Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
ウェブ最適化からはじめる機械学習 8章
Search
Masafumi Abeta
August 18, 2021
Programming
0
45
ウェブ最適化からはじめる機械学習 8章
「ウェブ最適化からはじめる機械学習」輪講会で発表した資料です。
Masafumi Abeta
August 18, 2021
Tweet
Share
More Decks by Masafumi Abeta
See All by Masafumi Abeta
Pythonのパッケージマネージャー「uv」
abeta
0
88
GPTモデルでキャラクター設定する際の課題
abeta
0
230
GPTをLINEで使えるようにして布教した
abeta
0
130
【Nishika】プリント基板の電子部品検出
abeta
0
240
初心者向けChatGPT入門
abeta
0
190
GPT Short Talk
abeta
0
100
拡散モデルについて少しだけ
abeta
0
35
動的計画モデル
abeta
0
130
物体追跡
abeta
0
260
Other Decks in Programming
See All in Programming
Beyond ORM
77web
11
1.6k
BEエンジニアがFEの業務をできるようになるまでにやったこと
yoshida_ryushin
0
200
サーバーゆる勉強会 DBMS の仕組み編
kj455
1
300
return文におけるstd::moveについて
onihusube
1
1.4k
ISUCON14感想戦で85万点まで頑張ってみた
ponyo877
1
590
Simple組み合わせ村から大都会Railsにやってきた俺は / Coming to Rails from the Simple
moznion
3
2.1k
オニオンアーキテクチャを使って、 Unityと.NETでコードを共有する
soi013
0
370
見えないメモリを観測する: PHP 8.4 `pg_result_memory_size()` とSQL結果のメモリ管理
kentaroutakeda
0
940
為你自己學 Python
eddie
0
520
Findy Team+ Awardを受賞したかった!ベストプラクティス応募内容をふりかえり、開発生産性向上もふりかえる / Findy Team Plus Award BestPractice and DPE Retrospective 2024
honyanya
0
140
Package Traits
ikesyo
1
210
ErdMap: Thinking about a map for Rails applications
makicamel
1
650
Featured
See All Featured
A Modern Web Designer's Workflow
chriscoyier
693
190k
Into the Great Unknown - MozCon
thekraken
34
1.6k
The Success of Rails: Ensuring Growth for the Next 100 Years
eileencodes
44
7k
Visualizing Your Data: Incorporating Mongo into Loggly Infrastructure
mongodb
44
9.4k
ピンチをチャンスに:未来をつくるプロダクトロードマップ #pmconf2020
aki_iinuma
113
50k
The Power of CSS Pseudo Elements
geoffreycrofte
74
5.4k
Building Applications with DynamoDB
mza
93
6.2k
Designing for humans not robots
tammielis
250
25k
Faster Mobile Websites
deanohume
305
30k
Being A Developer After 40
akosma
89
590k
Java REST API Framework Comparison - PWX 2021
mraible
28
8.3k
Designing Experiences People Love
moore
139
23k
Transcript
XX University ウェブ最適化ではじめる機械学習 8章 2021.08 Abeta
2 8.1 短期的な評価と⻑期的な評価 8.1.1 リピートユーザを考慮した最適化 8.2 解空間のデザイン 8.3 ウェブサイト以外への応⽤
3 8.1 短期的な評価と⻑期的な評価 8.1.1 リピートユーザを考慮した最適化 8.2 解空間のデザイン 8.3 ウェブサイト以外への応⽤
4 8.1 短期的な評価と⻑期的な評価 8.1.1 リピートユーザを考慮した最適化 8.2 解空間のデザイン 8.3 ウェブサイト以外への応⽤
5 ユーザが⽇常的に使うツールで、ユーザの即時的な反応のみに着⽬すると、⻑期的な収益が下がる場合がある。 例)googleで広告表⽰を多くした→ユーザの使い勝⼿が悪くなり⻑期的には減収。 ⻑期的スパンで計測される指標も考慮する必要あり。 ⻑期的指標の評価には時間がかる。 ⼀つのアプローチとして、短期的な指標・特徴量から⻑期的指標を予測する機械学習モデルを作成することが ある。 𝜃 = 𝛼
+ 𝛽! 𝑥"#$%&%'()*% + 𝛽+ 𝑥,()#-)./(.%01()2-23
6 8.1 短期的な評価と⻑期的な評価 8.1.1 リピートユーザを考慮した最適化 8.2 解空間のデザイン 8.3 ウェブサイト以外への応⽤
7 バンディット問題ではユーザの状態は1つ、すなわち考慮されていなかった。ユーザの⾏動は新規やリピータ といった「状態」によって異なると考えられる。 ユーザの状態を扱う⼀つのアプローチとして強化学習がある。強化学習では最初から状態の遷移確率 𝒫(𝑠4 |𝑠45! )が含まれている。
8 8.1 短期的な評価と⻑期的な評価 8.1.1 リピートユーザを考慮した最適化 8.2 解空間のデザイン 8.3 ウェブサイト以外への応⽤
9 今回は解空間の検討を⼈間で⾏った(HLS空間、彩度100%)。これは⾊に対する知識を⽤いて暗黙にいくつ かの仮定を置いている。⼈間が思いつかないような選択肢を排除してしまっている。 ⼀⽅で、解空間の制約を無くすと解空間が膨⼤となって問題を解けない。 ⼀つのアプローチとして、解空間を⼩さい空間に圧縮してしまう⽅法がある。具体的には変分オートエンコー ダが使⽤できる。
10 8.1 短期的な評価と⻑期的な評価 8.1.1 リピートユーザを考慮した最適化 8.2 解空間のデザイン 8.3 ウェブサイト以外への応⽤
11 今回の⼿法の特徴 • ⼈間との相互作⽤をもとにソフトウェアの最適な状態を探す • ブラックボックス関数の最適化 適⽤のための条件 • 提供するサービスを即座に変更できること •
サービスに対するユーザの反応が常に計測できること IoTによってユーザの反応が即座に得られるようになると期待できる。反応に応じて提供するものを変更する ことで、提供物がサービス化していると考えられる。