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
•
4,353 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
Jupyter Notebookを納品した話
Jupyter Notebookを納品した話
Hiroki Yamamoto
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
Javado2
Javado2
__john_smith__
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
PyConJP2018_LT_mahjong_180918
PyConJP2018_LT_mahjong_180918
Rio Kurihara
Alteryx UG3 LT #alteryx_ug
Alteryx UG3 LT #alteryx_ug
__john_smith__
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
Jupyter Notebookを納品した話
Jupyter Notebookを納品した話
Hiroki Yamamoto
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
Javado2
Javado2
__john_smith__
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
PyConJP2018_LT_mahjong_180918
PyConJP2018_LT_mahjong_180918
Rio Kurihara
Alteryx UG3 LT #alteryx_ug
Alteryx UG3 LT #alteryx_ug
__john_smith__
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
RandomForest
RandomForest
goodbaton
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
10分でわかるRandom forest
10分でわかるRandom forest
Yasunori Ozaki
Kaggleのテクニック
Kaggleのテクニック
Yasunori Ozaki
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
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
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
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
Elastic ML Introduction
Elastic ML Introduction
Hiroshi Yoshioka
2019 05-19.overview
2019 05-19.overview
Shin-ya Koga
Tuning, etc.
Tuning, etc.
Hiroshi Watanabe
[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
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
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
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
「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
kagami_comput2016_01
kagami_comput2016_01
swkagami
mruby×ETロボコン = ?
mruby×ETロボコン = ?
ssuserc1bb39
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
RandomForest
RandomForest
goodbaton
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
10分でわかるRandom forest
10分でわかるRandom forest
Yasunori Ozaki
Kaggleのテクニック
Kaggleのテクニック
Yasunori Ozaki
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
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
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
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
Elastic ML Introduction
Elastic ML Introduction
Hiroshi Yoshioka
2019 05-19.overview
2019 05-19.overview
Shin-ya Koga
Tuning, etc.
Tuning, etc.
Hiroshi Watanabe
[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
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
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
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
「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
kagami_comput2016_01
kagami_comput2016_01
swkagami
mruby×ETロボコン = ?
mruby×ETロボコン = ?
ssuserc1bb39
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