機械学習&AI入門 / ML and AI Introduction

機械学習&AI入門 / ML and AI Introduction

2019/06/05(水) 10:00 〜 12:00 @ Developer Dojo Shibuya,
2019/06/26(水) 18:45〜 20:30 @ Developer Dojo Shibuya,
2019/07/31(水) 16:15-16:45@Developer Dojo
で開催した「Watson Studio 機械学習入門」の「機械学習&AI入門」の資料です。

2019/07/31: 7/31用の情報に変更(本体部分に変更なし)
2019/06/26: ちょっと更新しました。

Ca7e4f1680e175e6462a039923e71fc5?s=128

Kyoko Nishito

June 05, 2019
Tweet

Transcript

  1. 機械学習&AI⼊⾨ DOC ID / Month XX, 2018 / © 2018

    IBM Corporation ⽇本アイ・ビー・エム(株) Developer Advocate ⻄⼾ 京⼦
  2. SPEAKER

  3. Kyoko NISHITO IBM Developer Advocate @kyokonishito

  4. 本⽇の出席確認 4 https://ibm.biz/BdzMAX 下記のURLより出席確認を兼ねて IBM Cloudにログインお願いします。

  5. 本⽇の資料 5 http://ibm.biz/ml-intro20190731

  6. このセッションは IBM Developer https://developer.ibm.com/ の 動画を元に作成しています 6 https://developer.ibm.com/videos/introduction-to-machine- learning-and-artificial-intelligence-watson-studio-tutorial-part-1/ Introduction

    to Machine Learning and Artificial Intelligence – Watson Studio Tutorial Part 1
  7. ちなみに Part2, Part3はハンズオンの内容です︕ 7 Introduction to Machine Learning and Artificial

    Intelligence – Watson Studio Tutorial, Part 2 https://developer.ibm.com/videos/introduction-to-machine- learning-and-artificial-intelligence-watson-studio-tutorial-part-2/ Introduction to Machine Learning and Artificial Intelligence – Watson Studio Tutorial, Part 3 https://developer.ibm.com/videos/introduction-to-machine- learning-and-artificial-intelligence-watson-studio-tutorial-part-3/
  8. ⼈⼯知能は ⼈間の知能のはたらきを模倣し, 機械(技術)で実現した能⼒です。 8

  9. ⼈間の知能 Human Intelligence 9 計画 学習 創造性 問題解決 推論 知覚

    操作
  10. 10 Examples チャットボット ⾃動運転⾞ 未来の予測 AI作曲 ⾳声認識 AIドクター

  11. ⼈⼯知能(AI)のサブセット(部分集合) 11 ディープ ラーンニング (深層学習) ⼈⼯知能 機械学習 機械学習は⼈⼯知能(AI)のサブセット ディープラーンニングは機械学習のサブセット

  12. パターン認識と統計から進化した 機械学習とは、 ルールベースのアルゴリズムに従う のではなく、 データから分類と予測を⾏うための モデル構築を⾏うことです。 12

  13. 機械学習 Machine Learning 13 13 課題: ⼼不全がおこるかどうかを判断する *BMI: 体重kg÷(⾝⻑m*⾝⻑m) 実⾏:

    モデルは⼼不全の有無 を予測 学習: 学習し結果予測モデル作成のために データセットを利⽤ ⼼拍数 BMI 年齢 性別 結果 93 25 49 F False 108 24 32 M False 80 31 60 M True 93 27 58 F True ⼊⼒: ⼼拍数, BMI*, 年齢, 性別
  14. 今までのやり⽅ -- Traditional 14 データ ルール if BPM-BMI > 60:

    result = True else: result = False 結果 アルゴリズム
  15. 機械学習 Machine Learning 15 データ ルール アルゴリズム 結果

  16. 機械学習 Machine Learning 16 16 課題: ⼼不全がおこるかどうかを判断する *BMI: 体重kg÷(⾝⻑m*⾝⻑m) 実⾏:

    モデルは⼼不全の有無 を予測 学習: 学習し結果予測モデル作成のために データセットを利⽤ ⼼拍数 BMI 年齢 性別 結果 93 25 49 F False 108 24 32 M False 80 31 60 M True 93 27 58 F True ⼊⼒: ⼼拍数, BMI*, 年齢, 性別
  17. トレーニング 17 ルール (モデル) データ1 アルゴリズム 結果:Good パラメータ内部調整 データ2 アルゴリズム

    結果:Good パラメータ内部調整
  18. 機械学習 教師あり学習 教師なし学習 強化学習 分類 回帰 ニューラル ネットワーク クラスタ分析 次元削減

    ニューラル ネットワーク 報酬 (Reward)
  19. 教師あり学習 機械学習 教師なし学習 強化学習 回帰 Regression 分類 Classification 決定木 Decision

    Trees サポートベクトルマシン Support Vector Machines ロジスティック回帰 Logistic Regression ランダムフォレスト Random Forests ニューラル ネットワーク 連続した数値を推定
  20. 機械学習 Machine Learning 20 20 課題: ⼼不全がおこるかどうかを判断する データ ポイント 実⾏:

    モデルは⼼不全の有無 を予測 学習: 学習し結果予測モデル作成のために データセットを利⽤ ⼼拍数 BMI 年齢 性別 結果 93 25 49 F False 108 24 32 M False 80 31 60 M True 93 27 58 F True ⼊⼒: ⼼拍数, BMI*, 年齢, 性別 *BMI: 体重kg÷(⾝⻑m*⾝⻑m) ⽬的変数 Feature 特徴量 説明変数
  21. 分類(Classification)は、与えられ たデータポイントのクラスを予測 するプロセスです。 分類器(classifier)は、与えられた 入力変数がそのクラスとどのよう に関連しているかを学習するため に複数のトレーニングデータを利 用します 21

  22. Definitions 22 ⼼拍数 BMI 年齢 性別 結果 93 25 49

    F False 108 24 32 M False 80 31 60 M True 93 27 58 F True Feature 特徴量 説明変数 モデル Model プログラマーが明⽰的にそれらのパターンをプログラムする必要なしにデータ 中のパターンを⾒つけるのに使⽤されるアルゴリズム 特徴量 Feature (説明変数ともいいます) 個々の測定可能な特性または観察されている現象の特性のデータ ⽬的変数 結果や答えのデータ ⽬的変数
  23. 23 AIが使える分野 農業 群衆の安全 パーソナルアシスタント 災害救助 監視 ⾳楽 航空 災害援助

    カスタマーサービス 芸術 ヘルスケア 教育
  24. 24