AIについて知りたい社会人向けの資料です。 機械学習を中心とした分野を解説しています。

1.  「AI(Artificial Intelligence)」学習教材
①機械学習を中心としたAI の概要
②機械学習入門 (さらに学習するための道しるべ)
 柳澤 明彦
2017/04

2. ①機械学習を中心としたAI の概要
②機械学習入門 (さらに学習するための道しるべ)

3. 22
 AIブームの状況
今が流行のピーク
 AIブームの背景
 AIが凄いことをした！
AlphaGoが人間に勝利、Googleが
Youtubeから猫を発見
 AIが身近になった！
ECのレコメンドシステム、チャットボット(Siri、り
んな)が日常的に使われている
 AIの脅威
日本の労働人口の49％が人工知能やロボッ
ト等で代替可能に
 AI関連のニュース
 IT系ニュースサイトで「AI」が一番多く取り上
げられている。
 キワドリ｜キーワード一覧 (過去90日間)
○日本の労働人口の49％が人工知能やロボット等で代替可能に | 野村総合研究所(NRI)
https://www.nri.com/jp/news/2015/151202_1.aspx
○キワドリ｜キーワード一覧 (過去90日間) - ワードクラウド
http://www.kiwadori.com/freq_wc.php?genre=IT&past=90
AIは過熱気味に取
り上げられている

4. 33
 AIブームの状況
今後AIブームは下火になる
 今後の予測
 ハイプ・サイクルの法則により、今後はAIブームが下火になる
 流行りや期待の反動で、AIへの失望やAI無能論がでるかも
○ガートナー | プレス・リリース |ガートナー、「日本におけるテクノロジのハイプ・サイクル：2016年」を発表
https://www.gartner.co.jp/press/html/pr20161005-01.html
期待度
時間

5. 44
 AIブームの状況
AIの技術は粛々と世の中を変えていく
 今後の発展
 チャットボット(言語処理)はこれからが本番
○詳説 人工知能 - ディープラーニングの仕組みと応用：ITpro
http://itpro.nikkeibp.co.jp/atcl/column/17/011600006/011600002/

6. 55
高度 軽度
汎
用
強いAI：
ドラえもん、ターミネーター
、鉄腕アトム、HAL
RPA(Robotic Process
Automation)
専
門
弱いAI：
機械学習
単なるアプリケーション
 AIの定義例
アルゴリズムの[高度/軽度] × 処理の[汎用/専用] で分類

7. 66
高度 軽度
汎
用
強いAI：
ドラえもん、ターミネーター
、鉄腕アトム、HAL
RPA(Robotic Process
Automation)
専
門
弱いAI：
機械学習
単なるアプリケーション
 AIの定義例
現在、活発なのは、「高度×専用」＝「弱いAI：機械学習」の分野
今、活発なの
はこの分野
妄想が広がっ
ているのが、こ
の分野
AIの領域 AIと呼ぶか怪しいものもある
注目！

8. 77
 AIの近接ジャンル
AI(特に機械学習)は定義が曖昧、近接するジャンルと理論が重なることが多い
ビッグデータ、
データサイエンス
AI
(特に機械学習)
統計、OR
用語の流行り廃りがあ
るが、同じ内容のことが
言われていることもある。

9. 88
 機械学習の概要
モデルとデータセットでプログラムが作成され、未知のデータから予測ができるようになる
 機械学習の動き
 学習：モデルを設計し、データを投入することで学習をさせる
 予測：学習したモデルを使い、未知のデータから予測を行う
データを投入して学習
賢くなる
答え(予測)が出
せるようになる
データを投入

10. 99
 従来型のプログラムと機械学習の違い
必要なスキルセットがまるで異なる
 従来型のプログラム
 中身を理解して、処理手順を
設計する(if… then… else…)
 中身やロジックを理解しなければ
プログラムができない
似てるけど
全然違う
 機械学習
 モデルを設計し、学習データを
投入し、精度をチェックする
 中身やロジックを知らなくても問
題ない

11. 1010
 機械学習の分類
教師あり / 教師なし が大きな分類
 教師あり機械学習(Supervised
machine learning)
 ラベル(正解)付きデータを用いて
学習
 教師なし機械学習(Unsupervised
machine learning)
 ラベル(正解)なしデータを用いて
学習
半教師あり学習(Semi-supervised machine learning)
強化学習(Reinforcement learning)
その他

12. 1111
これは何？
これは何？
 学習
 教師あり機械学習(Supervised machine learning)の例
猫・犬の写真から学習し、猫・犬を判別する
猫
猫
猫
猫
犬
犬
犬
犬
ラベル付き学習データ
学習
 予測
猫！
犬？

13. 1212
 教師なし機械学習(Unsupervised machine learning)の例
特徴を捉えて分類する
 予測
グループA グループB
 学習
ラベルなし学習データ
学習
似てるもので
分ける！
グループC

14. 1313
 AI関連のキーワード
機械学習の用語解説
AI
Artificial Intelligence
機械学習
Machine learning
ニューラルネットワーク
Neural Network
深層学習
Deep learning
機械学習の一種で、人間の
脳の神経組織を模したアル
ゴリズムである。理論自体の
歴史は古く、1943年にさか
のぼる。近年になって急速に
注目されるようになった。
ニューラルネットワークのうち、階
層が多いものを深層学習と呼ぶ。
ハードの発展により、多層の
ニューラルネットワークが計算可
能になった。また、CNN(畳み込
みニューラルネットワーク)を使うこ
とで画像分析の精度を飛躍的
に向上させた。AIのジャンルの一種であり、
ニューラルネットワークの他、
回帰、SVM、K近傍法、
主成分分析(PCA)、協調
フィルタリングなど様々なア
ルゴリズムがある。データサ
イエンスの理論と重複する
ものも多くある。

15. 1414
 Neural Networkの例
手書き数字を認識するアルゴリズムの場合
 AI関連のキーワード
ニューラルネットワーク(Neural Network)
0
1
２
３
：
9
• ラベル付き手書き数字
データを投入
• 入力層の1ユニットが画像
の1ピクセルに該当する
1465
中間層入力層 出力層
0～9それぞ
れの確率が
出る(最大値
で判定する)
• 中間層の層数が多いとDeep
learningと呼ばれる
• CNN(Convolutional Neural
Network)を使うと画像認識の精度
が上がる
○はユニット

16. 1515
 AI関連のキーワード
ニューラルネットワーク(Neural Network)
 各ユニットの動き
 各ユニットが接続するところで、パラメータ(θ)を使った計算が行われる
 ユニットの中では活性化関数を使って値が計算される
活性化関数の例：ReLU、Sigmoid
 パラメータ(θ)の最適値を求めるのがNeural Networkの学習で行われること
𝑎1
𝑎2
𝜃1
𝜃2
𝑧 → 𝑎
活性化関数
次の層のユニットへ
𝑧 = 𝜃0 + 𝜃1 𝑎1 + 𝜃2 𝑎2
𝑎 = 𝑓(𝑧)
𝜃0

17. 1616
 AI関連のキーワード
サービスやツール
 サービス
 IBM｜WATSON
機械学習の技術を使ったサービス
 IBMはWATSONをAIではなくコグニティブコン
ピューティングと定義
 Apple｜Siri
iOSやMacに搭載されている音声アシスタント
 Amazon｜Alexa
音声アシスタント製品のAmazon Echoで使わ
れている音声認識技術
 Microsoft｜Azure Machine Learning
Azure内に機械学習の実行環境やライブラリが
提供されている

18. 1717
 AI関連のキーワード
サービスやツール
 ツール
 NVIDIA｜GPU
グラフィックボードがディープラーニングの計算に活
用されている
 GPUはCPUよりも単純計算を大量に処理
することが得意
 開発言語｜Python
機械学習のライブラリが充実しており、機械学
習のプログラム言語としてはPython一択
 各種ライブラリ
GoogleのTensorFlow、Chainer(国産)、Caffe、
Scikit-learnが有名(Pythonにimportして利用
する)

19. 1818
 AIに関する情報収集
 AIに関する情報収集
(自分が作ったサービスですが・・・)キワドリがお
すすめ
 キワドリ｜記事リンク (過去90日間)
http://www.kiwadori.com/links.php?
genre=IT&keyword[]=AI&past=90
 仕組み
 情報のソース
ITpro、ITmedia、TechCrunch など、
約30のIT系ニュースサイト
 ニュースの分析
ニュースのタイトルをテキストマイニン
グして、キーワードごとにランキングし
ている

20. ①機械学習を中心としたAI の概要
②機械学習入門 (さらに学習するための道しるべ)

21. 2020
 機械学習を学ぶための前提知識
線形代数と英語
 数学
一般的に大学レベルの数学が必要とされているが、
線形代数に絞って勉強すれば、ある程度行ける
 機械学習系のアルゴリズムは行列、ベクトルがよ
く使われるので線形代数の知識が必須となる
 微分もよく使われるが、理解していなくても学習
する上ではあまり支障はない
 英語
 後に紹介する教材(coursera)がアメリカの大学
の授業なので、英語はある程度できるとよい
 機械学習のライブラリの説明など、日本語化さ
れていないものも多くある。機械翻訳が使えるが、
多少は英語ができると効率的に学習できる

22. 2121
 学習の過程例
 Udemy → OREILLY本 → Cousera Machine Learning
○オンラインコース - いつでも、どこでも | Udemy
https://www.udemy.com/courses/search/?q=%E6%A9%9F%E6%A2%B0%E5%AD%A6%E7%BF%92&src=ukw
○ゼロから作るDeep Learning ―Pythonで学ぶディープラーニングの理論と実装 | 斎藤 康毅 |本 | 通販 | Amazon
https://www.amazon.co.jp/dp/4873117585/
○Machine Learning | Coursera
https://www.coursera.org/learn/machine-learning/home/welcome
ここが理解できると
多くの文献が理解
できるようになる
もくもく会(プログラミ
ングの自習の集い)
の定番
1200円セールのと
きに登録しまくる
機械学習系コンテンツが5つあり

23. 2222
 Udemyで扱っている講座
③がおすすめ
 難易度順
① アプリケーション開発者のための機械学習実践講座 | Udemy
https://www.udemy.com/ml_for_app_developers/learn/v4/content
 プログラミングはほぼ写経だが、プログラミングの構成が役立ちそう
 機械学習の一般論が丁寧に解説されている
② みんなのAI講座 ゼロからPythonで学ぶ人工知能と機械学習 | Udemy
https://www.udemy.com/learning-ai/learn/v4/content
 前提知識がなくてもOK
 講師がもくもく会を主催しているのも魅力(受講者にお誘いが来る)
③ 【世界で2万人が受講】実践 Python データサイエンス | Udemy
https://www.udemy.com/python-jp/learn/v4/content
 Scikit-learn中心で、タイタニック号のデータを使ったりして面白い
 主要なライブラリ(anaconda、jupyter notebook、matplotlib、numpy、pandas、Web
スクレイピング各種)が網羅的に学べる
④ 【3日で体験】 TensorFlow x Python 3 で学ぶディープラーニング入門 | Udemy
https://www.udemy.com/tensorflow/learn/v4/overview
 TensorFloyのチュートリアルを解説(英語OKならGoogle本家で充分)
⑤ Pythonで機械学習：scikit-learnで学ぶ識別入門 | Udemy
https://www.udemy.com/python-scikit-learn/learn/v4/overview
 大学の講師なので、教え方が難解

24. 2323
 OREILLY本
 Amazonでの評価が驚くほど高い！
 (まだ途中だけど)説明の腹落ち感がすごい！
 パーセプトロン、Neural Network、Convolutional Neural Networkを自
作する(あとは、Deepeningのエッセイ的な内容)

25. 2424
 役に立ったサイト
 「高卒でもわかる機械学習」は秀逸
 ○高卒でもわかる機械学習 (0) 前置き | 頭の中に思い浮かべた時には
http://hokuts.com/2015/11/24/ml0/
 ○高卒でもわかる機械学習 (1) 識別関数の前知識 | 頭の中に思い浮かべた時には
http://hokuts.com/2015/11/24/ml1_func/
 ○高卒でもわかる機械学習 (2) 単純パーセプトロン | 頭の中に思い浮かべた時には
http://hokuts.com/2015/11/25/ml2_perceptron/
 ○高卒でもわかる機械学習 (3) 多層パーセプトロン | 頭の中に思い浮かべた時には
http://hokuts.com/2015/12/04/ml3-mlp/
 ◯高卒でもわかる機械学習 (4) 誤差逆伝播法の前置き | 頭の中に思い浮かべた時には
http://hokuts.com/2016/05/27/pre-bp/
 ◯高卒でもわかる機械学習 (5) 誤差逆伝播法 その1 | 頭の中に思い浮かべた時には
http://hokuts.com/2016/05/29/bp1/
 ○高卒でもわかる機械学習 (6) 誤差逆伝播法 その2 | 頭の中に思い浮かべた時には
http://hokuts.com/2016/10/09/bp2/
 ○高卒でもわかる機械学習 (7) 畳み込みニューラルネット その1 | 頭の中に思い浮かべた時には
http://hokuts.com/2016/12/13/cnn1/
 CNNはこの説明が分かりやすかった
 ○畳み込みニューラルネットワークの仕組み | コンピュータサイエンス | POSTD
http://postd.cc/how-do-convolutional-neural-networks-work/

26. 2525
 Coursera「Machine Learning」のサマリー
貴重な講義が無料で！
 ここがすごい！
 学校がすごい！
Stanford大学の講義
 先生がすごい！
AIブームの火付け役となった、猫の画像解析をGoogleと一緒に行った人
○Official Google Blog: Using large-scale brain simulations for
machine learning and A.I.
https://googleblog.blogspot.jp/2012/06/using-large-scale-brain-
simulations-for.html
→ Posted by Jeff Dean, Google Fellow and Andrew Ng, Visiting
Faculty

27. 2626
 Coursera「Machine Learning」のサマリー
わかりやすい、そしてテーマ選びが的確
 わかりやすい
 教え方の順番が秀逸
1. 直感的に理解する(2次元とかのデータで視覚的にアルゴリズムを理解)
2. 原則を示す(数式など)
3. プログラムでの実装方法を示す
4. 多くの人が陥る、勘違いを正す
 テーマ選び
 教師あり学習(Supervised Learning)
 Linear Regression
 Logistic Regression
 Neural Network
 Support Vector Machines(SVM)
 教師なし学習(Unsupervised Learning)
 K-Means Algorithm
 Principal Component Analysis Algorithm
 Anomaly Detection
 Recommender Systems(Collaborative) filtering)
CNNがないのが
ちょっと残念
今まで、理解でき
なかったものが理解
できた！

28. 2727
以上です
お疲れ様でした！