Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.
質問
質問
機械学習の実装をしたことがある⼈人
質問
機械学習の実装をしたことがある⼈人
機械学習やった事ある⼈人
質問
機械学習の実装をしたことがある⼈人
機械学習やった事ある⼈人
機械学習やってみたい⼈人
質問
機械学習の実装をしたことがある⼈人
機械学習やった事ある⼈人
機械学習やってみたい⼈人
機械学習が何か知りたい⼈人
質問
機械学習の実装をしたことがある⼈人
機械学習やった事ある⼈人
機械学習やってみたい⼈人
機械学習が何か知りたい⼈人
機械学習に興味のない⼈人
質問
機械学習の実装をしたことがある⼈人
機械学習やった事ある⼈人
機械学習やってみたい⼈人
機械学習が何か知りたい⼈人
機械学習に興味のない⼈人
なぜ機械学習をやらなかったのか
興味がない
何かわからない
まず何をしたら良いかわからない
何ができるかわからない
Azure  MLで

機械学習をやってみよう
2015.01.16    
GoAzure2015    
3
⾃自⼰己紹介
• 得上  ⻯竜⼀一(とくがみ  りゅういち)  
• 元JAWS-‐‑‒UG(AWSのユーザ会)  代表  
• 去年年までマイニングブラウニーという会社の代表  
• 株式会社オークファンに2015年年1⽉月~∼会社ごとジョイ...
アジェンダ
• 機械学習をやる理理由  
• 機械学習とは  
• 機械学習を体験してみる  
• Azure  MLの基本  
• Azure  MLの実例例
5
機械学習をやる理理由
6
機械学習をやる理理由
もうすぐ幻滅期を迎え
る	
  
幻滅の理由	
  
名前のひとり歩き	
  
具体性のない過度の期待	
  
適用範囲がわからない

だから使えない
7
機械学習をやる理理由
• IoTへの期待  
• ビッグデータが具体化  
• データ量量の増加によって

⼈人間が処理理できるデータ量量を超
えた。  
• 必然的に機械学習に頼り始める  
8
ビッグデータってそもそも何だ
• データを あーだこーだして価値に変える
9
?
ビッグデータってそもそも何だ
•その あーだこーだするのところで

データの整理理にとどまってる残念念な現状
10
整理理だけだとどうなるか
11
整理理だけだとどうなるか
• ビッグデータを活⽤用
11
整理理だけだとどうなるか
• ビッグデータを活⽤用
• 整理理して、可視化して
11
整理理だけだとどうなるか
• ビッグデータを活⽤用
• 整理理して、可視化して
• データから何か出てきた
11
整理理だけだとどうなるか
• ビッグデータを活⽤用
• 整理理して、可視化して
• データから何か出てきた
• 知ってた
11
あーだこーだするを深堀りすると
12
Organize Analysis Predictionmonitoring
何が起こった 何で起こった 何が起きている 何が起こる?
データの価値と複雑さ
13
Organize
Analysis
Prediction
monitoring
何が起こった
何で起こった
何が起きている
何が起こる?
複雑さ
価値
predictionは⼀一朝⼀一⼣夕ではできない
14
predictionは⼀一朝⼀一⼣夕ではできない
• predictionには過去のデータが必要。
14
predictionは⼀一朝⼀一⼣夕ではできない
• predictionには過去のデータが必要。
• 時間の差以上に価値の差は広がっていく
14
predictionは⼀一朝⼀一⼣夕ではできない
• predictionには過去のデータが必要。
• 時間の差以上に価値の差は広がっていく
14
predictionは⼀一朝⼀一⼣夕ではできない
• predictionには過去のデータが必要。
• 時間の差以上に価値の差は広がっていく
• 今から始めますか?
14
predictionは⼀一朝⼀一⼣夕ではできない
• predictionには過去のデータが必要。
• 時間の差以上に価値の差は広がっていく
• 今から始めますか?
• 普及してから始めますか?
14
2014年年  各社からの発表
15
機械学習とは
16
機械学習  =  ⼈人⼯工知能???
• ⼈人間が⾃自然に⾏行行っている学習能⼒力力と同様の機能をコン
ピュータで実現しようとする技術・⼿手法のことである。  
– 出展  Wikipedia  
• 機械学習=⼈人⼯工知能?  
– ⼈人⼯工...
⼈人⼯工知能と機械学習
• 強いAI  (Strong  AI)  
– ⼈人間の知能そのものを持つ機械をつくろう  
• 弱いAI  (Weak  AI)  
– ⼈人間が知能を使ってすることを機械にさせよう  
• ⼈人⼯工知能怖いって⾔言...
機械学習を体験してみる
19
⼈人間機械学習(?)に挑戦
• 機械学習("⼈人間が⾃自然に⾏行行っている学習能
⼒力力と同様の機能をコンピュータで実現しよ
うとする技術・⼿手法")  を⼈人間がやってみ
る。
20
みんなでチャレンジ!ひよ⼦子雌雄鑑別
• まず♂と♀のひよ⼦子の画像が何枚か
ずつランダムに表⽰示されます。  
• その後、1枚だけひよ⼦子の画像が出て
くるので、♂か♀かを鑑別してくだ
さい。
21
ひよこ
22
23
ひよ子(♂)
24
ひよ子(♀)
25
ひよ子(♂)
26
ひよ子(♂)
27
ひよ子(♀)
28
ひよ子(♂)
29
ひよ子(♀)
30
ひよ子(♂)
31
ひよ子(♀)
32
ひよ子(♂)
33
34
?
⼈人間機械学習の凄さ
• ⼈人間は無意識識のうちに、特徴点を⾒見見つけ、
識識別する能⼒力力を持っている。  
• これを機械にやらせるのが機械学習
35
AZURE  MACHINE  LEARNING  
の基本
36
Azure  ML  is  何?
• ブラウザで機械学習が使える環境  
• メジャーなアルゴリズムを⽤用意  
• ドラッグ&ドロップで機械学習できる  
• ⾼高額なSW/HWなくても機械学習を始められる。  
• とにかく機械学習やるに...
Azure  MLで何ができるのか
• 2値の分類([yes|no][0|1][male|female])  
• 複数値の分類(A,B,C,D,・・とか1,2,3,4,・・,...etc)  
• 回帰を使った予測  
• 複数の基準を持った...
AzureML基本的な概念念
• ⼀一番⼤大きな論論理理単位はWORKSPACE  
• その中にEXPENRIMENTというモデルを作る。  
• WORKSPACEごとにDATASETというデータを追加
することができる。  
• 同⼀一W...
ML  Studioの構成
40
Proper&es
Dataset	
module/
Module
• 上は基本的にinput  
• 下は基本的にoutput  
• Outputはその場で出⼒力力を確認することができる  
41
AZURE  MLの実例例
42
Azure  MLでやることサンプル
• スキー⽤用品に関しての価格予測  
• 2006年年7⽉月~∼2014年年10⽉月までのオーク
ション(CtoC  個⼈人間取引)における  
• 流流通総額、取引件数、平均価格のデータを
利利⽤用。 ...
取引件数
44
0
12500
25000
37500
50000
2006/7/1 2008/1/1 2009/7/1 2011/1/1 2012/7/1 2014/1/1
流流通総額
45
¥0
¥100,000,000
¥200,000,000
¥300,000,000
¥400,000,000
2006/7/1 2008/1/1 2009/7/1 2011/1/1 2012/7/1 2014/1/1
平均価格
46
¥0
¥3,500
¥7,000
¥10,500
¥14,000
2006/7/1 2008/1/1 2009/7/1 2011/1/1 2012/7/1 2014/1/1
平均価格  -‐‑‒  流流通総額  2軸
47
¥0
¥100,000,000
¥200,000,000
¥300,000,000
¥400,000,000
¥0
¥3,500
¥7,000
¥10,500
¥14,000
2006/7/1 ...
じゃあ予測やっていきましょう
• ⽉月ごとの流流通総額での予測  
• データの8割を学習に、2割を検証に  
• 縦軸がAzure  MLが弾きだした予測値  
• 横軸が実際のデータでの値  
• 縦軸の値=横軸の値が完璧な予測  
• 4...
これ、10分あればできます
49
Upcoming SlideShare
Loading in …5
×

Azure MLで機械学習をやってみよう

14,594 views

Published on

最近ではどのアプリケーションにも使われている機械学習。やってみたいけどどこから始めてよいのかわからない。アルゴリズムは知っているけど、データ整理、アプリへの実装に時間がかかりモデル作成に集中できない。Azure MLを使えばどこまでできるか?開発者のために鍛え抜かれた新しい機械学習プラットフォームの威力を紹介します!

Published in: Technology
  • Be the first to comment

Azure MLで機械学習をやってみよう

  1. 1. 質問
  2. 2. 質問 機械学習の実装をしたことがある⼈人
  3. 3. 質問 機械学習の実装をしたことがある⼈人 機械学習やった事ある⼈人
  4. 4. 質問 機械学習の実装をしたことがある⼈人 機械学習やった事ある⼈人 機械学習やってみたい⼈人
  5. 5. 質問 機械学習の実装をしたことがある⼈人 機械学習やった事ある⼈人 機械学習やってみたい⼈人 機械学習が何か知りたい⼈人
  6. 6. 質問 機械学習の実装をしたことがある⼈人 機械学習やった事ある⼈人 機械学習やってみたい⼈人 機械学習が何か知りたい⼈人 機械学習に興味のない⼈人
  7. 7. 質問 機械学習の実装をしたことがある⼈人 機械学習やった事ある⼈人 機械学習やってみたい⼈人 機械学習が何か知りたい⼈人 機械学習に興味のない⼈人
  8. 8. なぜ機械学習をやらなかったのか 興味がない 何かわからない まず何をしたら良いかわからない 何ができるかわからない
  9. 9. Azure  MLで
 機械学習をやってみよう 2015.01.16     GoAzure2015     3
  10. 10. ⾃自⼰己紹介 • 得上  ⻯竜⼀一(とくがみ  りゅういち)   • 元JAWS-‐‑‒UG(AWSのユーザ会)  代表   • 去年年までマイニングブラウニーという会社の代表   • 株式会社オークファンに2015年年1⽉月~∼会社ごとジョイン   • オークションでの売買データ等を元に、⾊色々と分析する 部⾨門   4
  11. 11. アジェンダ • 機械学習をやる理理由   • 機械学習とは   • 機械学習を体験してみる   • Azure  MLの基本   • Azure  MLの実例例 5
  12. 12. 機械学習をやる理理由 6
  13. 13. 機械学習をやる理理由 もうすぐ幻滅期を迎え る   幻滅の理由   名前のひとり歩き   具体性のない過度の期待   適用範囲がわからない
 だから使えない 7
  14. 14. 機械学習をやる理理由 • IoTへの期待   • ビッグデータが具体化   • データ量量の増加によって
 ⼈人間が処理理できるデータ量量を超 えた。   • 必然的に機械学習に頼り始める   8
  15. 15. ビッグデータってそもそも何だ • データを あーだこーだして価値に変える 9 ?
  16. 16. ビッグデータってそもそも何だ •その あーだこーだするのところで
 データの整理理にとどまってる残念念な現状 10
  17. 17. 整理理だけだとどうなるか 11
  18. 18. 整理理だけだとどうなるか • ビッグデータを活⽤用 11
  19. 19. 整理理だけだとどうなるか • ビッグデータを活⽤用 • 整理理して、可視化して 11
  20. 20. 整理理だけだとどうなるか • ビッグデータを活⽤用 • 整理理して、可視化して • データから何か出てきた 11
  21. 21. 整理理だけだとどうなるか • ビッグデータを活⽤用 • 整理理して、可視化して • データから何か出てきた • 知ってた 11
  22. 22. あーだこーだするを深堀りすると 12 Organize Analysis Predictionmonitoring 何が起こった 何で起こった 何が起きている 何が起こる?
  23. 23. データの価値と複雑さ 13 Organize Analysis Prediction monitoring 何が起こった 何で起こった 何が起きている 何が起こる? 複雑さ 価値
  24. 24. predictionは⼀一朝⼀一⼣夕ではできない 14
  25. 25. predictionは⼀一朝⼀一⼣夕ではできない • predictionには過去のデータが必要。 14
  26. 26. predictionは⼀一朝⼀一⼣夕ではできない • predictionには過去のデータが必要。 • 時間の差以上に価値の差は広がっていく 14
  27. 27. predictionは⼀一朝⼀一⼣夕ではできない • predictionには過去のデータが必要。 • 時間の差以上に価値の差は広がっていく 14
  28. 28. predictionは⼀一朝⼀一⼣夕ではできない • predictionには過去のデータが必要。 • 時間の差以上に価値の差は広がっていく • 今から始めますか? 14
  29. 29. predictionは⼀一朝⼀一⼣夕ではできない • predictionには過去のデータが必要。 • 時間の差以上に価値の差は広がっていく • 今から始めますか? • 普及してから始めますか? 14
  30. 30. 2014年年  各社からの発表 15
  31. 31. 機械学習とは 16
  32. 32. 機械学習  =  ⼈人⼯工知能??? • ⼈人間が⾃自然に⾏行行っている学習能⼒力力と同様の機能をコン ピュータで実現しようとする技術・⼿手法のことである。   – 出展  Wikipedia   • 機械学習=⼈人⼯工知能?   – ⼈人⼯工知能学会での機械学習   • 研究範囲の⼀一つ   • 基礎的な部分   – とは⾔言え、実際は混同してる 17
  33. 33. ⼈人⼯工知能と機械学習 • 強いAI  (Strong  AI)   – ⼈人間の知能そのものを持つ機械をつくろう   • 弱いAI  (Weak  AI)   – ⼈人間が知能を使ってすることを機械にさせよう   • ⼈人⼯工知能怖いって⾔言ってる⼈人の殆どが強いAIを指している。   • ⼈人⼯工知能に希望を⾒見見出している⼈人は弱いAIを指している。   • 機械学習は弱いAI   18
  34. 34. 機械学習を体験してみる 19
  35. 35. ⼈人間機械学習(?)に挑戦 • 機械学習("⼈人間が⾃自然に⾏行行っている学習能 ⼒力力と同様の機能をコンピュータで実現しよ うとする技術・⼿手法")  を⼈人間がやってみ る。 20
  36. 36. みんなでチャレンジ!ひよ⼦子雌雄鑑別 • まず♂と♀のひよ⼦子の画像が何枚か ずつランダムに表⽰示されます。   • その後、1枚だけひよ⼦子の画像が出て くるので、♂か♀かを鑑別してくだ さい。 21
  37. 37. ひよこ 22
  38. 38. 23 ひよ子(♂)
  39. 39. 24 ひよ子(♀)
  40. 40. 25 ひよ子(♂)
  41. 41. 26 ひよ子(♂)
  42. 42. 27 ひよ子(♀)
  43. 43. 28 ひよ子(♂)
  44. 44. 29 ひよ子(♀)
  45. 45. 30 ひよ子(♂)
  46. 46. 31 ひよ子(♀)
  47. 47. 32 ひよ子(♂)
  48. 48. 33
  49. 49. 34 ?
  50. 50. ⼈人間機械学習の凄さ • ⼈人間は無意識識のうちに、特徴点を⾒見見つけ、 識識別する能⼒力力を持っている。   • これを機械にやらせるのが機械学習 35
  51. 51. AZURE  MACHINE  LEARNING   の基本 36
  52. 52. Azure  ML  is  何? • ブラウザで機械学習が使える環境   • メジャーなアルゴリズムを⽤用意   • ドラッグ&ドロップで機械学習できる   • ⾼高額なSW/HWなくても機械学習を始められる。   • とにかく機械学習やるには世界で最も敷居の低 いツール(私の独断) 37
  53. 53. Azure  MLで何ができるのか • 2値の分類([yes|no][0|1][male|female])   • 複数値の分類(A,B,C,D,・・とか1,2,3,4,・・,...etc)   • 回帰を使った予測   • 複数の基準を持った、並べ替え(レコメンドエンジ ン)   • クラスタリング   38
  54. 54. AzureML基本的な概念念 • ⼀一番⼤大きな論論理理単位はWORKSPACE   • その中にEXPENRIMENTというモデルを作る。   • WORKSPACEごとにDATASETというデータを追加 することができる。   • 同⼀一WORKSPACE内であればDATASETは共有可能   • ML  Studioというブラウザ上の環境でモデルを作 成。 39
  55. 55. ML  Studioの構成 40 Proper&es Dataset module/
  56. 56. Module • 上は基本的にinput   • 下は基本的にoutput   • Outputはその場で出⼒力力を確認することができる   41
  57. 57. AZURE  MLの実例例 42
  58. 58. Azure  MLでやることサンプル • スキー⽤用品に関しての価格予測   • 2006年年7⽉月~∼2014年年10⽉月までのオーク ション(CtoC  個⼈人間取引)における   • 流流通総額、取引件数、平均価格のデータを 利利⽤用。   • 今回は流流通総額を予測してみる。 43
  59. 59. 取引件数 44 0 12500 25000 37500 50000 2006/7/1 2008/1/1 2009/7/1 2011/1/1 2012/7/1 2014/1/1
  60. 60. 流流通総額 45 ¥0 ¥100,000,000 ¥200,000,000 ¥300,000,000 ¥400,000,000 2006/7/1 2008/1/1 2009/7/1 2011/1/1 2012/7/1 2014/1/1
  61. 61. 平均価格 46 ¥0 ¥3,500 ¥7,000 ¥10,500 ¥14,000 2006/7/1 2008/1/1 2009/7/1 2011/1/1 2012/7/1 2014/1/1
  62. 62. 平均価格  -‐‑‒  流流通総額  2軸 47 ¥0 ¥100,000,000 ¥200,000,000 ¥300,000,000 ¥400,000,000 ¥0 ¥3,500 ¥7,000 ¥10,500 ¥14,000 2006/7/1 2007/9/1 2008/11/1 2010/1/1 2011/3/1 2012/5/1 2013/7/1 2014/9/1
  63. 63. じゃあ予測やっていきましょう • ⽉月ごとの流流通総額での予測   • データの8割を学習に、2割を検証に   • 縦軸がAzure  MLが弾きだした予測値   • 横軸が実際のデータでの値   • 縦軸の値=横軸の値が完璧な予測   • 45°の⼀一直線だとパーフェクト   • 検証の結果精度度はそんなに悪くない   • 実際に予測するにはWebAPI化 48
  64. 64. これ、10分あればできます 49

×