合同勉強会 福岡での資料です

1. NetBeansのメモリ使用ログから
機械学習で
きしだが働いてるかどうか判定する
2017/2/11 きしだ なおき

2. きのう
● おきたら18時
● 登壇者懇親会19時から

3. 作戦
● プラン特A
– 資料も完璧、デモまでやる
● プランA
– 動作はする。資料も完璧。デモはできない
● プランB
– 動作しなかったので、やろうと思ったことの資料つくってプレゼン
● プランC
– なんも用意していないのでいきあたりばったりやる

4. 作戦
● プランC+
– 動作したけど資料ができてないので
いきあたりばったりやる

5. 今日のはなし
● NetBeansのメモリログから、機械学習で
きしだが働いてるかどうか判定する

6. メモリログ
● ヒープの使用量
あそんでる あそんでるなんかしてる

7. どう取るか
● JMXという仕組みがある
● InfluxDBにつっこむ
● Grafanaで見る

8. 構成
なんかプログラム
JMX
https://github.com/kishida/analyzenb/blob/master/src/main/java/kis/analyzenb/JmxInflux.java

9. 問題
● 単純な閾値では判定できない
● 時系列データの判定は単純な機械学習では
難しい

10. ウェーブレット変換
● 時間ごとの周波数解析を行う
● フーリエ変換
– データ全体の周波数解析を行う
● 離散ウェーブレット変換
– 処理も簡単
http://d.hatena.ne.jp/nowokay/20161227

11. ウェーブレット変換のコード
static List<List<Double>> wavletAnalysis(List<Double> data) {
List<List<Double>> wavlets = new ArrayList<>();
while(data.size() > 1) {
List<Double> wavlet = new ArrayList<>();
List<Double> next = new ArrayList<>();
for (int i = 0; i < data.size(); i += 2) {
wavlet.add((data.get(i) - data.get(i + 1)) / 2);
next.add((data.get(i) + data.get(i + 1)) / 2);
}
wavlets.add(wavlet);
data = next;
}
wavlets.add(data);
return wavlets;
}

12. ウェーブレット変換でできること
● 情報圧縮
– JPEG2000で使われている
● 電子すかし(ステガノグラフィ)
– 人間にはわからないように情報を画像などに
埋め込む
上位1/４の周波数成分だけ残してウェーブレット逆変換
http://d.hatena.ne.jp/nowokay/20161229

13. ウェーブレット変換の適用
● 512データ(8分30秒)をウェーブレット変換
する
● 512 = 2^9
– 9+1=10周波数のデータができる

14. 機械学習
● ディープじゃないラーニング
● ３層のニューラルネットワーク
● 各時間ごとに10個のデータ
● 出力は1つ
● 10 -> 5 -> 1
https://github.com/kishida/analyzenb/blob/master/src/main/java/kis/analyzenb/BackPropergation.java

15. 教師データはどうする？
● 機械学習では、学習用に、入力値とその入力が
どう判定されるべきかという教師データが必要

16. Thread count
● NetBeansが使っているスレッド数
● NetBeansを触ってないときはスレッド数が32
● 教師データに使える

17. 機械学習とか不要では？
● ロマンです

18. 結果
● なんとなく判定できている
https://github.com/kishida/analyzenb/blob/master/src/main/java/kis/analyzenb/UsageData.java

19. まとめ
● 時系列データのウェーブレット変換からなんと
なく状態を把握することができた
● 常に働いていれば判定など不要