろう。
  27. 27. 機械学習の学習 27 特徴ベクトル 答え 機械学習では特徴ベクトルを使う。
  28. 28. 学習対象の例 28 気圧配置・大気 内の可降水量・ 地形 明日の天候
  29. 29. 機械学習の学習を具体的に 29 y = 𝑓(𝑋) 特徴ベクトル 答え これを実現する関数fを学習する。
  30. 30. 明日の天候を識別する例 （例えば、y>0.5で雨） 30 y = 𝑓(𝑋) y = 𝑎1 𝑥1 + 𝑎2 𝑥2 + 𝑎3 𝑥3 ここで、𝑥1:気圧配置, 𝑥2:可降水量, 𝑥3:地形 *この例では、式を線形で表しているが、非線形でも良い。 **このモデルはあくまで形を表現しただけで、実際に天候を予測できる訳ではない。 係数aを学習する
  31. 31. sin関数を学習する例 31 http://riverocean.blog85.fc2.com/blog-category-1.html 学習データ 学習結果（赤線） 正解（緑線）
  32. 32. どうやって学習するの？ 学習のイメージ 32 関数fを乱数でテキトーに作成 教師データに対し、yを計算 yと、答えを比較して誤差を計算 誤差が減少するように、関数fをちょっと修正 ループ 誤差収束でループ脱出
  33. 33. 学習過程の視覚的イメージ  誤差関数の表面を重力に従って下に落ちるイメージ 33 http://nineties.github.io/prml-seminar/fig/gradient-method.png
  34. 34. 学習過程の視覚的イメージ  誤差関数の表面を重力に従って下に落ちるイメージ 34 http://qiita.com/kenmatsu 4/items/d282054ddedbd68 fecb0 ↑降下していくイメージ動画 が大量に閲覧できます。
  35. 35. どうやって学習するの？ アルゴリズム的に。 35 学習の方法は無数にある。 ニューラルネットワーク サポートベクターマシン ランダムフォレスト その他 このスライドでは解説しきれないので、割愛します。
  36. 36. 言葉の整理  特徴量  識別・回帰などに使えるパラメータ  数値である必要がある  特徴ベクトル  特徴量を順番に格納したベクトル  学習データ  学習に使うデータ  教師データ  学習データに正解ラベルをつけたもの 36
  37. 37. 具体例として、電力需要を 予測してみよう 37
  38. 38. サンプルプログラムの動作環境  OS  Mac, Linux, Windows  プログラミング言語  Python 3  ライブラリ  numpy, scipy, scikit-learn 38
  39. 39. 環境構築方法 環境を作るのが面倒なら、Anacondaをインストールしよう†。 39 https://www.continuum.io/downloads †WindowsならAnacondaでOKですが、Macではhomebrew+pyenvで Pythonを入れることをお勧めします。
  40. 40. 環境構築方法 Windows向けAnacondaインストール解説動画もあります。 40 https://www.youtube.com/watch?v=7u6FYmhFtNQ ＊2017-07現在では絵が古いけど、雰囲気は同じです。（笑）
  41. 41. 用意したサンプルコード 41 アメダスデータをダウン ロードするスクリプト。 使いたい人が使う。 残りは需要電力を 予測するスクリプト
  42. 42. 用意したサンプルコード 42 過去23時間の実績 から次の1時間の需 要を予測する 過去24時間の実績か ら、3日後の需要を予 測する。特徴量に日 付成分も含めた。 さらに、特徴量 に気温を含めた
  43. 43. ファイルの入手  GitHubからダウンロード  https://github.com/KatsuhiroMorishita/power_prediction 43
  44. 44. power1のファイル構成 44 特徴ベクトルファイル。create_feature.pyが作成。 feature.csvから抽出した学習用データ。 教師データという。 feature.csvから抽出した検証用データ 電力需要の実績値 predict.pyが作成した、需要電力予測値 result_temp.csvを基に実績値と予測値を 取り出して説明力を確認しているファイル learning.pyを実行すると作成さ れる学習機のセーブデータ
  45. 45. power1のファイル構成 45 特徴ベクトルを作成する 教師データを学習する 学習成果であるentry_temp.pickleをロード して、feature_for_verify.csvに記載された特 徴ベクトルを使って電力需要を予測する。 コマンドプロンプトのショートカット
  46. 46. feature*.csvのフォーマット @power1 46 中略 予測対象時刻の直前の 需要電力実績23時間分 最後の列が 予測対象時刻の 需要電力実績
  47. 47. 47 「create_feature.pyのget_data_aday() 関数やfeature.csvを見ると特徴ベクトルの 要素数は24ではないか」と思ったら、鋭い。
  48. 48. 48 「create_feature.pyのget_data_aday() 関数やfeature.csvを見ると特徴ベクトルの 要素数は24ではないか」と思ったら、鋭い。
  49. 49. 49 「learning.py.pyやpredict.pyの read_training_data ()関数を見ると、なんと1列目 を読み飛ばしている。この用途に使う前に、1列目 に目視で確認できるように処理に使わない日付を入 れていた名残だ。つまり、バグなんだけど。 これはpower2以降は改善している。 ＊矢印の個所が0か未記入で1列目も使われる
  50. 50. power2の教師データファイ ルのフォーマット 50 中略 元旦から数えた 通週 曜日 日曜が0 予測対象時刻 目視確認用の列。 予測対象時刻が入る。 需要電力実績 予測対象日の3日前の 需要電力実績24時間分
  51. 51. 操作の順番 51 (1)日時毎の教師データを作る (2)教師データを学習用と、検証用に分ける (3)学習を実行 (4)検証
  52. 52. (1)日時毎の教師データを作る  コマンドプロンプトを起動  次のコマンドを入力して、エンターキーを押す  python create_feature.py 52
  53. 53. (2)教師データを学習用と、検 証用に分ける 53 検証用に2015年以降 のデータをコピペ 学習用に2014年以前 のデータをコピペ 2014年以前のデータで学習させ、2015 年以降のデータで学習成果を評価する。
  54. 54. (3)学習を実行  コマンドプロンプトを起動  次のコマンドを入力して、エンターキーを押す  python learning.py 54
  55. 55. (3)学習を実行  実行すると、以下様の文字列が出力される 55 赤枠中は、どの特徴量が最も影響力があったかを示 している。数値が大きいほど、重要である。
  56. 56. (3)学習を実行 power1の表示 56 直前の需要電力が最も重要との結果がでている。 まぁ、直感に反しない。
  57. 57. (3)学習を実行 power2の表示 57 なぜか、21時の需要実績が重要らしい。 どういうことだろうか・・・。 曜日と時刻が重要なのは直感に反しない。
  58. 58. (4)検証  コマンドプロンプトを起動  次のコマンドを入力して、エンターキーを押す  python predict.py 58
  59. 59. (4)検証  作成されたrexult_temp.csvを開く  実績と予測で散布図を描く  近似直線と式と決定係数（R2値）を表示 59
  60. 60. power1の結果  悪くない  特に需要が大 きい・小さい ときの精度が 高い  決定係数R2が 1.0に近いほど 良い 60
  61. 61. power2の結果  それほど悪くない  しかし、イマイチ感 61
  62. 62. power2の結果 折れ線グラフで見てみた。  一致性の高い時間と 悪い時間があるのか もしれない 62
  63. 63. 63 グレードアップしたい
  64. 64. 64 きっと、電力と気温の関係は深いだろう。 そうだ、気象庁のアメダスがある。 http://www.data.jma.go.jp/obd/stats/data/mdrr/tem_rct/index_mxtem.html?gazou=mxtemsady00s
  65. 65. アメダス観測点 65
  66. 66. 四国の人口密度 66 http://www.mlit.go.jp/kokudokeikaku/gis/land/compare/population/index-s.html
  67. 67. 67 気象台のデータだけでほぼほぼカバーできそうな気がする 徳島・松山・高知・高松 この４つをダウンロードする。
  68. 68. AMeDASのダウンロード  気象庁公式のダウンロードサービスがある  しかし、データ量制限がきつすぎる  自作のソフトでダウンロード＆解析する 68
  69. 69. AMeDASのダウンロード 69 （2）気象庁からHTMLをダウ ンロードするプログラム （４）パーサーが保存したテ キストを結合するプログラム （3）ダウンロードしたHTML ファイルを解析するプログラム （１）処理対象を記述 ＊（数字）は利用順
  70. 70. AMeDASのダウンロード  処理は大変なので、power2plusでは用意済み 70 松山の気象データ
  71. 71. 特徴ベクトルに気温を追加  create_feature.pyを変更 71 追加した
  72. 72. 特徴ベクトルに気温を追加  create_feature.pyを変更 72 追加箇所
  73. 73. power2plusの結果  良くなってない・・  太平洋側は意味な い？気温を参照して いる時間帯が悪い？ 73
  74. 74. 精度を高めるためには？  更に詳しく検討を進めると、祝日・お盆・正月・台風 などを考慮する必要が分かります。  また、大口需要家の1-10分毎のデータがないと精度は 出なさそうなこともわかります。  詳細な需要電力のデータは公開されていないので、お 試しの範囲ではこれが限界でしょうか。。。 74
  75. 75. 75
  76. 76. このスライドで省略したこと  このスライドでは、以下の項目を省略している  やってみて上手く行かなかったら勉強しよう  省略項目  正規化  手法間の差異  過学習  局所解  次元の呪い  最新の学習手法 76
  77. 77. 参考文献  Neural Network TensorFlow入門講座  https://drive.google.com/file/d/0B04ol8GVySUubjVsUDdXc0hla00/view  機械学習の最前線を俯瞰できます  ニューラルネットワークに関する解説もあります 77
  78. 78. 参考文献（動画）  CR10 Pythonとscikit-learnではじめる機械学習 (ja)  https://www.youtube.com/watch?v=yp6LIjcZgoQ  0319 WBS 機械学習が変える世界  https://www.youtube.com/watch?v=CthNhT5lQlo  人工知能：機械学習の視覚的理解  https://www.youtube.com/watch?v=RnJCvGAGqtk 78

×