Skip to main content More Related Content
PDF
PDF
PDF
明治大学講演資料「機械学習と自動ハイパーパラメタ最適化」 佐野正太郎 PDF
PDF
PDF
SSII2020TS: 機械学習モデルの判断根拠の説明 〜 Explainable AI 研究の近年の展開 〜 PDF
【論文調査】XAI技術の効能を ユーザ実験で評価する研究 PPTX
数理最適化と機械学習の融合アプローチ-分類と新しい枠組み- What's hot
PPTX
PDF
Attentionの基礎からTransformerの入門まで PDF
PDF
PDF
PPTX
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat... PDF
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法 PPTX
PDF
機械学習チュートリアル@Jubatus Casual Talks PDF
PDF
PDF
PDF
PPTX
PPTX
機械学習 / Deep Learning 大全 (1) 機械学習基礎編 PPTX
[DL輪読会]Set Transformer: A Framework for Attention-based Permutation-Invariant... PDF
[DL輪読会]Learning to Simulate Complex Physics with Graph Networks PDF
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会 PDF
PPTX
Curriculum Learning (関東CV勉強会) Similar to 機械学習 入門
PDF
Hands on-ml section1-1st-half-20210317 PPTX
PPTX
PDF
Jubatusにおける大規模分散オンライン機械学習 PPTX
PPTX
数理最適化と機械学習の融合アプローチ-分類と新しい枠組み-(改訂版) PDF
PPTX
2020/11/19 Global AI on Tour - Toyama プログラマーのための機械学習入門 PDF
レコメンドアルゴリズムの基本と周辺知識と実装方法 PPTX
0610 TECH & BRIDGE MEETING PPTX
PDF
PPTX
PDF
PPTX
Machine Learning Fundamentals IEEE PPTX
PDF
PDF
PDF
PDF
機械学習 入門
- 1.
- 2.
自己紹介
• 名前:真木勇人 まきはやと(twitter:@mkhyt)
• 所属:奈良先端科学技術大学院大学 (NAIST)
▸ 情報科学研究科 D1 知能コミュニケーション研究室
• 専門
▸ 信号処理、機械学習
▸ 研究テーマ:機械学習を利用した脳情報の分解・解読
0 200 400 600 800
−20
0
20
40
0 200 400 600 800
−10
0
10
Amplitude[µV]Amplitude[µV]
0 0.2 0.4 0.6 0.8
-10
0
10
0
20
-20
40
N1
P2
N2
P3
Target
Non-targ
(a)
(b)
- 3.
- 4.
- 5.
- 6.
- 7.
- 8.
- 9.
- 10.
人手でルールを決めてみよう
• 過去のデータを眺めてみる(架空のデータ)
外気温(℃) 内気温(℃)外湿度(%) 内湿度(%) 季節 害虫発生
data1 33.5 37.1 70.2 72.4 0 1
data2 35.4 41.5 53.2 55.8 0 0
data3 31.8 35.4 63.3 62.0 0 1
data4 24.7 28.0 68.9 70.0 0 0
data5 10.6 25.2 61.1 63.8 1 1
data6 5.1 22.1 44.5 52.9 1 0
data7 6.3 20.4 70.7 75.3 1 0
data8 12,5 23.6 62.7 77.9 1 1
夏=0, 冬=1 なし=0, あり=1
「内気温が30℃以上」ならアラート?
「夏かつ内気温30℃以上」または「冬かつ内気温25℃以上」ならアラート??
「夏かつ内気温30℃以上かつ内湿度60%以上」または「冬かつ内気温25℃以
上かつ内湿度%60以上」ならアラート???
- 11.
- 12.
- 13.
教師あり学習
• トレーニングデータ(過去のデータ)使って、関数 f(予測モデル)
を推定する問題(関数近似問題)
• トレーニングデータ: 特徴ベクトルと正解ラベルの事例セット
xを入力して、yを予測する
x = (x1, x2) = (気温, 湿度) y = 害虫発生あり or 発生なし,
Day1 x = (30, 70) y = あり
Day2 x = (24, 65) y = なし
・
・
・
・
・
・
・
・
・
- 14.
- 15.
- 16.
- 17.
- 18.
- 19.
- 20.
- 21.
- 22.
- 23.
- 24.
- 25.
- 26.
- 27.
- 28.
- 29.
- 30.
- 31.
- 32.
- 33.
- 34.
- 35.
- 36.
- 37.
- 38.
- 39.
- 40.
- 41.
- 42.
参考文献
• 比戸 他,データサイエンティスト養成読本 機械学習入門編, 技術評
論社
• 河本, 会社を変える分析の力, 講談社
• 杉山, イラストで学ぶ機械学習 最小二乗法による識別モデル学習を
中心に, 講談社
• Bishop, Pattern Recognition and Machine Learning, Springer
• 高村, 自然言語処理のための機械学習入門, コロナ社
- 43.
- 44.
- 45.
- 46.
データに含まれる情報
•Pclass: 搭乗者のクラス (1st,2nd, 3rd)
•Name, Sex, Age, Fare(料金)
•SlibSp: 同乗した兄弟または配偶者の数
•Parch: 同乗した親または子供の数
•Ticket: チケット番号
•Cabin: 客室
•Embarked: 出発港 (Cherbourg, Queenstown,
Southampton)
- 47.
Pythonライブラリ
• numpy, scipy:数値計算ライブラリ
• pandas: データ解析ライブラリ
• scikit-learn: 機械学習ライブラリ
• matplolib: グラフ描写ライブラリ
• IPython: 対話型シェル
• 1つずつ入れるとめんどいので、Anacondaおすすめ
• Kaggleのサイト上でも動かすことができる
- 48.
- 49.