機械学習入門
•Télécharger en tant que PPTX, PDF•
4 j'aime•2,173 vues
クライアントDevDay @ 関西 (2018/06/16) https://connpass.com/event/87879/ #DevDayKansai
Recommandé
Contenu connexe
Tendances
Tendances (20)
Similaire à 機械学習入門
Similaire à 機械学習入門 (20)
Plus de Fujio Kojima
Plus de Fujio Kojima (20)
機械学習入門
- 2. 小島 富治雄 @Fujiwo 福井コンピュータホールディングス株式会社 Microsoft MVP (2005-2018) C#関連 自己紹介
- 3. 1. 機械学習 (Machine Learning) とは 2. ニューラル ネットワークとは 3. デモ Microsoft Cognitive Services Python/C#による機械学習 Azure Machine Learning Studio 本日ご紹介する内容
- 4. LIFULLのAI戦略、予測分析はマーケティングをどう変えるのか? DataRobot シバタアキラ氏と大阪ガス 河本 薫氏が語る「AIの民主化」 ピザハット、宅配待ち時間削減へAIベンチャーのGAUSSとデータ解析の取り組みを開始 人工知能で記者が欲しい情報を表示、PR TIMESが「リリースAI受信」を提供開始 GMO NIKKO、アフィリエイト広告向けのアドベリフィケーション機能を開発 Adobe、人工知能で検索エンジンマーケティングのROIを改善する「Adobe Advertising Cloud Search」を提供 Appier、AIプラットフォーム「AIXON」にオーディエンスのセグメンテーション予測機 能を追加 AI がビジネスを変える 3
- 6. 人間の知能の一部をコンピュータで再現する技術 まず 人工知能 (Artificial Intelligence) とは
- 7. 人工知能の歴史 6
- 9. 機械学習 (Machine Learning) ディープラーニング (深層学習: Deep Learning) 強化学習 (Reinforcement Learning) 深層強化学習 (Deep Reinforcement Learning) 機械学習の種類
- 10. アルゴリズムを自分で考えプログラミングを行うのではなく、 大きなデータから統計的に解を求める 例. 株価予想 通常の開発 株価予想アルゴリズムを考え、それをプログラミング 機械学習 たくさんの株価のデータ → 機械に学習させる ニューラルネットワークを使用 → 学習済みの機械が株価予想を行う 機械学習 9
- 11. 機械学習の一種 通常のものと違って多層になった ニューラルネットワークを使用 画像解析や音声認識、自然言語理解、 翻訳など、複雑な処理にはこちら 作成のハードルは、かなり高い 高いコンピュータ パワーが求められるため、 CPUだけでなく GPUも利用 ディープラーニング (深層学習: Deep Learning)
- 12. ディープ ラーニング ニューラル ネットワーク ディープ ラーニング
- 13. 機械学習の一種 通常の機械学習では、たくさんのパラメーターと 正解をデータとして与え、それを統計的に解析 (学習) することにより、新たなパラメーターから 正解を導けるようになるが、強化学習は、 はっきりとした正解がないような場合に用いられる 強化学習 (Reinforcement Learning) 12
- 14. ディープラーニングを用いた強化学習 プロ棋士に勝ったことで有名な「アルファ碁」 などのゲームのAIや自動運転技術などで利用 深層強化学習 (Deep Reinforcement Learning) 13
- 15. 人工知能と機械学習 人工知能 (AI) 機械学習 (ML) Deep Learning
- 18. 1. Python 2. Java 3. R 4. C++ 5. C 6. JavaScript 7. Scala 8. Julia 機械学習で使われるプログラミング言語 17
- 19. Microsoft Cognitive Services Web API 経由で利用できる “人口知能パーツ“ ML のモデルを自作せずに、 成果を手軽に利用可 18
- 20. 19
- 21. 20
- 22. 21
- 23. 22
- 24. 23
- 25. 24
- 28. ニューラル ネットワークとは
- 29. 神経細胞のネットワーク
- 34. 今回作成するニューラル ネットワーク 入力 入力 出力 ニューロン 入力層 中間層 出力層 バイアス 重み
- 35. 今回のニューラル ネットワークの訓練 正解ー 1. 重みの修正 2. 重みの修正 入力 入力 ニューロン 入力層 中間層 出力層 バイアス 重み 出力
- 36. Demo
- 37. public class Neuron // ニューロン { double sum; public double Value { get; private set; } = 0.0; public void Input(IEnumerable<Input> inputData) { inputData.ForEach(input => Input(input.WeightingValue)); Value = Math.Sigmoid(sum); } void Input(double value) => sum += value; } C# によるニューロンの実装
- 38. C# によるニューラル ネットワークの実装 public class NeuralNetwork // ニューラル ネットワーク { // 各層 double[] inputLayer; Neuron[] middleLayer; Neuron outputLayer; // バイアス double inputLayerBias = 1.0; double middleLayerBias = 1.0; // 各層の重み // 入力層 → 中間層の重み double[,] inputWeight = new double[,] { { 0.0, 0.0 }, { 0.0, 0.0 }, { 0.0, 0.0 } }; // 中間層 → 出力層の重み double[] middleWeight = new[] { 0.0, 0.0, 0.0 };
- 39. C# によるニューラル ネットワークの実装 (続き) // 実行 public double Commit((double, double) data) { // 各層 inputLayer = new[] { data.Item1, data.Item2, inputLayerBias }; middleLayer = new[] { new Neuron(), new Neuron() }; outputLayer = new Neuron(); // 入力層→中間層 middleLayer.For((index, neuron) => middleLayer[index].Input(ToInputData(inputLayer, inputWeight.GetColumn(index).ToArray()))); // 中間層→出力層 outputLayer.Input(new[] { new Input { Value = middleLayer[0].Value, Weight = middleWeight[0] }, new Input { Value = middleLayer[1].Value, Weight = middleWeight[1] }, new Input { Value = middleLayerBias , Weight = middleWeight[2] } }); return outputLayer.Value; }
- 40. C# によるニューラル ネットワークの実装 (続き) // 学習 void Learn((double, double, double) data) { var outputData = Commit((data.Item1, data.Item2)); var correctValue = data.Item3; var learningRate = 0.3; // 学習係数 // 出力層→中間層 // δmo = (出力値 - 正解値) × 出力の微分 var daltaMO = (correctValue - outputData) * outputData * (1.0 - outputData); var oldMiddleWeight = middleWeight.Clone() as double[]; // 修正量 = δmo × 中間層の値 × 学習係数 middleLayer.For((index, neuron) => middleWeight[index] += neuron.Value * daltaMO * learningRate); middleWeight[2] += middleLayerBias * daltaMO * learningRate; // 中間層→入力層 // δim = δmo × 中間出力の重み × 中間層の微分 var deltaIM = middleLayer.IndexSelect(index => daltaMO * oldMiddleWeight[index] * middleLayer[index].Value * (1.0 - middleLayer[index].Value)).ToArray(); // 修正量 = δim × 入力層の値 × 学習係数 inputWeight.For((row, column, _) => inputWeight[row, column] += inputLayer[row] * deltaIM[column] * learningRate); }
- 41. C# によるニューラル ネットワークの実装 (続き) // 学習 public void Learn(IEnumerable<(double, double, double)> dataCollection, int times) => times.Times(() => dataCollection.ForEach(data => Learn(data))); static IEnumerable<Input> ToInputData(double[] inputLayer, double[] inputWeight) => inputLayer.IndexSelect(index => new Input { Value = inputLayer[index], Weight = inputWeight[index] }); }
- 43. 実行結果 (シグモイド関数)
- 44. 実行結果 (座標データと訓練前)
- 45. 実行結果 (教師データと訓練後)
- 46. 訓練前の重みの値
- 47. 訓練後の重みの値
- 49. 機械学習のライブラリー 48 Google 製 ディープラーニング用 Preferred Networks (日本の企業) 製 ディープラーニング用 BVLC (カリフォルニア大学) 製 ディープラーニング用 Google 製 機械学習一般用 Microsoft Cognitive Toolkit Microsoft 製 ディープラーニング用
- 50. CPU と GPU 49 コア数 得意分野 本来の用途 CPU 2, 4, 8, 16, … 直列処理 演算 GPU 数千 並列処理 画像処理 ディープラーニングは並列処理だらけ
- 51. 機械学習とGPU 50 ○ GPU対応版あり ○ ライブラリーの導入で対応可 ○ ライブラリーの導入で対応可 × Microsoft Cognitive Toolkit ○ GPU対応版あり
- 52. Python のライブラリー scikit-learn を用いて、 株価の予想を行う 株価予想 (Python版) 51 Demo
- 53. Azure Machine Learning Studio 52
- 54. 機械学習 (Machine Learning) 53 例. Azure SQL Database クラウドに保存 例. Azure Machine Learning Studio 機械学習で解析! データをクラウドに かき集める Python によるデー タの最適化 API
- 57. Azure Machine Learning Studio を用いて、 株価の予想を行う 株価予想 (Azure Machine Learning Studio版) 56 Demo
- 59. 「Microsoft Azure Machine Learning Studio による株価予想チュートリアル」 https://github.com/Fujiwo/PredictStockPrice-AI-decode 関連資料
- 60. 参考書籍 59 機械学習入門 ボルツマン機械学習から深層学習まで ¥2,484 あたらしい人工知能の教科書 プロダクト/サービス 開発に必要な基礎知識 ¥2,808 Pythonで動かして学ぶ! あたらしい機械学習の教科書 ¥2,894 詳解 ディープラーニング TensorFlow・Kerasによる時 系列データ処理 ¥3,672 ゼロから作るDeep Learning ―Pythonで学ぶディープ ラーニングの理論と実装 ¥3,672 Pythonではじめる機械学習 ―scikit-learnで学ぶ特徴量 エンジニアリングと機械学習の基礎 ¥3,672 やさしく学ぶ 機械学習を理解するための数学のきほ ん ～アヤノ&ミオと一緒に学ぶ 機械学習の理論と数 学、実装まで～ ¥2,786