Submit Search
Upload
AIと最適化の違いをうっかり聞いてしまう前に
•
Download as PPTX, PDF
•
0 likes
•
2,445 views
Monta Yashi
Follow
最近ちょっと聞くことが多い数理最適化。 エーアイとどう違うなかなと思った時にチラ見して3分でわかった気分になる資料
Read less
Read more
Education
Report
Share
Report
Share
1 of 8
Download now
Recommended
ブレインパッドにおける機械学習プロジェクトの進め方
ブレインパッドにおける機械学習プロジェクトの進め方
BrainPad Inc.
大規模言語モデルとChatGPT
大規模言語モデルとChatGPT
nlab_utokyo
失敗から学ぶ機械学習応用
失敗から学ぶ機械学習応用
Hiroyuki Masuda
ChatGPT 人間のフィードバックから強化学習した対話AI
ChatGPT 人間のフィードバックから強化学習した対話AI
Shota Imai
XAI (説明可能なAI) の必要性
XAI (説明可能なAI) の必要性
西岡 賢一郎
機械学習で泣かないためのコード設計 2018
機械学習で泣かないためのコード設計 2018
Takahiro Kubo
【DL輪読会】Toolformer: Language Models Can Teach Themselves to Use Tools
【DL輪読会】Toolformer: Language Models Can Teach Themselves to Use Tools
Deep Learning JP
バンディットアルゴリズム入門と実践
バンディットアルゴリズム入門と実践
智之 村上
Recommended
ブレインパッドにおける機械学習プロジェクトの進め方
ブレインパッドにおける機械学習プロジェクトの進め方
BrainPad Inc.
大規模言語モデルとChatGPT
大規模言語モデルとChatGPT
nlab_utokyo
失敗から学ぶ機械学習応用
失敗から学ぶ機械学習応用
Hiroyuki Masuda
ChatGPT 人間のフィードバックから強化学習した対話AI
ChatGPT 人間のフィードバックから強化学習した対話AI
Shota Imai
XAI (説明可能なAI) の必要性
XAI (説明可能なAI) の必要性
西岡 賢一郎
機械学習で泣かないためのコード設計 2018
機械学習で泣かないためのコード設計 2018
Takahiro Kubo
【DL輪読会】Toolformer: Language Models Can Teach Themselves to Use Tools
【DL輪読会】Toolformer: Language Models Can Teach Themselves to Use Tools
Deep Learning JP
バンディットアルゴリズム入門と実践
バンディットアルゴリズム入門と実践
智之 村上
最適化超入門
最適化超入門
Takami Sato
最適輸送の解き方
最適輸送の解き方
joisino
One Class SVMを用いた異常値検知
One Class SVMを用いた異常値検知
Yuto Mori
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門
hoxo_m
「機械学習:技術的負債の高利子クレジットカード」のまとめ
「機械学習:技術的負債の高利子クレジットカード」のまとめ
Recruit Technologies
【DL輪読会】ViT + Self Supervised Learningまとめ
【DL輪読会】ViT + Self Supervised Learningまとめ
Deep Learning JP
深層生成モデルと世界モデル(2020/11/20版)
深層生成モデルと世界モデル(2020/11/20版)
Masahiro Suzuki
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
Preferred Networks
chatGPTの驚くべき対話能力.pdf
chatGPTの驚くべき対話能力.pdf
YamashitaKatsushi
一般向けのDeep Learning
一般向けのDeep Learning
Preferred Networks
Ml system in_python
Ml system in_python
yusuke shibui
AIと最適化の違いをうっかり聞いてしまう前に v2
AIと最適化の違いをうっかり聞いてしまう前に v2
Monta Yashi
グラフニューラルネットワークとグラフ組合せ問題
グラフニューラルネットワークとグラフ組合せ問題
joisino
機械学習で泣かないためのコード設計
機械学習で泣かないためのコード設計
Takahiro Kubo
最新リリース:Optuna V3の全て - 2022/12/10 Optuna Meetup #2
最新リリース:Optuna V3の全て - 2022/12/10 Optuna Meetup #2
Preferred Networks
カルマンフィルタ入門
カルマンフィルタ入門
Yasunori Nihei
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
joisino
幾何と機械学習: A Short Intro
幾何と機械学習: A Short Intro
Ichigaku Takigawa
機械学習モデルの判断根拠の説明
機械学習モデルの判断根拠の説明
Satoshi Hara
Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料
Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料
Yusuke Uchida
Blender15
Blender15
Monta Yashi
13 blender+αの大発表会
13 blender+αの大発表会
Monta Yashi
More Related Content
What's hot
最適化超入門
最適化超入門
Takami Sato
最適輸送の解き方
最適輸送の解き方
joisino
One Class SVMを用いた異常値検知
One Class SVMを用いた異常値検知
Yuto Mori
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門
hoxo_m
「機械学習:技術的負債の高利子クレジットカード」のまとめ
「機械学習:技術的負債の高利子クレジットカード」のまとめ
Recruit Technologies
【DL輪読会】ViT + Self Supervised Learningまとめ
【DL輪読会】ViT + Self Supervised Learningまとめ
Deep Learning JP
深層生成モデルと世界モデル(2020/11/20版)
深層生成モデルと世界モデル(2020/11/20版)
Masahiro Suzuki
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
Preferred Networks
chatGPTの驚くべき対話能力.pdf
chatGPTの驚くべき対話能力.pdf
YamashitaKatsushi
一般向けのDeep Learning
一般向けのDeep Learning
Preferred Networks
Ml system in_python
Ml system in_python
yusuke shibui
AIと最適化の違いをうっかり聞いてしまう前に v2
AIと最適化の違いをうっかり聞いてしまう前に v2
Monta Yashi
グラフニューラルネットワークとグラフ組合せ問題
グラフニューラルネットワークとグラフ組合せ問題
joisino
機械学習で泣かないためのコード設計
機械学習で泣かないためのコード設計
Takahiro Kubo
最新リリース:Optuna V3の全て - 2022/12/10 Optuna Meetup #2
最新リリース:Optuna V3の全て - 2022/12/10 Optuna Meetup #2
Preferred Networks
カルマンフィルタ入門
カルマンフィルタ入門
Yasunori Nihei
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
joisino
幾何と機械学習: A Short Intro
幾何と機械学習: A Short Intro
Ichigaku Takigawa
機械学習モデルの判断根拠の説明
機械学習モデルの判断根拠の説明
Satoshi Hara
Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料
Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料
Yusuke Uchida
What's hot
(20)
最適化超入門
最適化超入門
最適輸送の解き方
最適輸送の解き方
One Class SVMを用いた異常値検知
One Class SVMを用いた異常値検知
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門
「機械学習:技術的負債の高利子クレジットカード」のまとめ
「機械学習:技術的負債の高利子クレジットカード」のまとめ
【DL輪読会】ViT + Self Supervised Learningまとめ
【DL輪読会】ViT + Self Supervised Learningまとめ
深層生成モデルと世界モデル(2020/11/20版)
深層生成モデルと世界モデル(2020/11/20版)
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
chatGPTの驚くべき対話能力.pdf
chatGPTの驚くべき対話能力.pdf
一般向けのDeep Learning
一般向けのDeep Learning
Ml system in_python
Ml system in_python
AIと最適化の違いをうっかり聞いてしまう前に v2
AIと最適化の違いをうっかり聞いてしまう前に v2
グラフニューラルネットワークとグラフ組合せ問題
グラフニューラルネットワークとグラフ組合せ問題
機械学習で泣かないためのコード設計
機械学習で泣かないためのコード設計
最新リリース:Optuna V3の全て - 2022/12/10 Optuna Meetup #2
最新リリース:Optuna V3の全て - 2022/12/10 Optuna Meetup #2
カルマンフィルタ入門
カルマンフィルタ入門
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
幾何と機械学習: A Short Intro
幾何と機械学習: A Short Intro
機械学習モデルの判断根拠の説明
機械学習モデルの判断根拠の説明
Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料
Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料
More from Monta Yashi
Blender15
Blender15
Monta Yashi
13 blender+αの大発表会
13 blender+αの大発表会
Monta Yashi
Blender x docker(簡単分散環境構築)
Blender x docker(簡単分散環境構築)
Monta Yashi
04 これが(多分)最後! ベンチマークs
04 これが(多分)最後! ベンチマークs
Monta Yashi
お見合いで趣味を聞かれたときに 「IoTとビッグデータを少々」と答えたいSEが読む資料
お見合いで趣味を聞かれたときに 「IoTとビッグデータを少々」と答えたいSEが読む資料
Monta Yashi
blenderとunreal engine4
blenderとunreal engine4
Monta Yashi
More photorealistic!
More photorealistic!
Monta Yashi
大人の分散レンダリング
大人の分散レンダリング
Monta Yashi
Rデータ入力編
Rデータ入力編
Monta Yashi
ベイズ統計学
ベイズ統計学
Monta Yashi
R高速化
R高速化
Monta Yashi
More from Monta Yashi
(11)
Blender15
Blender15
13 blender+αの大発表会
13 blender+αの大発表会
Blender x docker(簡単分散環境構築)
Blender x docker(簡単分散環境構築)
04 これが(多分)最後! ベンチマークs
04 これが(多分)最後! ベンチマークs
お見合いで趣味を聞かれたときに 「IoTとビッグデータを少々」と答えたいSEが読む資料
お見合いで趣味を聞かれたときに 「IoTとビッグデータを少々」と答えたいSEが読む資料
blenderとunreal engine4
blenderとunreal engine4
More photorealistic!
More photorealistic!
大人の分散レンダリング
大人の分散レンダリング
Rデータ入力編
Rデータ入力編
ベイズ統計学
ベイズ統計学
R高速化
R高速化
Recently uploaded
TokyoTechGraduateExaminationPresentation
TokyoTechGraduateExaminationPresentation
YukiTerazawa
TEAMIN Service overview for customer_20240422.pdf
TEAMIN Service overview for customer_20240422.pdf
yukisuga3
ゲーム理論 BASIC 演習105 -n人囚人のジレンマモデル- #ゲーム理論 #gametheory #数学
ゲーム理論 BASIC 演習105 -n人囚人のジレンマモデル- #ゲーム理論 #gametheory #数学
ssusere0a682
UniProject Workshop Make a Discord Bot with JavaScript
UniProject Workshop Make a Discord Bot with JavaScript
yuitoakatsukijp
The_Five_Books_Overview_Presentation_2024
The_Five_Books_Overview_Presentation_2024
koheioishi1
東京工業大学 環境・社会理工学院 建築学系 大学院入学入試・進学説明会2024_v2
東京工業大学 環境・社会理工学院 建築学系 大学院入学入試・進学説明会2024_v2
Tokyo Institute of Technology
Recently uploaded
(6)
TokyoTechGraduateExaminationPresentation
TokyoTechGraduateExaminationPresentation
TEAMIN Service overview for customer_20240422.pdf
TEAMIN Service overview for customer_20240422.pdf
ゲーム理論 BASIC 演習105 -n人囚人のジレンマモデル- #ゲーム理論 #gametheory #数学
ゲーム理論 BASIC 演習105 -n人囚人のジレンマモデル- #ゲーム理論 #gametheory #数学
UniProject Workshop Make a Discord Bot with JavaScript
UniProject Workshop Make a Discord Bot with JavaScript
The_Five_Books_Overview_Presentation_2024
The_Five_Books_Overview_Presentation_2024
東京工業大学 環境・社会理工学院 建築学系 大学院入学入試・進学説明会2024_v2
東京工業大学 環境・社会理工学院 建築学系 大学院入学入試・進学説明会2024_v2
AIと最適化の違いをうっかり聞いてしまう前に
1.
AIと最適化の違いを うっかり 聞いてしまう前に
2.
最適化の話をしたときに出る質問 Top3 Q「AIと最適化何が違うんですか?」 Q「AIと最適化何が違うんですか?」 Q「AIと最適化何が違うんですか?」 ほぼ100%聞かれます。
3.
とりあえず、お茶を濁す解答Top3 A「コンピュータが人の代わりに最高の答えを見つけてくれるという意 味ではAI(人工知能)の一つと考えられますね!」 A「AIは大量のデータがないと使えませんが、最適化はルールが分か っていれば使えます」 A「業務的な観点から述べると、AIは今後どのようになるかという予 測に用いられ、最適化はその後のどのように手を打つかに用いられま す」 … もう勘弁してくれ。AIって何か知ってて聞いてるのか?? …
4.
AIや最適化の出番 AIや最適化をコンピュータで行う以上、対象はデータです。 データ源 ・デバイス(IoT/携帯) ・センサー ・キーボード入力 ・カメラ ・ネットワーク : データ収集/ETL ・Apache Kafka ・Apache Storm ・Apache
NiFi ・AmazonKinesis ・Logstat etc データ蓄積/集計 ・分散DB、NoSQL (Bigtable、Hive) ・RDB ・分散ストレージ (HDFS他) 高度な分析 ・AI 計画、対策 ・最適化 出力(ディスプレイ、プリンタ、IoTデバイス、ロボット、パワーポイント...) では、データってどう処理されているの?
5.
分析の種類 Descriptive Analytics 記述的分析 過去から現在、 どうだった Diagnostic Analytics 診断的分析 過去から現在、 何が起こった Predictive
Analytics 予測的分析 現在から未来、 どうなる Prescriptive Analytics 処方的分析 今とるべき アクション
6.
AI(えーあい)って? AI自体がくそ曖昧で広い範囲を指す。ほとんどの人はAIが何かわかっていない。 AI ルールベース 機械学習 教師あり学習 ・ディープラーニング 教師なし学習 ・クラスタリング ・GAN ・主成分分析 ・アソシエーション分析 強化学習 必要なデータ量 多 小 ルール(モデル)の明瞭さ 不明瞭 明瞭 (なんか賢いプログラム)
7.
最終的な解答としては AIという定義は曖昧であり、非常に広義のテクノロジーを含んでいます。AI自体が前に記載した様々なタ イプがあります。 そのため、データが大量にいる、事前にルールがわからないもの、わかるものなど様々ありますし、ク ラスタリング等 実は最適化と同義のものも含んでいます。 予測分析のモデル生成は「あるモデルに基づいた出力誤差の最小化」ととらえることができ、最適化を 内包しています。 なので、AIの一つ一つのテクノロジーと最適化についての議論はできますが、あいまいな”AI”との比較は できません。 A「AIは大量のデータがないと使えませんが、最適化はルールが分 かっていれば使えます」 を嚙み砕いて…
8.
参考 https://www.soumu.go.jp/ict_skill/pdf/ict_skill_3_5.pdf
Download now