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.

2

Share

Download to read offline

Machine learning

Download to read offline

NagoyaGeekBar

Related Books

Free with a 30 day trial from Scribd

See all

Related Audiobooks

Free with a 30 day trial from Scribd

See all

Machine learning

  1. 1. @miyabiarts名古屋Geek Bar
  2. 2.  人間は過去の経験から学習し、知識を得る 経験 知識 学習 2
  3. 3.  大量のデータから共通する特徴を見つけ出す 物事の隠れた法則(ルール)を見つける データ ルール 3
  4. 4.  レコメンドサービス「この本を買った人は、こんな本も買っています!」 4
  5. 5.  レコメンドサービス 購買ユーザユーザごとの情報をデータベース化 一緒に買った本 購買履歴 本を購入本ごとの情報をデータベース化 レコメンド 一緒に買われた本 5
  6. 6.  スパムメール判定 沢山のユーザ 通常のメール スパム メールリスト 通常のメール hello, Mr. Tanaka. hello, money Today meeting… business gamble book sexyタグ付け スパムメール 学習 You get money! I am sexy girl. データベース 6
  7. 7.  スパムメール判定 通常のメール スパム フィルタリング 受信メール hello, moneyYou get money! business gamble スパム I am sexy girl. book sexy データベース 7
  8. 8.  手書き文字認識 筆跡は様々 文字ごとのバリエーションを学習 6 8
  9. 9.  TwitterBOT 今日は晴れです 今日は晴れでした ユーザの発言 明日は晴れです 今日は雨でした 今日は 明日は 雨 晴れ 明日は晴れでした でした です 9
  10. 10.  その他、様々な場面で利用される  Web検索  DNAの解析  画像理解  ゲーム(人工知能)  コンピュータウィルスの検出  自律ロボット 10
  11. 11.  自然言語処理を中心に最近数年で急速に普及 まともに利用され始めたのは最近10年間  歴史自体は50年以上 流行の要因  データ量の爆発  計算機の高速化  ネットワークの高速化 11
  12. 12.  大量のデータからモデルを学習 データ 学習 モデル •モデルとは? 12
  13. 13.  正体は関数 y f (x) 出力 入力 問題に適したモデルを設定 例 2 y x x 1 モデルが複雑なほど、 y 2 表現力が高い x 13
  14. 14.  モデルはパラメータを持つ y f (x; θ) パラメータ 例えば、モデルを次のようにおくと 2 y ax bx c パラメータは θ (a, b, c) パラメータが多いほど、 モデルの表現力が高い 14
  15. 15.  モデルが持つパラメータの値を決定 2 モデル: y ax bx c パラメータ: θ (a, b, c) 学習 データ複雑なモデル、多くのパラメータを持つほど 多数の学習データが必要 計算時間が増大 過学習が起こる 15
  16. 16.  大量のデータからモデルを学習 データ 学習 モデル •モデルとは? •モデルを何に使うか? 16
  17. 17. 1. クラスタリング2. 識別・回帰3. 生成・予測 入力データ 1.クラスタリング データ 2.識別・回帰 学習 モデル 新データ 3.生成・予測 17
  18. 18. 1. クラスタリング2. 識別・回帰3. 生成・予測 1.クラスタリング データ 学習 モデル 18
  19. 19.  元データを同じグループ(クラスタ)に分ける本日、議会は新たなる法案 本日、議会は新たなる法案を通すとともに... を通すとともに...6回裏、バッターは一度も 議会は、今後も継続して問バットを振ることなく... 題に... モデル議会は、今後も継続して問題に... 6回裏、バッターは一度も バットを振ることなく...9回裏、2アウトから逆転の 9回裏、2アウトから逆転のホームランを放ち... ホームランを放ち... 19
  20. 20. 1. クラスタリング2. 識別・回帰3. 生成・予測 入力データ 1.クラスタリング データ 2.識別・回帰 学習 モデル 20
  21. 21. データ 入力データ 学習 識別・回帰モデル 21
  22. 22.  ラベルを付けて学習 政治 3回表、ピッチャーは早く 本日、議会は新たなる法案 もマウンドを降り、 を通すとともに... 議会は、今後も継続して問 題に... モデル スポーツ スポーツ 6回裏、バッターは一度も バットを振ることなく... 9回裏、2アウトから逆転の ホームランを放ち... 22
  23. 23. 1. クラスタリング2. 識別・回帰3. 生成・予測 データ 学習 モデル 新データ 3.生成・予測 23
  24. 24.  じゃんけん  予測問題:次に出す手を予測  人工知能:次に出す手を生成相手(自分)が出した順番 グー 次に出す手 グー パー パー モデル グー 学習 予測 or 生成 グー 24
  25. 25.  機械学習とは 機械学習の適用例 モデルとパラメータ、学習 機械学習のフレームワーク 理論的なことは、今回は省略 25
  26. 26.  確率 統計 計算論的学習理論 情報理論 パターン認識 データマイニング 並列計算 26
  27. 27.  理論寄り 27
  28. 28.  実践向き  Webサービスの様々なデータを解析  Pythonコードが充実 28
  29. 29.  自然言語処理分野への応用が最盛期  テキスト検索  文章のジャンル分類  トレンド解析  日本語入力支援 次は画像への応用の時代? 29
  • satoshibfujimoto

    Dec. 26, 2014
  • naltoma

    Oct. 29, 2014

NagoyaGeekBar

Views

Total views

1,180

On Slideshare

0

From embeds

0

Number of embeds

0

Actions

Downloads

10

Shares

0

Comments

0

Likes

2

×