Download to read offline
Machine Learning15 9月ニュース記事紹介
- 1.
- 2. 自己紹介 亀田 重幸 ディップ株式会社 次世代事業準備室 dipAI.Lab マネジャー、AINOW編集長 遺伝子組換えStreptomyces属放線菌による有用物質生産の研究 社会人1年目はPHP、Perlのプログラマー 新規事業を学び、新サービスを出しては失敗しまくる（約30個/年以上…） バイトルのインフラエンジニアを3年くらい AIビジネスのプロダクトオーナー （ビジネス×AIでイノベーションを起こしたい！）
- 3.
- 4.
- 5.
- 6.
- 9.
- 10.
- 11.
- 14.
- 15.
- 16.
- 17.
- 18.
- 19.
- 20.
- 21.
- 22. 演繹法 帰納法 アブダクション 結論 → 理由→ 事象 事象 → 事象 → 結論 現象 → 事象 → 仮説
- 23. 演繹法 帰納法 アブダクション 結論 → 理由→ 事象 事象 → 事象 → 結論 現象 → 事象 → 仮説
- 24.
- 25.
- 26. データサイエンス系プロジェクトのステップの例 1. 課題/やりたいことを特定する 2. 業務や人間の勘に基づき仮説をだす 3.必要な特徴量を定める 4. 試す分析手法を定める 5. データを分析できる形にする（前処理） 6. データサイエンスの視点で特徴量をいじる 7. モデルを構築する 8. モデルの精度を確認する 9. モデルや結果を適応する 10. 定期的にメンテナンスを行う 期待する精度が 出なかったら2〜3 に戻る
- 27.
- 28. 実際にプロジェクトで失敗した話 予測したい事象 仮説① A 仮説①B 仮説① C データ収集 データ収集 ユーザ利用価値 分析 仮説② 仮説③
- 29. 実際にプロジェクトで失敗した話 予測したい事象 仮説① A 仮説①B 仮説① C データ収集 データ収集 ユーザ利用価値 分析 仮説② 仮説③
- 30. 実際にプロジェクトで失敗した話 予測したい事象 仮説① A 仮説①B 仮説① C データ収集 データ収集 ユーザ利用価値 仮説② 仮説③・ユーザに最終アウトプットを見せて検証ゴール ・データ収集で失敗して2週間 ・分析まで行ったが精度が出ず1ヶ月 そもそも分析しなくても結果がわかった 仮説2、3の可能性も残っているので時間を掛けすぎた
- 31.
- 32.
- 33. 2. 仮説を選ぶ際の4つの基準 【アブダクション―仮説と発見の論理】より抜粋 1. もっともらしさ（plausibility）：最も理にかなった説明を与えるもの。 2.検証可能性（verifiability)：仮説は実験的に検証可能でなくてはならない。 3. 単純性（simplicity）：より単純な仮説を選ばなくてはならない。 4. 経済性（economy)：費用や時間が節約できる仮説を選ばなくてはならない。
- 34.
- 35.
- 36.
- 37. 第1の科学 : 経験記述（ケプラーの法則） 第2の科学: 理論（ニュートン力学） 第3の科学 : シミュレーション（計算科学） 第4の科学 : データサイエンス（機械学習・深層学習） 科学史の流れ 第5の科学 : 人工知能型科学（汎用人工知能）※ 理化学研究所 高橋恒一氏
- 38.
- 40.
- 41.
- 42.
- 43.
- 44.
- 46.
- 47.
- 48.
- 49.
- 50.
- 51.