Submit Search
Upload
機械学習の実践を始める
•
0 likes
•
82 views
S
ssuseraebb59
Follow
機械学習を実際に始めるにあたって必要な考え方についての発表。
Read less
Read more
Technology
Report
Share
Report
Share
1 of 28
Download now
Download to read offline
Recommended
経済を理解する数字の見方、上司が見たい数字の見せ方
経済を理解する数字の見方、上司が見たい数字の見せ方
MKT International Inc.
デジタル変革とソフトウェア化する産業:これからの20年に君たちが知っておくべきこと
デジタル変革とソフトウェア化する産業:これからの20年に君たちが知っておくべきこと
Osaka University
BERTによる文書系AIの取り組みと、Azureを用いたテーブルデータの説明性実現!
BERTによる文書系AIの取り組みと、Azureを用いたテーブルデータの説明性実現!
Deep Learning Lab(ディープラーニング・ラボ)
雇用・働き方の未来 人とインテリジェント・テクノロジー
雇用・働き方の未来 人とインテリジェント・テクノロジー
Accenture Japan
デー活@Osakaについて
デー活@Osakaについて
Takehiro Kohashi
150318 次世代itアーキテクトの本質と育成
150318 次世代itアーキテクトの本質と育成
ITinnovation
SOMPOシステムズ株式会社 会社紹介
SOMPOシステムズ株式会社 会社紹介
Proconjimukyoku
BlackBox モデルの説明性・解釈性技術の実装
BlackBox モデルの説明性・解釈性技術の実装
Deep Learning Lab(ディープラーニング・ラボ)
Recommended
経済を理解する数字の見方、上司が見たい数字の見せ方
経済を理解する数字の見方、上司が見たい数字の見せ方
MKT International Inc.
デジタル変革とソフトウェア化する産業:これからの20年に君たちが知っておくべきこと
デジタル変革とソフトウェア化する産業:これからの20年に君たちが知っておくべきこと
Osaka University
BERTによる文書系AIの取り組みと、Azureを用いたテーブルデータの説明性実現!
BERTによる文書系AIの取り組みと、Azureを用いたテーブルデータの説明性実現!
Deep Learning Lab(ディープラーニング・ラボ)
雇用・働き方の未来 人とインテリジェント・テクノロジー
雇用・働き方の未来 人とインテリジェント・テクノロジー
Accenture Japan
デー活@Osakaについて
デー活@Osakaについて
Takehiro Kohashi
150318 次世代itアーキテクトの本質と育成
150318 次世代itアーキテクトの本質と育成
ITinnovation
SOMPOシステムズ株式会社 会社紹介
SOMPOシステムズ株式会社 会社紹介
Proconjimukyoku
BlackBox モデルの説明性・解釈性技術の実装
BlackBox モデルの説明性・解釈性技術の実装
Deep Learning Lab(ディープラーニング・ラボ)
AI_IoTを活用する企業のあり方
AI_IoTを活用する企業のあり方
Osaka University
【Tokyowebmining】open compute project
【Tokyowebmining】open compute project
Junichiro Tani
IT業界の2つの世界 - SIerとネット企業 -
IT業界の2つの世界 - SIerとネット企業 -
Hiroki Toyokawa
AI系ディープテックスタートアップの経営環境
AI系ディープテックスタートアップの経営環境
Osaka University
ITを知らない人にITを伝える技術
ITを知らない人にITを伝える技術
Masanori Saito
デジタル時代の企業変革 2019
デジタル時代の企業変革 2019
Ikuo Misao
デジタルが切り開く未来ビジネス
デジタルが切り開く未来ビジネス
Osaka University
機械学習を活用するための、3本の柱~教育型の機械学習ツールの必要性~
機械学習を活用するための、3本の柱~教育型の機械学習ツールの必要性~
Takahiro Kubo
(続)Itプロジェクトマネジメント成功のための勘どころ 20140318
(続)Itプロジェクトマネジメント成功のための勘どころ 20140318
ITinnovation
人工知能はビジネスを変えるのか
人工知能はビジネスを変えるのか
Kohki Obata
デジタル時代の競争戦略を支える次世代データプラットフォーム
デジタル時代の競争戦略を支える次世代データプラットフォーム
Natsumi Yotsumoto
AI(人工知能)研究の最前線:社会はどのように変わるだろう?
AI(人工知能)研究の最前線:社会はどのように変わるだろう?
KIT Cognitive Interaction Design
ラボラトリーオートメーションのためのソフトウェア思想教育(非プログラマ―が知っておくべきプログラミングの本質)
ラボラトリーオートメーションのためのソフトウェア思想教育(非プログラマ―が知っておくべきプログラミングの本質)
Tokoroten Nakayama
20110110日本図書館研究会
20110110日本図書館研究会
UEHARA, Tetsutaro
高度Ict利活用人材育成推進会議プレゼン(1124) final(改)
高度Ict利活用人材育成推進会議プレゼン(1124) final(改)
Tsukasa Makino
デジタル時代の企業変革 - 2020
デジタル時代の企業変革 - 2020
Ikuo Misao
LiBRA 08.2020 / AI
LiBRA 08.2020 / AI
Masanori Saito
Oss magic2
Oss magic2
K5_sem
LiBRA 09.2020 / AI
LiBRA 09.2020 / AI
Masanori Saito
LiBRA 07.2020 / AI
LiBRA 07.2020 / AI
Masanori Saito
Tableauで実現するAI時代の次世代データ活用 (後編)
Tableauで実現するAI時代の次世代データ活用 (後編)
Tomohiro Iwahashi
LiBRA 10.2020 / AI
LiBRA 10.2020 / AI
Masanori Saito
More Related Content
What's hot
AI_IoTを活用する企業のあり方
AI_IoTを活用する企業のあり方
Osaka University
【Tokyowebmining】open compute project
【Tokyowebmining】open compute project
Junichiro Tani
IT業界の2つの世界 - SIerとネット企業 -
IT業界の2つの世界 - SIerとネット企業 -
Hiroki Toyokawa
AI系ディープテックスタートアップの経営環境
AI系ディープテックスタートアップの経営環境
Osaka University
ITを知らない人にITを伝える技術
ITを知らない人にITを伝える技術
Masanori Saito
デジタル時代の企業変革 2019
デジタル時代の企業変革 2019
Ikuo Misao
デジタルが切り開く未来ビジネス
デジタルが切り開く未来ビジネス
Osaka University
機械学習を活用するための、3本の柱~教育型の機械学習ツールの必要性~
機械学習を活用するための、3本の柱~教育型の機械学習ツールの必要性~
Takahiro Kubo
(続)Itプロジェクトマネジメント成功のための勘どころ 20140318
(続)Itプロジェクトマネジメント成功のための勘どころ 20140318
ITinnovation
What's hot
(9)
AI_IoTを活用する企業のあり方
AI_IoTを活用する企業のあり方
【Tokyowebmining】open compute project
【Tokyowebmining】open compute project
IT業界の2つの世界 - SIerとネット企業 -
IT業界の2つの世界 - SIerとネット企業 -
AI系ディープテックスタートアップの経営環境
AI系ディープテックスタートアップの経営環境
ITを知らない人にITを伝える技術
ITを知らない人にITを伝える技術
デジタル時代の企業変革 2019
デジタル時代の企業変革 2019
デジタルが切り開く未来ビジネス
デジタルが切り開く未来ビジネス
機械学習を活用するための、3本の柱~教育型の機械学習ツールの必要性~
機械学習を活用するための、3本の柱~教育型の機械学習ツールの必要性~
(続)Itプロジェクトマネジメント成功のための勘どころ 20140318
(続)Itプロジェクトマネジメント成功のための勘どころ 20140318
Similar to 機械学習の実践を始める
人工知能はビジネスを変えるのか
人工知能はビジネスを変えるのか
Kohki Obata
デジタル時代の競争戦略を支える次世代データプラットフォーム
デジタル時代の競争戦略を支える次世代データプラットフォーム
Natsumi Yotsumoto
AI(人工知能)研究の最前線:社会はどのように変わるだろう?
AI(人工知能)研究の最前線:社会はどのように変わるだろう?
KIT Cognitive Interaction Design
ラボラトリーオートメーションのためのソフトウェア思想教育(非プログラマ―が知っておくべきプログラミングの本質)
ラボラトリーオートメーションのためのソフトウェア思想教育(非プログラマ―が知っておくべきプログラミングの本質)
Tokoroten Nakayama
20110110日本図書館研究会
20110110日本図書館研究会
UEHARA, Tetsutaro
高度Ict利活用人材育成推進会議プレゼン(1124) final(改)
高度Ict利活用人材育成推進会議プレゼン(1124) final(改)
Tsukasa Makino
デジタル時代の企業変革 - 2020
デジタル時代の企業変革 - 2020
Ikuo Misao
LiBRA 08.2020 / AI
LiBRA 08.2020 / AI
Masanori Saito
Oss magic2
Oss magic2
K5_sem
LiBRA 09.2020 / AI
LiBRA 09.2020 / AI
Masanori Saito
LiBRA 07.2020 / AI
LiBRA 07.2020 / AI
Masanori Saito
Tableauで実現するAI時代の次世代データ活用 (後編)
Tableauで実現するAI時代の次世代データ活用 (後編)
Tomohiro Iwahashi
LiBRA 10.2020 / AI
LiBRA 10.2020 / AI
Masanori Saito
クラウド事業者に求めるビジネス要件
クラウド事業者に求めるビジネス要件
雄哉 吉田
ブロックチェーンと仮想通貨 -- 新しいビジネスに挑戦
ブロックチェーンと仮想通貨 -- 新しいビジネスに挑戦
Yuto Takei
LiBRA 12.2020 / AI
LiBRA 12.2020 / AI
Masanori Saito
LiBRA 11.2020 / AI
LiBRA 11.2020 / AI
Masanori Saito
第4次産業革命 AIでビジネスの現場が変わる
第4次産業革命 AIでビジネスの現場が変わる
DIVE INTO CODE Corp.
Udc 2016 no112_スライド_20170127
Udc 2016 no112_スライド_20170127
Yoshiaki_Takabe
Udc 2016 no112_スライド_20170127
Udc 2016 no112_スライド_20170127
Yoshiaki_Takabe
Similar to 機械学習の実践を始める
(20)
人工知能はビジネスを変えるのか
人工知能はビジネスを変えるのか
デジタル時代の競争戦略を支える次世代データプラットフォーム
デジタル時代の競争戦略を支える次世代データプラットフォーム
AI(人工知能)研究の最前線:社会はどのように変わるだろう?
AI(人工知能)研究の最前線:社会はどのように変わるだろう?
ラボラトリーオートメーションのためのソフトウェア思想教育(非プログラマ―が知っておくべきプログラミングの本質)
ラボラトリーオートメーションのためのソフトウェア思想教育(非プログラマ―が知っておくべきプログラミングの本質)
20110110日本図書館研究会
20110110日本図書館研究会
高度Ict利活用人材育成推進会議プレゼン(1124) final(改)
高度Ict利活用人材育成推進会議プレゼン(1124) final(改)
デジタル時代の企業変革 - 2020
デジタル時代の企業変革 - 2020
LiBRA 08.2020 / AI
LiBRA 08.2020 / AI
Oss magic2
Oss magic2
LiBRA 09.2020 / AI
LiBRA 09.2020 / AI
LiBRA 07.2020 / AI
LiBRA 07.2020 / AI
Tableauで実現するAI時代の次世代データ活用 (後編)
Tableauで実現するAI時代の次世代データ活用 (後編)
LiBRA 10.2020 / AI
LiBRA 10.2020 / AI
クラウド事業者に求めるビジネス要件
クラウド事業者に求めるビジネス要件
ブロックチェーンと仮想通貨 -- 新しいビジネスに挑戦
ブロックチェーンと仮想通貨 -- 新しいビジネスに挑戦
LiBRA 12.2020 / AI
LiBRA 12.2020 / AI
LiBRA 11.2020 / AI
LiBRA 11.2020 / AI
第4次産業革命 AIでビジネスの現場が変わる
第4次産業革命 AIでビジネスの現場が変わる
Udc 2016 no112_スライド_20170127
Udc 2016 no112_スライド_20170127
Udc 2016 no112_スライド_20170127
Udc 2016 no112_スライド_20170127
Recently uploaded
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
UEHARA, Tetsutaro
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
Yuki Kikuchi
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
FumieNakayama
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
akihisamiyanaga1
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
sugiuralab
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
FumieNakayama
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NTT DATA Technology & Innovation
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
博三 太田
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
Hiroshi Tomioka
Recently uploaded
(9)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
機械学習の実践を始める
1.
ピープルソフトウェア株式 械 の を
める ⼟ ⽣ 2020年1⽉24⽇
2.
機械学習について調べたいと思っても、見つかる情報は・・・ ①高レベル(大まか)過ぎる ②低レベル(細か)過ぎる AIで仕事がなくなる? シンギュラリティは近い ニューラルネットワークの仕組み 決定木モデルの最適化手法 畳み込み層とは何なのか? 肝心なところ が抜けている 道具立て 機械学習で医療/金融/教育/etc...がどう変わる? 社会/ビジネス一般
3.
ということで、この発表では、 機械学習を現実のタスクに適用する作業の流れをお伝えします。 ニューラルネットワークの仕組み 決定木モデルの最適化手法 畳み込み層とは何なのか? 道具立て AIで仕事がなくなる? シンギュラリティは近い 機械学習で医療/金融/教育/etc...がどう変わる? 現実のビジネス タスク解決 社会/ビジネス一般 売上予測 レコメンデーションエンジン 画像診断 自動校正ツール 我々が知りたいのは・・・
4.
機械学習とは?
5.
機械学習 = データとデータの関係 を表す「関数」を得る手法
6.
関数 出力 今月の売上 入力 def get_total_sales(a,
b ...): total = 100 * a + 150 * b ... return total ロジックで厳密に答えが決まる関数は、人間が書けば良い。 我々プログラマがいつも書いている関数 おにぎりA (100円) 122個 お茶B (150円) 250本 396万0687円 今月の 商品別売上 etc...
7.
関数入力 来月の売上 今月の 商品別売上 我々には書けない関数 出力おにぎりA 122個 お茶B 250本 413万7977円 etc... 人間が書けない関数も、機械学習なら書ける可能性がある。
8.
厳密なロジックは不明だが、何かしら関係は間違いなくある ・・・という場合、機械学習が使えます。 売上予測 画像分類 過去の売上 将来の売上 画像 画像のラベル 自動翻訳 英語の文章 日本語の文章
9.
どうやって機械が関数を書くの? サンプルデータ(入出力のペア)を 大量に集めて、学習させます。 売上予測 犬猫画像分類 月間売上データ 次月の売上 犬 or
猫の画像 タスク 入力 出力 正解ラベル 自動翻訳 英語テキスト 日本語テキスト
10.
(3) データを学習に適した形に加工する。 (2) 使用するモデルを決定する。 (4)
データをトレーニングデータと バリデーションデータに分割する。 (1) データを集める。 機械学習を行う手順 (5) トレーニングデータをモデルに食わせ、学習させる。 (6) 学習済モデルの性能を、バリデーションデータで検証する。 トレーニングデータ バリデーション データ サンプルデータ 関数を入れる箱。学習により賢くなっていく。 (7) 高い性能が得られるまで、試行錯誤しながら(1)~(6)を繰り返す。
11.
高い性能を得るために、やるべきことは次の2つです。 ①とにかくまず関数を作る。 = サンプルデータ内での精度を上げる。 ②その関数を汎用的に使えるものにする。 = サンプルデータ外で精度が落ちないようにする。
12.
・・・のが、案外難しい。 データやモデルが不適切だと、そもそも入出力間に 関係を見つけることさえできない。 ①とにかくまず関数を作る。
13.
入力 来月の売上 今月の 私について の統計 無理 モデル 出力睡眠時間 歩いた距離 くしゃみした回数 etc... まったく関係のない入力を与えても、当然ながら出力に結びつかない。
14.
私の くしゃみ回数 今月の寒さ 寒いと外出し ない客の存在 来月の寒さ 来月の売上 が、仮にあったとしても、ノイズに負ける程度であれば、 どう頑張っても抽出できない。 ・・・とはいえ、もしかすると、何か隠れた関係があるかも? ※風が吹けば桶屋が儲かる的発想
15.
原因 入出力間の関係が薄すぎる 事象 関係を学習できない 過少適合(underfit) そのモデルでは欲しい特徴を 捉えられない まずは過少適合を回避し、関数を作る必要がある。
16.
高い性能の関数を得られた、と思っても喜ぶのは早い。 サンプルデータの範囲内では高い性能の関数も、 現実のデータに適用すると全く役立たずだったりする。 ②その関数を汎用的に使えるものにする。
17.
サンプルデータ内でだけ偶然正しい、 偽の関係を見つけてしまう場合がある。 今月の 私について の統計 入力 来月の売上 モデル 出力睡眠時間 歩いた距離 くしゃみした回数 etc...
18.
過適合(overfit) 原因 サンプルデータの偏り サンプルデータのノイズ 事象 サンプルデータ内では 偶然正しいが、一般化できない 関係を学習してしまう
19.
トレーニングデータ バリデーション データ サンプルデータ 現実 誤差0.1% データが未知であるほど、必ず精度は落ちる。 誤差1% 誤差10% どれだけうまくデータを作り、学習を行ったとしても、 ある程度は必ず偏り・ノイズが残る =
過適合が起きる
20.
我々が目指すべきは・・・ 過少適合・過適合の両方をできるだけ回避する つまり、 サンプルデータから入出力間の関係を探すが、 サンプルデータ内でだけ成り立つ関係は無視し 未知のデータにも有効な関係を抽出すること。
21.
そのために、以下の方法を用いる。 方法① 適切なサンプリングを行う 方法② サンプル数を増やす 方法④
特徴量を整理する 方法⑤ モデルの複雑化を防ぐ 方法③ モデルの構造を工夫する
22.
方法① 適切なサンプリングを行う サンプルデータと未知データの分布をできるだけ近づける。 限界 未知データの分布を完璧に知ることは、当然ながら不可能。 長期的な時間経過による特徴・分布の変化は加味できない。 関東の店舗、関西の店舗、儲かっている店舗、儲からない店舗など、 色々な特徴が実際に近い分布で含まれるよう、サンプルデータを作る。 例えば、コンビニの在り方は10年後も同じだろうか? 宅配サービス の影響等で、客層から業務内容まで少しずつ変わってしまっていると したら、今のデータで学習したモデルは全く的外れになりかねない。 効果 データの偏りが減る
→ 過適合を抑制 ただし、珍しい特徴を正確に捉えたい場合、その特徴のサンプルをあえ て増やすこともある。
23.
より多くのデータを収集する。 収集できるデータ数には限度があるし、コストも掛かる。 データ数が何倍、何十倍となるうちは効果が高いが、徐々に効果 が薄れる。 方法② サンプル数を増やす より多くのデータを作成する。 データの水増し手法(augmentation)は機械学習の研究テーマの一つ。 画像データなら、反転したり、ずらしたりして新たなデータを作る。 限界 効果 データの偏り・データ中のノイズの偏りが減る → 過適合を抑制
24.
タスク(学習したい内容)によって、使うモデルを変える。 今のタスクにどんなモデルが有効か、正確に判断するのは難し い。(結局は実験で試すしかない。) 重要な研究テーマであり、現存するモデルより適したモデルが、 今後見つかるかもしれない。(つまり、今は無いかもしれない。) 方法③ モデルの構造を工夫する 入力が時系列データ →
再帰的ニューラルネットワーク(RNN) 入力が構造化データ → 決定木モデル 限界 効果 他の方法では抽出しづらい関係を抽出できる → 過少適合を抑制 入力が画像データ → 畳み込みニューラルネットワーク(CNN) 間違った関係を抽出するリスクを抑制できる → 過適合を抑制
25.
出力に関係がないと思われる特徴量は捨てる。 今のタスクにどんな特徴量が有効か、専門知識があってさえ正確 に判断するのは難しい。(結局は実験で試すしかない。) 各タスクに対する専門知識が必須。一般的な解は無い。 方法④ 特徴量を整理する 限界 効果 無駄な特徴量を省く・効果の高い特徴量を増やす →
ノイズが減り、 関係を学習しやすくなる → 過少適合・過適合を抑制 出力との相関(関係)が大きい特徴量に変換する。 温度・湿度・風速を別々に扱うのでなく、体感温度に変換してみる。 コンビニの売上予測ならコンビニ経営の知識が、株価の予測なら株の知 識が必要。
26.
色々な手法があるため、どれが今回のタスクに適するかは、試行 錯誤するしかない。 方法⑤ モデルの複雑化を防ぐ 効果 ノイズを学習する前に止められる →
過適合を抑制 複雑化しすぎると、ノイズにまで説明をつける関数になってしまう。 学習では、まず単純な関数を作り、徐々に複雑にして精度を高める。 限界 よって、一定のポイントで学習を止めるのが有効。(early stopping) 学習初期:シンプル 学習中期:現実的! 学習後期:過適合 その他、「正則化」「ドロップアウト」など色々な手法が存在する。
27.
その他・・・ 複数のモデルに学習させ、多数決等で最終予測結果を決める アンサンブル学習。 データの分割方法を色々と変えながら検証する交差検証。 など、今回紹介し切れない重要手法はいくつもある。 さらに細かい手法や工夫になってくると、 誰にも把握しきれないほど様々に存在する。
28.
以上を踏まえて、実際の作業の流れを Jupyterノートブックを使ってご紹介します。 https://www.kaggle.com/whale9490/ja-machine-learning-demo-fastai-cifar-10 URL
Download now