UT-HACKsさん主催の「DeepLearningに先立つ機械学習講習会」に参加してきました。
DeepLearningに先立つ機械学習講習会 – 機械学習・ディープラーニング勉強会 | Doorkeeper
満員御礼で部屋が結構窮屈でしたが、内容自体はとても分かりやすく、機械学習初心者には最適な内容でした。しかし最近は機械学習とかDeepLearningというキーワードは注目度高いっすね。
以下雑多なメモです。
講習会でできるようになること
- 機械学習が分かる
- Pythonでデータ解析ができる
Deep Learningとは
Googleが猫を発見した
GoogleがYoutubeの映像からDeep Leaningを使って猫を見つけたというのは有名な話。
カリフォルニア州マウンテンヴューの研究所で、スーパーコンピューター自身がYouTube上の猫の画像を認識することを学習した。秘密は、莫大な量のデータをアルゴリズムにかけることだ。
一般物体認識
- 写真に写っているものを当てるコンテスト
間違え方も自然
Deep Learinigは無限の可能性があるが、誤解されている。
セミナーの目的は、機械学習を丁寧にやさしく、数式少なめで解説するとともに、機械学習やDeepLearningにまつわるズレたイメージを解いていきたい。
機械学習のタイプ
教師あり学習
正解のあるデータから規則性を見つける
Googleの年齢当て
教師なし学習
正解のないデータから規則性を見つける
以下のサービスは、講師が関わっている「人工知能を使った簡単アフィリエイトツール」。
強化学習
試行錯誤を通じて環境に適応する学習
回数を重ねることで学んでいく
Deep Q networkが有名
ブロック崩しを強化学習させてみた話
最初は全然ダメだけど、最後は戦略を見つけるまで強化された。
教師あり学習
正解となる値；Target（目的変数）
予測のもとになる値：Feature（特徴量）
教師あり学習の目的
TargetをFeatureの関数で書き表したい
分類と回帰
分類
- 正解が離散的
- 明日の天気は晴れ？曇り？雨？
回帰
- 正解が連続的
- 明日の気温は何度？
教師あり学習のアルゴリズム
- 線形回帰
- ロジステック回帰
- k-近傍方
- ニューラルネットワーク
- ランダムフォレスト
などなど
一番良い手法って何？
絶対的に良い手法はない
世の中そんなに甘くない
常に優れているアルゴリズムは存在しない
各問題にあった手法を採用しなくてはいけない
どうやって選ぶかというと、人の手による試行錯誤
Under fittingとOver fitting
単純すぎても複雑すぎてもダメ
* Under Fitting
学習誤差大、予測誤差大
* Over Fiting
学習誤差小、予測誤差大
丁度良い誤差を探すしかない
では、使う手法が全てなのか
使うデータが全てである
- 手法の改良で精度の改善は数%程度
- 良いFeatureであれば、最低15%程度の改善
じゃあ良いFeatureって何？
それが分かれば苦労しない
そこで登場したのがDeep Leaning
Deep Leaningの強み
自動的に有用なFeatureの抽出
画像処理、自然言語、音声認識などでも自動でFeature抽出に成功
Deep Leaningは脳を模倣したから凄いのか？
決してそんなことはなく、Featureの自動抽出が革命的だった。
Deep Leaningで全部大丈夫？
世の中そんなに甘くない。なぜなら、
- 学習の際のパラメータが多すぎ
通常は10ぐらいだけど、DLの場合は100以上 - パラメータ調整に独特のコツが必要
実際にPythonを使った機械学習演習も実施しましたがそちらは省略。
Similar Posts:
- 目指せPMP更新
- データベースが逝きました・・・
- Googleがデータセンター内部を公開
- データセンターが「落ちる」ことを想定したグーグルのアーキテクチャ
- Ericssonが2012年Q4のデータを反映させたモバイル動向レポートを公開
UT-HACKsさん主催の「DeepLearningに先立つ機械学習講習会」参加メモ is a post from: ネットワークエンジニアを目指して