初心者歓迎 機械学習Chalk Talk (de:codeリバイバル) in Osaka -
•Télécharger en tant que PPTX, PDF•
4 j'aime•734 vues
機械学習を実プロジェクトで試そうという方は多いと思います。ご存じの通り、実際には多くの失敗プロジェクトもあり、そこには多くの学びがあります。また、そもそも機械学習のプロジェクトの現場がよくわからないという方も多いのではないでしょうか? このChalkTalkは、経験はなくてもAI/機械学習でやってみたいこと（アイデア、意思）がある人を対象として、どのように機械学習のプロジェクトの成功率を上げるのかを話し合います。経験が無いわけですから、どんな発言も受け入れましょう!
Recommandé
Recommandé
Contenu connexe
Tendances
Tendances (20)
Similaire à 初心者歓迎 機械学習Chalk Talk (de:codeリバイバル) in Osaka -
Similaire à 初心者歓迎 機械学習Chalk Talk (de:codeリバイバル) in Osaka - (20)
Plus de Daiyu Hatakeyama
Plus de Daiyu Hatakeyama (20)
初心者歓迎 機械学習Chalk Talk (de:codeリバイバル) in Osaka -
- 2. Recent trends in Machine Learning Olga Liakhovich Senior Data & Applied Scientist Microsoft AI09
- 4. どんな疑問 初心者
- 5. Topic
- 7. Model は、ファイル にして扱う <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)
- 8. Spark GPU インスタンス コンテナー サービス FPGA Azure Machine Learning Workbench / AI Tools for VS SQL Server Machine Learning Server On Premise Edge Azure IoT Edge FPGA 実験および モデル管理 Azure 柔軟なトレーニングとデプロイの選択肢 推論 デプロイメントモデル構築・学習
- 12. https://github.com/Microsoft/VoTT Visual Object Tagging Tool (VoTT)
- 13. The Data Science Project Formula Question + Data + Analysis = Answer …につながる意思決定/アクション 答えを知った後で、何をするのか?
- 14. Question • 特定可能 • 測定可能 • 次にアクションが取れる • ベースライン ビジネスのQuestionと、データサイエンスのQuestion: 製品が、壊れないようにするためには、いつ保守サービスします か? 製品が、特定の時間に故障する確率は何ですか?
- 15. 従来の システム開発と の 違い
- 16. AI への過度の期待と失望 研究 と ビジネスを関連付けられる人材の不足 Deep Learning の Project は、現状 非常に高コスト
- 19. プログラミング と 機械学習 2 + 3 = 5
- 20. プログラミング と 機械学習 2 + 3 = 5 簡単 大変…
- 21. プログラミング と 機械学習 2 + 3 = 5 簡単 大変…
- 22. プログラミング と 機械学習 それぞれの写真: 猫? Yes/No
- 23. プログラミング と 機械学習 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
- 24. プログラミング と 機械学習 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…
- 26. データサイエンス プロジェクト の実態 推論 デプロイメントデータの準備 モデル構築・学習 世界中の研究者が 論文として公表。 多くの実証コードも 公開される。 最新の技術を利活用 んなデータを整備するか? 競争力のための 自社にしかないデータが 活用できるか? ビジネスフロー全体の中の どこでモデルを 利用すべきか?
- 28. 情報と権威 独占 権威
- 33. 変化への対応を、データを元に行うのか? 機械学習によるモデル化 機械学習の最大限の可能性は、 データソース (IoT) との紐づけ と デプロイの自動化 (AutoML)
- 35. Data に潜む Bias
- 36. StreetBump smartphone app Data 収集フェーズでの Bias
- 37. 全てのデータには Bias がある Kate Crawford’s NIPS 2017 Keynote presentation: Trouble with Bias
- 39. ステレオタイプ
- 40. NIPS 2017 Keynote: The Trouble with Bias recording
- 42. 分類モデルの評価 = Confusion Matrix 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 予測で得たクラス ○ × 正解の クラス ○ A件 C件 × B件 D件 正解が「○」 のデータ 推測で「○」と されたデータ A件C件 B件 D件 予測結果例 主な評価指標
- 43. Confusion Matrix for カルガモ カルガモ が写っているの に、 モデルは推定できなかっ た ▶モデルの見逃し あり[実 際] なし[実 際] あり[予 測] XX XX なし[予 測] XX XX
- 44. Confusion Matrix for カルガモ あり[実 際] なし[実 際] あり[予 測] XX XX なし[予 測] XX XX カルガモ でないもの に、 カルガモ と推定 ▶モデルの過検知？
- 45. 混同行列 (Confusion Matrix) あり [実際] なし [実際] あり [予測] 14 0 なし [予測] 2 9 なし と 予測（緑線の下） 実際はあり （緑線の下の赤2 つ） ▶モデルの見逃し
- 48. 目的達成の手段: Custom Vision Service
- 49. #azurejp Cognitive Services Custom AI Models Custom Services Bring your Own Data Flexibility どこから開始するか Managed
- 50. Deep Learning Lab 実績（7 月頭時点）
- 51. Deep Learning Lab Web のご紹介
Notes de l'éditeur
- 26