Submit Search
Upload
静岡大学 山本研究室 勉強会資料 機械学習
•
Download as PPTX, PDF
•
2 likes
•
323 views
Y
ymmt3-lab
Follow
静岡大学の山本研究室で行った機械学習の勉強会のスライドです。
Read less
Read more
Technology
Report
Share
Report
Share
1 of 28
Download now
Recommended
End-to-end 韻律推定に向けた subword lattice 構造を考慮した DNN 音響モデル学習
End-to-end 韻律推定に向けた subword lattice 構造を考慮した DNN 音響モデル学習
Shinnosuke Takamichi
ICASSP2017読み会 (acoustic modeling and adaptation)
ICASSP2017読み会 (acoustic modeling and adaptation)
Shinnosuke Takamichi
WSDM2018 読み会 Latent cross making use of context in recurrent recommender syst...
WSDM2018 読み会 Latent cross making use of context in recurrent recommender syst...
Takanori Nakai
Sentence-State LSTM for Text Representation
Sentence-State LSTM for Text Representation
Takanori Nakai
TensorFlow 入門
TensorFlow 入門
Takenori Nakagawa
Tensor Representations
Tensor Representations
Yuta Ashihara
IR Reading 2020「Studying How Health Literacy Influences Attention during Onli...
IR Reading 2020「Studying How Health Literacy Influences Attention during Onli...
ymmt3-lab
IR Reading 2020春「Effects of Past Interactions on User Experience with Recom...
IR Reading 2020春「Effects of Past Interactions on User Experience with Recom...
ymmt3-lab
Recommended
End-to-end 韻律推定に向けた subword lattice 構造を考慮した DNN 音響モデル学習
End-to-end 韻律推定に向けた subword lattice 構造を考慮した DNN 音響モデル学習
Shinnosuke Takamichi
ICASSP2017読み会 (acoustic modeling and adaptation)
ICASSP2017読み会 (acoustic modeling and adaptation)
Shinnosuke Takamichi
WSDM2018 読み会 Latent cross making use of context in recurrent recommender syst...
WSDM2018 読み会 Latent cross making use of context in recurrent recommender syst...
Takanori Nakai
Sentence-State LSTM for Text Representation
Sentence-State LSTM for Text Representation
Takanori Nakai
TensorFlow 入門
TensorFlow 入門
Takenori Nakagawa
Tensor Representations
Tensor Representations
Yuta Ashihara
IR Reading 2020「Studying How Health Literacy Influences Attention during Onli...
IR Reading 2020「Studying How Health Literacy Influences Attention during Onli...
ymmt3-lab
IR Reading 2020春「Effects of Past Interactions on User Experience with Recom...
IR Reading 2020春「Effects of Past Interactions on User Experience with Recom...
ymmt3-lab
ゲーム実況動画のハイライト自動検出
ゲーム実況動画のハイライト自動検出
ymmt3-lab
卒業研究審査会2019_伊藤
卒業研究審査会2019_伊藤
ymmt3-lab
Soro2019 murata
Soro2019 murata
ymmt3-lab
2019年度卒業研究審査会 発表資料「確証バイアスとウェブ検索行動の関係分析」
2019年度卒業研究審査会 発表資料「確証バイアスとウェブ検索行動の関係分析」
ymmt3-lab
Research 20200206 nagano
Research 20200206 nagano
ymmt3-lab
Journalclub 20191211 nagano
Journalclub 20191211 nagano
ymmt3-lab
研究室勉強会資料「データ分析チュートリアル」
研究室勉強会資料「データ分析チュートリアル」
ymmt3-lab
Journalclub sato 20191218
Journalclub sato 20191218
ymmt3-lab
Journal club 20191211_murata
Journal club 20191211_murata
ymmt3-lab
Journal_club_1120
Journal_club_1120
ymmt3-lab
ジャーナルクラブ_20191120
ジャーナルクラブ_20191120
ymmt3-lab
Journalclub sato 20191031
Journalclub sato 20191031
ymmt3-lab
Journal club 20191030 ito
Journal club 20191030 ito
ymmt3-lab
Journalclub 20191023 nagano
Journalclub 20191023 nagano
ymmt3-lab
Journal club 20191023_murata
Journal club 20191023_murata
ymmt3-lab
DEIM2019発表資料(藤堂晶輝)
DEIM2019発表資料(藤堂晶輝)
ymmt3-lab
DEIM2019_horiuchi
DEIM2019_horiuchi
ymmt3-lab
DEIM2019 発表資料 「飲食店レビュー情報の集合知分析と意思決定支援」
DEIM2019 発表資料 「飲食店レビュー情報の集合知分析と意思決定支援」
ymmt3-lab
DEIM2019 発表資料 「笑えるウェブ情報検索のためのクエリ推薦」
DEIM2019 発表資料 「笑えるウェブ情報検索のためのクエリ推薦」
ymmt3-lab
DEIM2019 発表資料 「脚本の内容と構成要素に基づく映画印象推定」
DEIM2019 発表資料 「脚本の内容と構成要素に基づく映画印象推定」
ymmt3-lab
Amazon SES を勉強してみる その12024/04/12の勉強会で発表されたものです。
Amazon SES を勉強してみる その12024/04/12の勉強会で発表されたものです。
iPride Co., Ltd.
20240412_HCCJP での Windows Server 2025 Active Directory
20240412_HCCJP での Windows Server 2025 Active Directory
osamut
More Related Content
More from ymmt3-lab
ゲーム実況動画のハイライト自動検出
ゲーム実況動画のハイライト自動検出
ymmt3-lab
卒業研究審査会2019_伊藤
卒業研究審査会2019_伊藤
ymmt3-lab
Soro2019 murata
Soro2019 murata
ymmt3-lab
2019年度卒業研究審査会 発表資料「確証バイアスとウェブ検索行動の関係分析」
2019年度卒業研究審査会 発表資料「確証バイアスとウェブ検索行動の関係分析」
ymmt3-lab
Research 20200206 nagano
Research 20200206 nagano
ymmt3-lab
Journalclub 20191211 nagano
Journalclub 20191211 nagano
ymmt3-lab
研究室勉強会資料「データ分析チュートリアル」
研究室勉強会資料「データ分析チュートリアル」
ymmt3-lab
Journalclub sato 20191218
Journalclub sato 20191218
ymmt3-lab
Journal club 20191211_murata
Journal club 20191211_murata
ymmt3-lab
Journal_club_1120
Journal_club_1120
ymmt3-lab
ジャーナルクラブ_20191120
ジャーナルクラブ_20191120
ymmt3-lab
Journalclub sato 20191031
Journalclub sato 20191031
ymmt3-lab
Journal club 20191030 ito
Journal club 20191030 ito
ymmt3-lab
Journalclub 20191023 nagano
Journalclub 20191023 nagano
ymmt3-lab
Journal club 20191023_murata
Journal club 20191023_murata
ymmt3-lab
DEIM2019発表資料(藤堂晶輝)
DEIM2019発表資料(藤堂晶輝)
ymmt3-lab
DEIM2019_horiuchi
DEIM2019_horiuchi
ymmt3-lab
DEIM2019 発表資料 「飲食店レビュー情報の集合知分析と意思決定支援」
DEIM2019 発表資料 「飲食店レビュー情報の集合知分析と意思決定支援」
ymmt3-lab
DEIM2019 発表資料 「笑えるウェブ情報検索のためのクエリ推薦」
DEIM2019 発表資料 「笑えるウェブ情報検索のためのクエリ推薦」
ymmt3-lab
DEIM2019 発表資料 「脚本の内容と構成要素に基づく映画印象推定」
DEIM2019 発表資料 「脚本の内容と構成要素に基づく映画印象推定」
ymmt3-lab
More from ymmt3-lab
(20)
ゲーム実況動画のハイライト自動検出
ゲーム実況動画のハイライト自動検出
卒業研究審査会2019_伊藤
卒業研究審査会2019_伊藤
Soro2019 murata
Soro2019 murata
2019年度卒業研究審査会 発表資料「確証バイアスとウェブ検索行動の関係分析」
2019年度卒業研究審査会 発表資料「確証バイアスとウェブ検索行動の関係分析」
Research 20200206 nagano
Research 20200206 nagano
Journalclub 20191211 nagano
Journalclub 20191211 nagano
研究室勉強会資料「データ分析チュートリアル」
研究室勉強会資料「データ分析チュートリアル」
Journalclub sato 20191218
Journalclub sato 20191218
Journal club 20191211_murata
Journal club 20191211_murata
Journal_club_1120
Journal_club_1120
ジャーナルクラブ_20191120
ジャーナルクラブ_20191120
Journalclub sato 20191031
Journalclub sato 20191031
Journal club 20191030 ito
Journal club 20191030 ito
Journalclub 20191023 nagano
Journalclub 20191023 nagano
Journal club 20191023_murata
Journal club 20191023_murata
DEIM2019発表資料(藤堂晶輝)
DEIM2019発表資料(藤堂晶輝)
DEIM2019_horiuchi
DEIM2019_horiuchi
DEIM2019 発表資料 「飲食店レビュー情報の集合知分析と意思決定支援」
DEIM2019 発表資料 「飲食店レビュー情報の集合知分析と意思決定支援」
DEIM2019 発表資料 「笑えるウェブ情報検索のためのクエリ推薦」
DEIM2019 発表資料 「笑えるウェブ情報検索のためのクエリ推薦」
DEIM2019 発表資料 「脚本の内容と構成要素に基づく映画印象推定」
DEIM2019 発表資料 「脚本の内容と構成要素に基づく映画印象推定」
Recently uploaded
Amazon SES を勉強してみる その12024/04/12の勉強会で発表されたものです。
Amazon SES を勉強してみる その12024/04/12の勉強会で発表されたものです。
iPride Co., Ltd.
20240412_HCCJP での Windows Server 2025 Active Directory
20240412_HCCJP での Windows Server 2025 Active Directory
osamut
Postman LT Fukuoka_Quick Prototype_By Daniel
Postman LT Fukuoka_Quick Prototype_By Daniel
danielhu54
PHP-Conference-Odawara-2024-04-000000000
PHP-Conference-Odawara-2024-04-000000000
Shota Ito
新人研修のまとめ 2024/04/12の勉強会で発表されたものです。
新人研修のまとめ 2024/04/12の勉強会で発表されたものです。
iPride Co., Ltd.
IoT in the era of generative AI, Thanks IoT ALGYAN.pptx
IoT in the era of generative AI, Thanks IoT ALGYAN.pptx
Atomu Hidaka
プレイマットのパターン生成支援ツールの評価
プレイマットのパターン生成支援ツールの評価
sugiuralab
プレイマットのパターン生成支援ツール
プレイマットのパターン生成支援ツール
sugiuralab
Recently uploaded
(8)
Amazon SES を勉強してみる その12024/04/12の勉強会で発表されたものです。
Amazon SES を勉強してみる その12024/04/12の勉強会で発表されたものです。
20240412_HCCJP での Windows Server 2025 Active Directory
20240412_HCCJP での Windows Server 2025 Active Directory
Postman LT Fukuoka_Quick Prototype_By Daniel
Postman LT Fukuoka_Quick Prototype_By Daniel
PHP-Conference-Odawara-2024-04-000000000
PHP-Conference-Odawara-2024-04-000000000
新人研修のまとめ 2024/04/12の勉強会で発表されたものです。
新人研修のまとめ 2024/04/12の勉強会で発表されたものです。
IoT in the era of generative AI, Thanks IoT ALGYAN.pptx
IoT in the era of generative AI, Thanks IoT ALGYAN.pptx
プレイマットのパターン生成支援ツールの評価
プレイマットのパターン生成支援ツールの評価
プレイマットのパターン生成支援ツール
プレイマットのパターン生成支援ツール
静岡大学 山本研究室 勉強会資料 機械学習
1.
ゼロから始める深層学習 梅田浩郎 静岡大学 大学院 総合科学技術研究科
情報学専攻 umeda@design.inf.shizuoka.ac.jp 2019年10月31日 定期勉強会
2.
この勉強会では 自然言語処理で耳にするRNN/LSTMは どういったものなのか? 技術的なことを省いて勉強する
3.
RNN/LSTMの位置付け
4.
機械学習と深層学習の関係 機械学習と深層学習は包括関係 機械学習 深層学習
5.
機械学習の学習と手法 3つの学習方法と手法の例 ニューラルネットワークの拡張が深層学習 • サポートベクターマシン(SVM) • ランダムフォレスト •
ニューラルネットワーク(NN) 教師あり学習 • 階層型クラスタリング • 非階層型クラスタリング 教師なし学習 強化学習
6.
NNと深層学習の関係 先ほどの包括関係は下のようになる 機械学習 NN 深層学習
7.
NN 入力層、中間層(隠れ層)、出力層から 成り立つ 出力が教師データと照合され、一致度が 高くなるように重みを調整する
8.
深層学習 中間層が多層化したNNのこと
9.
NN・深層学習の特徴 大量の教師データを与えることで コンピュータ自ら特徴量を学習する NN・深層学習では教師データをもとに特徴量を決定 データによると「赤、丸い、果梗あり」はりんごだ SVMなどでは判別のための特徴量を人間が指定 「赤、丸い、果梗あり」に注目しろ 特徴量 • 赤 • 丸い •
果梗あり
10.
RNN 時系列データ(音声や文章)を扱える 入力と前状態をもとに出力を決定する
11.
LSTM RNNの改良版 状態の伝播の取捨選択を行う 必要なことだけを伝えるためRNNに比べ 長期記憶データが扱える
12.
ニューラルネットワーク・深層 学習
13.
NN(再掲) 入力層、中間層(隠れ層)、出力層から 成り立つ 出力が教師データと照合され、一致度が 高くなるように重みを調整する
14.
入力部分 取り扱う問題によって入力数は変化する 下のような手書き画像の分類問題の場合、 ピクセルの数だけ入力が存在する 28 28 1 784 ・ ・ ・ 入力層
15.
中間層への受け渡し・重み付け 入力ごとに重みがかけられる それを全て加算したものが中間層へ渡る 中間層の数だけ行われる 𝑋1 𝑋784 ・ ・ ・ 𝑊1 𝑊784 ・ ・ ・ 重み:W入力:𝑋n × × ℎ1 = 𝑥1
𝑤1 + ⋯ + 𝑥784 𝑤784ℎ1 中間:ℎ ℎ2 ・ ・ ・ ℎ2 = 𝑥1 𝑤785 + ⋯ + 𝑥784 𝑤1568
16.
中間層での処理・活性化関数の適用 入力から渡された値をある程度の範囲に 収める これを行うのが活性化関数 ℎ1 = 𝑥1
𝑤1 + ⋯ + 𝑥784 𝑤784の結果に応じて 出力層に渡す値を変化させる ℎ1 中間:ℎ 出力:𝑦 𝑦1 ℎ ≥ 0 ∶ 1 ℎ < 0 ∶ 0
17.
出力層 出力の数 出力の数は解きたい問題によって変化 – 分類問題なら分類したい数が出力の数となる –
手書き文字の分類問題は1~9を分類するので出力の数 は9となる 出力層の値と教師データの比較を行い、 各重みを調整する(次ページに続く) 出力:𝑦 𝑦1 𝑦9 𝑦5 教師データ 0 0 1 5の判別にあたる𝑦5は1に 9の判別にあたる𝑦9は0に なってほしい
18.
出力層 出力層の処理 損失関数を用いて正解データと比較 損失関数が小さくなるように重みを調整 重み調整の方法を誤差逆伝播法という 損失関数:L
19.
NN・深層学習のまとめ 入力層、中間層(隠れ層)、出力層から 成り立つ 出力が教師データと照合され、一致度が 高くなるように重みを調整する 出力とデータの照合に損失関数を用いる 重みの調整には誤差逆伝播法を用いる
20.
RNNとLSTM
21.
RNNとLSTMの基本構造(再掲) 入力と前状態をもとに出力を決定する
22.
RNN/LSTMはNNから何が変わったのか? 可変長の時系列データを扱えるようになる 単語の予測に以前の入力を使える “公園を”だけでは次に来る候補が多数考えらえる 1つ前の入力“私は”も使うことで“歩く”を予測できる
23.
RNNの欠点 長すぎる時系列データを扱うと重みの調整 ができなくなる 例えば下の文の空白部分を予測する問題 Tom was watching
TV in his room. Mary came into the room. Mary said hi to ________ .
24.
RNNの欠点 RNN embedding affine Softmax withloss RNN embedding affine Softmax withloss RNN embedding affine Softmax withloss LOSS Tom was to 正解ラベル Tom
25.
RNNの欠点 RNN embedding affine Softmax withloss RNN embedding affine Softmax withloss RNN embedding affine Softmax withloss LOSS Tom was to 正解ラベル Tom 時系列の初期の方の重みの調整ができなくなる (勾配消失・勾配爆発)
26.
RNNの改善 LSTM LSTMha必要な情報のみを伝えることが で きるようになったRNN –
RNNでは必要のない情報も伝えていた – LSTMでは必要な情報の取捨選択を行うゲートが 組み込まれている – ゲートは勾配消失などに対応する LSTM LSTM LSTM このLSTM以前の状態が必要性が少ない時、 ゲートが伝播を調整する
27.
RNN/LSTMのまとめ 時系列データを扱える 基本的な動作はRNNとLSTMで同じ LSTMは、RNNが苦手な長期に渡る時系列 データを扱える
28.
参考文献 ゼロから作るDeep Learning
ゼロから作るDeep Learning2 再帰型ニューラルネットワークの「基礎の基礎」を理解する ~ ディープラーニング入門|第3回 https://www.imagazine.co.jp/ 再帰型ニューラルネットワークの「基礎の基礎」/ 総務省 ICTスキル総合取得教材 3-5:人工知能と機械学習 http://www.soumu.go.jp/ict_skill/pdf/ict_skill_3_5.pdf ニューラルネットワークの基礎解説:仕組みや機械学習・ディープ ラーニングとの関係とは https://www.sbbit.jp/article/cont1/33345 やさしい深層学習の原理 http://gagbot.net/machine- learning/ml4 Deep Learning入門:ニューラルネットワーク設計の基礎 https://www.youtube.com/watch?v=O3qm6qZooP0&t=168s
Editor's Notes
ラベルあり ラベルなし
なんで複数層になると嬉しいのか? 判定のルールが中間層のパーセプトロンの数になる 何に着目すればいいのかを学習する 過学習とは何か?
入力 出力のがずがたくさんありすぎるためRNNの登場
なんの略なのかを教える
戦型から火戦型に
Download now