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
機械学習イントロダクション/machine-learning-lecture-introduction
Search
monochromegane
July 13, 2020
Technology
0
8.2k
機械学習イントロダクション/machine-learning-lecture-introduction
GMOペパボ新卒研修2020 機械学習入門 補足資料#01
monochromegane
July 13, 2020
Tweet
Share
More Decks by monochromegane
See All by monochromegane
Online Nonstationary and Nonlinear Bandits with Recursive Weighted Gaussian Process
monochromegane
0
100
AIを前提とした体験の実現に向けて/toward_ai_based_experiences
monochromegane
1
430
Go言語でMac GPUプログラミング
monochromegane
1
260
Contextual and Nonstationary Multi-armed Bandits Using the Linear Gaussian State Space Model for the Meta-Recommender System
monochromegane
1
670
迅速な学習機構を用いて逐次適応性を損なうことなく非線形性を扱う文脈付き多腕バンディット手法/extreme_neural_linear_bandits
monochromegane
0
1.7k
再帰化への認知的転回/the-turn-to-recursive-system
monochromegane
0
650
仮想的な探索を用いて文脈や時間の経過による番狂わせにも迅速に追従する多腕バンディット手法/wi2_lkf_bandits
monochromegane
0
610
Synapse: 文脈と時間経過に応じて推薦手法の選択を最適化するメタ推薦システム/smash21-synapse
monochromegane
0
510
なめらかなシステムと運用維持の未来/dicomo2021-coherently-fittable-system
monochromegane
1
29k
Other Decks in Technology
See All in Technology
Azure Pipelinesを使用したCICDベースラインアーキテクチャ実践
yuriemori
0
190
JBUG岡山 #6 WordCamp男木島の チームビルディング
takeshifurusato
0
150
VPoEの視点から見た、ヘンリーがサーバーサイドKotlinを使う理由 / Why Server-side Kotlin 2024
cho0o0
1
420
ゆめみのアクセシビリティの現在地と今後
ryokatsuse
3
290
データベース研修 分析向けSQL入門【MIXI 24新卒技術研修】
mixi_engineers
PRO
0
110
開発と事業を繋ぐ!SREのオブザーバビリティ戦略 ~ Developers Summit 2024 Summer ~
leveragestech
0
630
Amazon FSx for NetApp ONTAPのパフォーマンスチューニング要素をまとめてみた #cm_odyssey #devio2024
non97
0
220
可視化プラットフォームGrafanaの基本と活用方法の全て
hamadakoji
0
230
DDDにおける認可の扱いとKotlinにおける実装パターン / authorization-for-ddd-and-kotlin-implement-pattern
urmot
4
390
CEL(Common Expression Language)で書いた条件にマッチしたIAM Policyを見つける / iam-policy-finder
fujiwara3
0
710
What if...? 처음부터 다시 LLM 어플리케이션을 개발한다면
huffon
0
1k
AI研修【MIXI 24新卒技術研修】
mixi_engineers
PRO
0
130
Featured
See All Featured
Happy Clients
brianwarren
94
6.5k
[RailsConf 2023] Rails as a piece of cake
palkan
35
4.4k
Agile that works and the tools we love
rasmusluckow
325
20k
Designing with Data
zakiwarfel
96
5k
Art, The Web, and Tiny UX
lynnandtonic
291
20k
Dealing with People You Can't Stand - Big Design 2015
cassininazir
360
22k
How to Ace a Technical Interview
jacobian
274
23k
The Power of CSS Pseudo Elements
geoffreycrofte
64
5.2k
Robots, Beer and Maslow
schacon
PRO
157
8.1k
Creatively Recalculating Your Daily Design Routine
revolveconf
214
11k
A Modern Web Designer's Workflow
chriscoyier
689
190k
Exploring the Power of Turbo Streams & Action Cable | RailsConf2023
kevinliebholz
12
3.8k
Transcript
1 ペパボ研究所 三宅悠介 新卒研修 機械学習入門 補足資料#01 (2020/07/12 Update) 機械学習 イントロダクション
2 2 機械学習とは何か そして、何ではないか
3 プログラムが、データから知識を学習すること、また それを用いてタスクを実行する手法のこと 3 機械学習とは 機械学習とは何か
4 入力から出力を推測したい やりたいこと 4
5 入力から出力を推測したい やりたいこと 5 入力から出力を予測 する関数を考える
6 入力から出力を推測したい やりたいこと 6 切片w0と傾きw1を持 つ一次関数で表す
7 入力から出力を予測したい やりたくないこと 7 ② w0とw1を発見させるプロ グラムを書く ① w0とw1を自分で決める
8 入力から出力を予測したい やりたくないこと 8 ② w0とw1を発見させるプロ グラムを書く ① w0とw1を自分で決める ❌
9 9 データから学習する、とは 機械学習とは何か プログラムによって 入力に対して 望ましい出力を返すよう 数式のパラメータを調整すること
10 ① データの生成規則をモデルとして記述する 10 データから学習する、ためには 機械学習とは何か 入出力(変数) 数式の構造 数式のパラメータ
11 ① データの生成規則をモデルとして記述する ② モデルの良し悪しを定式化する 11 データから学習する、ためには 機械学習とは何か
12 ① データの生成規則をモデルとして記述する ② モデルの良し悪しを定式化する ③ 現在のパラメータの良し悪しを②式で評価 12 データから学習する、ためには 機械学習とは何か
13 ① データの生成規則をモデルとして記述する ② モデルの良し悪しを定式化する ③ 現在のパラメータの良し悪しを②式で評価 ④ ③の評価に基づきパラメータを調整 13
データから学習する、ためには 機械学習とは何か
14 ① データの生成規則をモデルとして記述する ② モデルの良し悪しを定式化する ③ 現在のパラメータの良し悪しを②式で評価 ④ ③の評価に基づきパラメータを調整 14
データから学習する、ためには 機械学習とは何か
15 ① データの生成規則をモデルとして記述する ② モデルの良し悪しを定式化する ③ 現在のパラメータの良し悪しを②式で評価 ④ ③の評価に基づきパラメータを調整 ⑤
モデルを用いてタスクを実行する 15 データから学習する、ためには 機械学習とは何か
16 16 機械学習のタスク 何のために学習するのか
17 プログラムが、データから知識を学習すること、また それを用いてタスクを実行する手法のこと 17 機械学習とは(再掲) 機械学習とは何か
18 機械学習では、モデルが前提と するデータの生成規則におけ る、未知のデータに対してどれ だけそのタスクをよくこなせるか が求められる。 18 モデルとタスクと汎化 機械学習とは何か
19 19 回帰 (Regression) 代表的な機械学習のタスク 入力から出力を予測する問題設定。 出力は連続値として得られる。 入出力の関係性は、訓練データ(ラベル付きの例) から学習する(教師あり学習)
例)気温から売り上げを予測、土地の特徴から家屋の価格を予測
20 20 分類 (Classification) 代表的な機械学習のタスク 入力から出力を予測する問題設定。 出力は離散値(有限集合の要素)で得られる。 入出力の関係性は、訓練データ(ラベル付きの例) から学習する(教師あり学習)
例)スパムメール分類、手書き文字認識
21 21 クラスタリング (Clustering) 代表的な機械学習のタスク 入力をいくつかのクラスタに分割する問題設定。 クラスタは、入力データ自身の性質から学習する (教師なし学習) 例)商品特徴による動的なカテゴリ生成
22 機械学習のタスクと手法 22 機械学習のタスク 機械学習の手法(モデル、アルゴリズム) 教師あり 分類 ロジスティック回帰 SVM 決定木
ニューラルネットワークなど 回帰 線形回帰 リッジ回帰 決定木 ニューラルネットワークなど 教師なし クラスタリング k-meansなど 次元削減 PCAなど など -
23 23 なぜ機械学習を学ぶのか
24 Webサービスの利用者の行動(や意図)はログをはじめ とするデータとして観測できる。 データの背景を記述し学習する機械学習の手法を習 得することで、個々の利用者の振る舞いに適応する データ駆動なシステムを実現し、エンジニアリングに よってファンを増やすことにつながる。 24 「ファンを増やす」 なぜ機械学習を学ぶのか