Submit Search
Upload
面倒くさいこと考えたくないあなたへ〜Tpotと機械学習〜
•
Download as PPTX, PDF
•
8 likes
•
4,354 views
Hiroki Yamamoto
Follow
面倒くさいこと考えたくないあなたへ〜Tpotと機械学習〜 dslt1夜目で発表しました。
Read less
Read more
Data & Analytics
Report
Share
Report
Share
1 of 23
Download now
Recommended
「Python 機械学習プログラミング」の挫折しない読み方
「Python 機械学習プログラミング」の挫折しない読み方
Hiroki Yamamoto
PyData.Tokyo Meetup #8 -「 Python機械学習プログラミング」発売記念 で発表したスライドになります。
Jupyter Notebookを納品した話
Jupyter Notebookを納品した話
Hiroki Yamamoto
社内勉強会で発表した「Jupyter Notebookを納品した話」です。
名古屋CV_ROSによるロボットソフトウェア開発の準備
名古屋CV_ROSによるロボットソフトウェア開発の準備
ssuser6b6663
ロボットを使った研究や研究内容をロボットに実装する場合に便利なROSの紹介
Javado2
Javado2
__john_smith__
JavaDo #2の機械学習資料
総合技術特別講義講演資料2017
総合技術特別講義講演資料2017
Hironori Nakajo
Lecture at Tokyo Denki University on Sep 21 2017.
PyConJP2018_LT_mahjong_180918
PyConJP2018_LT_mahjong_180918
Rio Kurihara
PyConJP2018 LTでの発表資料(20180918)
Alteryx UG3 LT #alteryx_ug
Alteryx UG3 LT #alteryx_ug
__john_smith__
第3回Alteryxユーザ会でのLT資料となります。
Mr201306 機械学習のセキュリティ技術応用
Mr201306 機械学習のセキュリティ技術応用
FFRI, Inc.
Recommended
「Python 機械学習プログラミング」の挫折しない読み方
「Python 機械学習プログラミング」の挫折しない読み方
Hiroki Yamamoto
PyData.Tokyo Meetup #8 -「 Python機械学習プログラミング」発売記念 で発表したスライドになります。
Jupyter Notebookを納品した話
Jupyter Notebookを納品した話
Hiroki Yamamoto
社内勉強会で発表した「Jupyter Notebookを納品した話」です。
名古屋CV_ROSによるロボットソフトウェア開発の準備
名古屋CV_ROSによるロボットソフトウェア開発の準備
ssuser6b6663
ロボットを使った研究や研究内容をロボットに実装する場合に便利なROSの紹介
Javado2
Javado2
__john_smith__
JavaDo #2の機械学習資料
総合技術特別講義講演資料2017
総合技術特別講義講演資料2017
Hironori Nakajo
Lecture at Tokyo Denki University on Sep 21 2017.
PyConJP2018_LT_mahjong_180918
PyConJP2018_LT_mahjong_180918
Rio Kurihara
PyConJP2018 LTでの発表資料(20180918)
Alteryx UG3 LT #alteryx_ug
Alteryx UG3 LT #alteryx_ug
__john_smith__
第3回Alteryxユーザ会でのLT資料となります。
Mr201306 機械学習のセキュリティ技術応用
Mr201306 機械学習のセキュリティ技術応用
FFRI, Inc.
GBDTを使ったfeature transformationの適用例
GBDTを使ったfeature transformationの適用例
Takanori Nakai
データサイエンスLT祭り 2夜目
RandomForest
RandomForest
goodbaton
JOI夏期セミ2015での発表スライド
科学と機械学習のあいだ:変量の設計・変換・選択・交互作用・線形性
科学と機械学習のあいだ:変量の設計・変換・選択・交互作用・線形性
Ichigaku Takigawa
機械学習はそもそも汎用的な枠組みであり基本的には対象分野に依らず利活用できる。従って、分野を限定して物質科学に機械学習を活用するなどと言う場合、その本質的難所の大部分は、有効な変量の設計・変換・選択・交互作用・線形性などに関する、いわゆるfeature engineeringの問題に帰する。特に、科学研究では端的な説明因子や共通パターンの探究こそが目的であることが多く、その場しのぎではない方法論が期待されている。本発表では、医薬品、機能制御剤、有機EL材料、食品、化粧品、と波及範囲が広い有機低分子について、その物性の予測と生物活性の予測の違いを例に、関わってきた問題・方法・課題について紹介する。 http://ibisml.org/ibis2016/session3/
10分でわかるRandom forest
10分でわかるRandom forest
Yasunori Ozaki
Random forestが10分でわかるようにまとめました。Random Forestが解く対象は識別問題のみとしています。はるか昔に作った資料なので、今になっては読者の皆様にとってお役に立てるかはわかりません。
Kaggleのテクニック
Kaggleのテクニック
Yasunori Ozaki
Kaggleのあるコンテンストの優勝者が作ったモデルをケーススタディとして、kaggleテクニックを解説します。特にStackingを中心に解説しています。CNNにはあえて触れませんでした。また、t-SNEやxgboostの概略にも触れました。
不均衡データのクラス分類
不均衡データのクラス分類
Shintaro Fukushima
合成変量とアンサンブル:回帰森と加法モデルの要点
合成変量とアンサンブル:回帰森と加法モデルの要点
Ichigaku Takigawa
機械学習における「木」や「森」のモデルの概要 [招待講演] 合成変量とアンサンブル:回帰森と加法モデルの要点 ○瀧川一学(北大) 信号処理研究会(SIP)https://goo.gl/PxAbbK 2017年 6月19日(月) - 2017年 6月20日(火) 回路とシステム研究会(CAS)/ VLSI設計技術研究会(VLD)/ システム数理と応用研究会(MSS) 備考) 機械学習研究者・瀧川一学さん [北大人図鑑 No.5] https://youtu.be/XNz3D26wy0o
実践多クラス分類 Kaggle Ottoから学んだこと
実践多クラス分類 Kaggle Ottoから学んだこと
nishio
Kaggleのコンペに参加することで色々な実践的ノウハウを学んだのでそのノウハウを共有する p.3~53 コンペ中に自分がやったことp.54~99 ハイランカーがやっていたことp.100~ ハイランカーかやっていたことを自分も実際にやってみる
今さら聞けないカーネル法とサポートベクターマシン
今さら聞けないカーネル法とサポートベクターマシン
Shinya Shimizu
ジャストシステムの形態素解析技術 その2 機械学習編
ジャストシステムの形態素解析技術 その2 機械学習編
JustSystems Corporation
ジャストシステムの形態素解析技術 その2 機械学習編
ロボットシステム学2015第2回
ロボットシステム学2015第2回
Ryuichi Ueda
マイコンについて
Elastic ML Introduction
Elastic ML Introduction
Hiroshi Yoshioka
Elastic ML 入門編
2019 05-19.overview
2019 05-19.overview
Shin-ya Koga
2019/05/19 に実施した、ET ロボコン北海道地区大会の技術教育1で、午後の部(「要素技術とモデルを開発に使おう」)の前振りに使ったスライド。前振りの後の本体テキストは、参加者だけに提供しています。
Tuning, etc.
Tuning, etc.
Hiroshi Watanabe
チューニングとその周辺 (CMSI若手交流会資料)
[データマイニング+WEB勉強会][R勉強会] R言語によるクラスター分析 - 活用編
[データマイニング+WEB勉強会][R勉強会] R言語によるクラスター分析 - 活用編
Koichi Hamada
データマイニング+WEB勉強会 第3回(2010/04/17)での講義資料です。「R言語によるクラスター分析 - 活用編」 hamadakoichi 濱田晃一。 途中、質問・議論をはさむ双方向形式で進行し、2時間の講義を行いました。
賢くツールを使って脱人海戦術駆動テスト
賢くツールを使って脱人海戦術駆動テスト
Mitsuru Ogawa
社内で話した内容です。テストもっと楽したいな〜^^
Elasticsearchの機械学習機能を使ってみた
Elasticsearchの機械学習機能を使ってみた
YuichiArisaka
Elasticsearchのビギナーです。Elasticsearchの機械学習機能を使ってみました。
2019-04-17 「不適切コンテンツ検出」の機械化と安定運用
2019-04-17 「不適切コンテンツ検出」の機械化と安定運用
Yasuhiko Iwase
第4回 Amazon SageMaker 事例祭り 発表資料です https://aws.amazon.com/jp/blogs/news/amazon-sagemaker-fes-4/ SNS mixi というプロダクトで、「不適切コンテンツ検出」タスクを Amazon SageMaker, ECS 等の AWS サービス群によって機械化しています。 機械化にいたった経緯と成果、アーキテクチャと運用上のポイントについてお話しさせていただきました。 *(同スライドは speakerdeck にも掲載しています) https://speakerdeck.com/yaiwase/automating-unsafe-content-detection-with-amazon-sagemaker *「機械学習による不適切コンテンツ検出」の実装と成果 -mixi developers https://medium.com/mixi-developers/mixi-20190110-d1cde81cf37c
「ソフトウェア品質データ分析を通じた組織的改善の促進」ソフトウエアジャパン2014「ITフォーラムセッション」IPA/SEC データの分析に基づくシステム...
「ソフトウェア品質データ分析を通じた組織的改善の促進」ソフトウエアジャパン2014「ITフォーラムセッション」IPA/SEC データの分析に基づくシステム...
Makoto Nonaka
ソフトウェア信頼性の確保と向上には、ソフトウェア開発に関わる固有技術に加えて、組織的かつ継続的なプロセス改善が必要です。そのようなプロセス改善を実践する一つの鍵は「事実に基づく管理」です。ソフトウェア品質データを分析して「事実」を把握し、これに基づいて品質目標とその達成方法を計画し、達成状況をデータで確認し、プロセス改善などの適切な処置をするというPDCAサイクルの実践が必要であり、その原動力が品質データ分析です。本講演では、組織的改善に結びつくソフトウェア品質データ分析の具体例を紹介します。本講演の内容が組織的改善を促し、信頼性の高いソフトウェアを継続的に開発できる組織能力の涵養につながれば幸いです。 http://www.ipa.go.jp/sec/events/20140204.html
kagami_comput2016_01
kagami_comput2016_01
swkagami
kagami_comput2016_01
mruby×ETロボコン = ?
mruby×ETロボコン = ?
ssuserc1bb39
RWCでmruby×ETロボコン = ? というタイトルでショートプレゼンを行った際の資料。
More Related Content
Viewers also liked
GBDTを使ったfeature transformationの適用例
GBDTを使ったfeature transformationの適用例
Takanori Nakai
データサイエンスLT祭り 2夜目
RandomForest
RandomForest
goodbaton
JOI夏期セミ2015での発表スライド
科学と機械学習のあいだ:変量の設計・変換・選択・交互作用・線形性
科学と機械学習のあいだ:変量の設計・変換・選択・交互作用・線形性
Ichigaku Takigawa
機械学習はそもそも汎用的な枠組みであり基本的には対象分野に依らず利活用できる。従って、分野を限定して物質科学に機械学習を活用するなどと言う場合、その本質的難所の大部分は、有効な変量の設計・変換・選択・交互作用・線形性などに関する、いわゆるfeature engineeringの問題に帰する。特に、科学研究では端的な説明因子や共通パターンの探究こそが目的であることが多く、その場しのぎではない方法論が期待されている。本発表では、医薬品、機能制御剤、有機EL材料、食品、化粧品、と波及範囲が広い有機低分子について、その物性の予測と生物活性の予測の違いを例に、関わってきた問題・方法・課題について紹介する。 http://ibisml.org/ibis2016/session3/
10分でわかるRandom forest
10分でわかるRandom forest
Yasunori Ozaki
Random forestが10分でわかるようにまとめました。Random Forestが解く対象は識別問題のみとしています。はるか昔に作った資料なので、今になっては読者の皆様にとってお役に立てるかはわかりません。
Kaggleのテクニック
Kaggleのテクニック
Yasunori Ozaki
Kaggleのあるコンテンストの優勝者が作ったモデルをケーススタディとして、kaggleテクニックを解説します。特にStackingを中心に解説しています。CNNにはあえて触れませんでした。また、t-SNEやxgboostの概略にも触れました。
不均衡データのクラス分類
不均衡データのクラス分類
Shintaro Fukushima
合成変量とアンサンブル:回帰森と加法モデルの要点
合成変量とアンサンブル:回帰森と加法モデルの要点
Ichigaku Takigawa
機械学習における「木」や「森」のモデルの概要 [招待講演] 合成変量とアンサンブル:回帰森と加法モデルの要点 ○瀧川一学(北大) 信号処理研究会(SIP)https://goo.gl/PxAbbK 2017年 6月19日(月) - 2017年 6月20日(火) 回路とシステム研究会(CAS)/ VLSI設計技術研究会(VLD)/ システム数理と応用研究会(MSS) 備考) 機械学習研究者・瀧川一学さん [北大人図鑑 No.5] https://youtu.be/XNz3D26wy0o
実践多クラス分類 Kaggle Ottoから学んだこと
実践多クラス分類 Kaggle Ottoから学んだこと
nishio
Kaggleのコンペに参加することで色々な実践的ノウハウを学んだのでそのノウハウを共有する p.3~53 コンペ中に自分がやったことp.54~99 ハイランカーがやっていたことp.100~ ハイランカーかやっていたことを自分も実際にやってみる
今さら聞けないカーネル法とサポートベクターマシン
今さら聞けないカーネル法とサポートベクターマシン
Shinya Shimizu
Viewers also liked
(9)
GBDTを使ったfeature transformationの適用例
GBDTを使ったfeature transformationの適用例
RandomForest
RandomForest
科学と機械学習のあいだ:変量の設計・変換・選択・交互作用・線形性
科学と機械学習のあいだ:変量の設計・変換・選択・交互作用・線形性
10分でわかるRandom forest
10分でわかるRandom forest
Kaggleのテクニック
Kaggleのテクニック
不均衡データのクラス分類
不均衡データのクラス分類
合成変量とアンサンブル:回帰森と加法モデルの要点
合成変量とアンサンブル:回帰森と加法モデルの要点
実践多クラス分類 Kaggle Ottoから学んだこと
実践多クラス分類 Kaggle Ottoから学んだこと
今さら聞けないカーネル法とサポートベクターマシン
今さら聞けないカーネル法とサポートベクターマシン
Similar to 面倒くさいこと考えたくないあなたへ〜Tpotと機械学習〜
ジャストシステムの形態素解析技術 その2 機械学習編
ジャストシステムの形態素解析技術 その2 機械学習編
JustSystems Corporation
ジャストシステムの形態素解析技術 その2 機械学習編
ロボットシステム学2015第2回
ロボットシステム学2015第2回
Ryuichi Ueda
マイコンについて
Elastic ML Introduction
Elastic ML Introduction
Hiroshi Yoshioka
Elastic ML 入門編
2019 05-19.overview
2019 05-19.overview
Shin-ya Koga
2019/05/19 に実施した、ET ロボコン北海道地区大会の技術教育1で、午後の部(「要素技術とモデルを開発に使おう」)の前振りに使ったスライド。前振りの後の本体テキストは、参加者だけに提供しています。
Tuning, etc.
Tuning, etc.
Hiroshi Watanabe
チューニングとその周辺 (CMSI若手交流会資料)
[データマイニング+WEB勉強会][R勉強会] R言語によるクラスター分析 - 活用編
[データマイニング+WEB勉強会][R勉強会] R言語によるクラスター分析 - 活用編
Koichi Hamada
データマイニング+WEB勉強会 第3回(2010/04/17)での講義資料です。「R言語によるクラスター分析 - 活用編」 hamadakoichi 濱田晃一。 途中、質問・議論をはさむ双方向形式で進行し、2時間の講義を行いました。
賢くツールを使って脱人海戦術駆動テスト
賢くツールを使って脱人海戦術駆動テスト
Mitsuru Ogawa
社内で話した内容です。テストもっと楽したいな〜^^
Elasticsearchの機械学習機能を使ってみた
Elasticsearchの機械学習機能を使ってみた
YuichiArisaka
Elasticsearchのビギナーです。Elasticsearchの機械学習機能を使ってみました。
2019-04-17 「不適切コンテンツ検出」の機械化と安定運用
2019-04-17 「不適切コンテンツ検出」の機械化と安定運用
Yasuhiko Iwase
第4回 Amazon SageMaker 事例祭り 発表資料です https://aws.amazon.com/jp/blogs/news/amazon-sagemaker-fes-4/ SNS mixi というプロダクトで、「不適切コンテンツ検出」タスクを Amazon SageMaker, ECS 等の AWS サービス群によって機械化しています。 機械化にいたった経緯と成果、アーキテクチャと運用上のポイントについてお話しさせていただきました。 *(同スライドは speakerdeck にも掲載しています) https://speakerdeck.com/yaiwase/automating-unsafe-content-detection-with-amazon-sagemaker *「機械学習による不適切コンテンツ検出」の実装と成果 -mixi developers https://medium.com/mixi-developers/mixi-20190110-d1cde81cf37c
「ソフトウェア品質データ分析を通じた組織的改善の促進」ソフトウエアジャパン2014「ITフォーラムセッション」IPA/SEC データの分析に基づくシステム...
「ソフトウェア品質データ分析を通じた組織的改善の促進」ソフトウエアジャパン2014「ITフォーラムセッション」IPA/SEC データの分析に基づくシステム...
Makoto Nonaka
ソフトウェア信頼性の確保と向上には、ソフトウェア開発に関わる固有技術に加えて、組織的かつ継続的なプロセス改善が必要です。そのようなプロセス改善を実践する一つの鍵は「事実に基づく管理」です。ソフトウェア品質データを分析して「事実」を把握し、これに基づいて品質目標とその達成方法を計画し、達成状況をデータで確認し、プロセス改善などの適切な処置をするというPDCAサイクルの実践が必要であり、その原動力が品質データ分析です。本講演では、組織的改善に結びつくソフトウェア品質データ分析の具体例を紹介します。本講演の内容が組織的改善を促し、信頼性の高いソフトウェアを継続的に開発できる組織能力の涵養につながれば幸いです。 http://www.ipa.go.jp/sec/events/20140204.html
kagami_comput2016_01
kagami_comput2016_01
swkagami
kagami_comput2016_01
mruby×ETロボコン = ?
mruby×ETロボコン = ?
ssuserc1bb39
RWCでmruby×ETロボコン = ? というタイトルでショートプレゼンを行った際の資料。
Similar to 面倒くさいこと考えたくないあなたへ〜Tpotと機械学習〜
(12)
ジャストシステムの形態素解析技術 その2 機械学習編
ジャストシステムの形態素解析技術 その2 機械学習編
ロボットシステム学2015第2回
ロボットシステム学2015第2回
Elastic ML Introduction
Elastic ML Introduction
2019 05-19.overview
2019 05-19.overview
Tuning, etc.
Tuning, etc.
[データマイニング+WEB勉強会][R勉強会] R言語によるクラスター分析 - 活用編
[データマイニング+WEB勉強会][R勉強会] R言語によるクラスター分析 - 活用編
賢くツールを使って脱人海戦術駆動テスト
賢くツールを使って脱人海戦術駆動テスト
Elasticsearchの機械学習機能を使ってみた
Elasticsearchの機械学習機能を使ってみた
2019-04-17 「不適切コンテンツ検出」の機械化と安定運用
2019-04-17 「不適切コンテンツ検出」の機械化と安定運用
「ソフトウェア品質データ分析を通じた組織的改善の促進」ソフトウエアジャパン2014「ITフォーラムセッション」IPA/SEC データの分析に基づくシステム...
「ソフトウェア品質データ分析を通じた組織的改善の促進」ソフトウエアジャパン2014「ITフォーラムセッション」IPA/SEC データの分析に基づくシステム...
kagami_comput2016_01
kagami_comput2016_01
mruby×ETロボコン = ?
mruby×ETロボコン = ?
面倒くさいこと考えたくないあなたへ〜Tpotと機械学習〜
1.
面倒くさいこと考えたくない あなたへ 〜TPOTと機械学習〜 Acroquest Technology株式会社 山本 大輝(@tereka114)
2.
自己紹介 1. 山本 大輝(@tereka114) 2.
Acroquest Technology 株式会社 3. 画像処理、データ分析 4. 「のんびりしているエンジニアの日記」 (http://nonbiri-tereka.hatenablog.com/)
3.
機械学習にデータを入れたい?
4.
何を考えますか?
5.
データの加工方法?
6.
確かにそうでしょう。
7.
一覧化しました。
8.
機械学習において考えないといけないこと 1. 前処理 1. 前処理の種類 2.
特徴選択 3. 特徴量加工 2. モデル 1. どんなモデルを作るか 1. Logistic Regression, 2. Random Forest 3. パラメータ 1. Ex. SVM(C, kernel ,eps etc) 4. 評価 1. Log loss, mse, rmse
9.
考えること多すぎ!
10.
めんどくさい
11.
機械学習において考えないといけないこと 1. 前処理 1. 前処理の種類 1.
Z変換 2. モデル 1. どんなモデルを作るか 1. Logistic Regression, 2. RandomForest 3. パラメータ 1. SVM(C, kernel ,eps etc) 4. 評価 1. Log loss, mse, rmse
12.
自動化します。
13.
そう、TPOTで
14.
What is TPOT? 1.
TPOTは自動的にモデル選択、パラメータの選択を 遺伝的プログラミングを使って、最適化します。 1. 遺伝的プログラミングの実装はDEAPを使っている。 2. で、何ができるの? 1. 入力した特徴量から最適化する。 2. 最適化したコードを吐き出す。 3. コマンドラインとしても実行可能
15.
TPOT 概要
16.
TPOT 概要 前処理 モデル構築
パラメータの最適化
17.
TPOT Example
18.
TPOT Example データ作成 学習する スコア計算する ファイルにExport Pipeline
19.
TPOTクラス 1. TPOT自身は、TPOTのコードをexportする他に predict, fit,
fit_transform, score等のメソッドを持つ。 2. TPOTはscikit-learnを継承していないが、基本的に scikit-learnと同じインターフェースとして使える。 3. 内部は全てscikit-learn 4. TPOT便利
20.
生成コード ここを変更する。
21.
内部では・・・? 1. TPOTの前処理や分析は全てscikit-learnのクラスを 使っている。 1. Feature
Selection等 2. 遺伝的プログラミングのコードはDEAPライブラリに よる作成なので、パラメータ(generation)等は似て いる。
22.
まとめ 1. TPOTを使った簡単な機械学習に挑戦した。 2. 遺伝的プログラミングを使った最適化によって良い 処理を生成する。 3.
簡単にコードを生成し、使える。
23.
御清聴ありがとうございました!
Download now