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-introduc...
Search
monochromegane
July 13, 2020
Technology
0
8.6k
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
なめらかなシステムと運用維持の終わらぬ未来 / dicomo2025_coherently_fittable_system
monochromegane
0
350
ベクトル検索システムの気持ち
monochromegane
33
11k
Go言語での実装を通して学ぶ、高速なベクトル検索を支えるクラスタリング技術/fukuokago-kmeans
monochromegane
1
180
Go言語でターミナルフレンドリーなAIコマンド、afaを作った/fukuokago20_afa
monochromegane
2
260
多様かつ継続的に変化する環境に適応する情報システム/thesis-defense-presentation
monochromegane
1
920
Online Nonstationary and Nonlinear Bandits with Recursive Weighted Gaussian Process
monochromegane
0
560
AIを前提とした体験の実現に向けて/toward_ai_based_experiences
monochromegane
2
960
Go言語でMac GPUプログラミング
monochromegane
1
620
Contextual and Nonstationary Multi-armed Bandits Using the Linear Gaussian State Space Model for the Meta-Recommender System
monochromegane
1
1.1k
Other Decks in Technology
See All in Technology
CursorによるPMO業務の代替 / Automating PMO Tasks with Cursor
motoyoshi_kakaku
1
450
怖くない!はじめてのClaude Code
shinya337
0
160
CI/CD/IaC 久々に0から環境を作ったらこうなりました
kaz29
1
190
KubeCon + CloudNativeCon Japan 2025 Recap Opening & Choose Your Own Adventureシリーズまとめ
mmmatsuda
0
140
Node-RED × MCP 勉強会 vol.1
1ftseabass
PRO
0
160
解析の定理証明実践@Lean 4
dec9ue
0
180
2025-06-26 GitHub CopilotとAI駆動開発:実践と導入のリアル
fl_kawachi
1
100
無意味な開発生産性の議論から抜け出すための予兆検知とお金とAI
i35_267
0
140
ドメイン特化なCLIPモデルとデータセットの紹介
tattaka
1
200
TechLION vol.41~MySQLユーザ会のほうから来ました / techlion41_mysql
sakaik
0
190
作曲家がボカロを使うようにPdMはAIを使え
itotaxi
0
170
AIエージェント最前線! Amazon Bedrock、Amazon Q、そしてMCPを使いこなそう
minorun365
PRO
15
5.4k
Featured
See All Featured
RailsConf 2023
tenderlove
30
1.1k
Code Reviewing Like a Champion
maltzj
524
40k
Visualization
eitanlees
146
16k
Fight the Zombie Pattern Library - RWD Summit 2016
marcelosomers
233
17k
Fantastic passwords and where to find them - at NoRuKo
philnash
51
3.3k
The Power of CSS Pseudo Elements
geoffreycrofte
77
5.8k
CoffeeScript is Beautiful & I Never Want to Write Plain JavaScript Again
sstephenson
161
15k
ReactJS: Keep Simple. Everything can be a component!
pedronauck
667
120k
How to Ace a Technical Interview
jacobian
277
23k
YesSQL, Process and Tooling at Scale
rocio
173
14k
Done Done
chrislema
184
16k
Automating Front-end Workflow
addyosmani
1370
200k
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