東北大学AIE - 機械学習入門編
•Download as PPTX, PDF•
2 likes•664 views
機械学習が再度注目を集めている中、皆さんの生活や社会の中で活用され始めています。ところが「AI」という言葉が 先行している事もあり、機械学習の実体の理解が浅いがために、誤解をした使い方なども見受けられています。 ここでは、機械学習に興味のある方や、機械学習のモデルの作成はした事があるものの、実業務や社会などに展開し た事の無い方向けに、機械学習とは何か?プログラミングと何が違うのか?そのモデル作成の手順などをご紹介しま す。
Recommended
More Related Content
What's hot
What's hot (20)
Similar to 東北大学AIE - 機械学習入門編
Similar to 東北大学AIE - 機械学習入門編 (20)
More from Daiyu Hatakeyama
More from Daiyu Hatakeyama (20)
Recently uploaded
Recently uploaded (9)
東北大学AIE - 機械学習入門編
- 1. 機械学習 入門 - Data によって作られる世界への入り口 - 畠山 大有 | Daiyu Hatakeyama | @dahatake Architect && Software Engineer && Applied Data Scientist (目指している) Microsoft Japan
- 3. 蒸気 や 電気 ソフトウェア (+AI) AI
- 6. Text (OCR) “(1) Validate enrichment pipeline”
- 7. Tags “throwing”, “ball”, “girl”, “grass”, “basketball” Caption “A girl throwing a ball”
- 8. Entities Persons “Anita Christiansen”, “Conrad Nuber”, Locations “Bothell”, “Woodinville” Organization “Litware Insurance Corp.”
- 10. 1950 1960 1970 1980 1990 2000 2010
- 11. 手法
- 12. Machine Learning 教師あり 学習 教師無し 学習 強化学習 Classification Regression Clustering Reward-based 種類 カテゴリ アルゴリズムの例 ・故障分類 ・販促効果分類 利用例 ・売上予測 ・需要予測 ・セグメンテー ション ・顧客グルーピン グ ・メール キャン ペーン ・自動運転 ・自立型ビル管理
- 13. -0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 -0.6 -0.4 -0.2 0 0.2 0.4 error error 3 2 1 0 -1 -2 -3 -4 -3 -2 -1 0 1 2 3 4 ・売上予測 ・需要予測 ・品質管理 ・不良品分析 ・故障予測 ・チャーン分析 ・販促効果測定 ・与信分析 ・セグメンテー ション ・顧客グルーピン グ ・メール キャン ペーン 値 ラベル
- 14. Goal: 分類を予測する 教師あり学習 ゴールの例: このクレジットカードは不正 か? Class 1 Class 2 2つ以上でも良い
- 17. • 車の各種情報から車の価格を予測する • ブランド • 燃料タイプ (ガソリン, ディーゼル) • 吸気タイプ (ターボ, NA) • ドアの数 (2ドア, 4ドア) • 車体 (セダン, ワゴン, ハードトップ) • 駆動方式 (FWD, RWD, 4WD) • エンジン位置 (フロント, リア) • ホイールの大きさ • シリンダーの数 • 車体の長さ, 幅, 高さ ・・・など
- 19. • あやめの「がく片の長さ」「がく片の幅」のみの情報で データの類似性から100個のあやめを2種類に分類する • 訓練用の答えデータを必要としない教師なし学習 がく片の幅 がく片の長さ データの類似性から 2 種類に分類する
- 23. 利用ライブラリーの設定
- 24. データセット (学習用のデータ) の読み込み # the data, split between train and test sets # Scale images to the [0, 1] range # Make sure images have shape (28, 28, 1) # convert class vectors to binary class matrices
- 26. 学習の実行
- 27. 学習したモデルのテスト (評価)
- 28. 中核部分は この分量です
- 29. <Python> Modelの保存 出力された Model <C#>Model の読み込み <C#>Model の利用 (実行)
- 30. プログラミング と 機械学習
- 31. 2 + 3 = 5
- 32. 2 + 3 = 5 簡単 大変…
- 33. 2 + 3 = 5 簡単 大変…
- 35. Program = Algorithm 人が書く タスクの仕様の定義 アルゴリズムは固定 アルゴリズムは容易に説明できる ソフトウェアが書く 目的: 汎化 アルゴリズムはデータに依存 アルゴリズムは時間とともに変わる
- 36. Program = Algorithm ソフトウェアが書く 目的: 汎化 アルゴリズムはデータに依存 アルゴリズムは時間とともに変わる Algorithm Algorithm 人が書く タスクの仕様の定義 アルゴリズムは固定 アルゴリズムは容易に説明できる
- 37. Program = Algorithm 人が書く タスクの仕様の定義 アルゴリズムは固定 アルゴリズムは容易に説明できる ソフトウェアが書く 目的: 汎化 アルゴリズムはデータに依存 アルゴリズムは時間とともに変わる 実世界の全てを想定して、 プログラミングするのは、難しい…
- 38. ドアの後ろに人がいます 入ってくる人は、男性 / 女性 のどちらで しょうか? 既知の情報は以下のみ 年齢: 35歳 年収: 600万円 有給残数: 12日 F (性別) = (0.03 * 年齢) + (0.07 * 年収) – (0.04 * 有給残数) + 0.05 = (0.03 * 3.5) + (0.07 * 6.0) – (0.04 * 1.2) + 0.05 = 0.41 0.5 よりも小さいから = 女性
- 42. Code と Data の関係
- 43. 独占 権威
- 48. Data ML Code Configuration Data Collection Data Verification Feature Extraction Machine Resource Management Analysis Tools Process Management Tools Serving Infrastructure Monitoring “Hidden Technical Debt in Machine Learning Systems,” Google NIPS 2015
- 49. • 何を意味しているのか? • いつ、どこで、取得したのか? • 入手漏れが無いのか? • 項目同士に関連があるのか? • 欠損や例外がどれだけ含まれているのか?
- 52. 万能なものは無い
- 55. ①True Positive（真陽性） : 100%に近いほど良好 ⇒A/(A+C) ②False Positive（偽陽性） : 0%に近いほど良好 ⇒B/(B+D) ③True Negative : 100%に近いほど良好 ⇒D/(B+D) ④False Negative : 0%に近いほど良好 ⇒C/(C+D) ⑤Accuracy（正解率） : 100%に近いほど良好 ⇒「○」「×」を正しく予測できた割合 ⇒(A+D)/(A+B+C+D) : 100%に近いほど良好 ⑥Precision（適合率） : 100%に近いほど良好 ⇒A/(A+B) ⑦Recall（再現率） : 100%に近いほど良好 ⇒①に同じ ⑧F1 Score :1.0に近いほど良好 ⇒⑥、⑦の複合指標 ⇒2×(⑥×⑦)/(⑥+⑦) 検証用データ 推論で得た分類 ○ × 正解の 分類 ○ A件 C件 × B件 D件 正解が「○」 のデータ 推論で「○」と されたデータ A件 C件 B件 D件 推論結果の例 主な評価指標
- 57. Karugamo でないもの に、 Karugamo と推論 ->モデルの過検知？ あり[推 論] なし[推 論] あり[正 解] XX XX なし[正 解] XX XX
- 59. 精度 プログラミ ング 機械学習 アプローチ 演繹的 帰納的。つまりブラックボックスは 残る 機能保証 (≒ 精度): Function Test 可能 訓練データ次第。ただ、統計の域を 出ない 性能保証: Performance Test 可能 可能 妥当性確認試験: Validation Test 可能 やってみないと、わからない https://www.slideshare.net/hironojumpei/ai-129527593
- 62. 数年前だと… コンサル費用数千万 + 数か月 誰でも数分でできる 襟あり RALPH LAUREN Cognitive Services Custom Vision
- 63. 会員数 4,150 名 全国 6 都市で 36 回イベント開催 福岡 大阪 広島 名古屋 東京 札幌 オンライン・オフライン含めた 機械学習教育講座の全国での推進 機械学習 SI エコシステム 日本最大の AI コミュニティ https://dllab.connpass.com/
- 64. • AI や 機械学習の最新の トレーニング • 概要・基礎・チュートリアル • 自分に適した、トレーニングコースの作成 • AI Business School • Conversational AI • AI Services • Machine Learning • Autonomous System • Responsible AI aischool.microsoft.com
- 65. Step-by-Step Learning Achievements スムーズな学習環境 無料 日本語対応 ブラウザーのみ。ハンズオ ン環境も含めて ダウンロード可能なサンプ ルコード Product/Service, 技術レベル, job role, などに応じたガイダ ンス Videos, チュートリアル, ハン ズオン スキルアップを促す ユーザー プロファイ ル毎に カスタマイズ www.microsoft.com/learn
- 66. Open Source Repo Link Azure ML Notebook Examples Azure Machine Learning 公式サンプル コード https://aka.ms/ml-notebooks BERT Large 自然言語モデル BERT のサンプルコード http://aka.ms/azure-bert Microsoft Recommenders レコメンデーション サンプルコード http://aka.ms/recommenders LightGBM LightGBM トップページ https://aka.ms/lightgbm Natural Language Recipies 自然言語 サンプルコード https://aka.ms/nlp-recipes ONNX ONNX トップページ https://aka.ms/onnx ONNX RT ONNX Runtimeトップページ https://aka.ms/onnx-rt Kubeflow & MLOps Kubeflow + Azure ML + DevOps サンプル コード https://aka.ms/kubeflow-and-mlops Azure Open Datasets Azure Open Datasets Webページ https://aka.ms/azure-open-datasets Azure ML Free Trial Azure フリートライアル https://aka.ms/amlfree Azure ML Docs Azure Machine Learning ドキュメント https://aka.ms/azureml-ja-docs