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
Go言語での実装を通して学ぶLLMファインチューニングの仕組み / fukuokago22-llm-peft
monochromegane
0
140
不確実性下における目的と手段の統合的探索に向けた連続腕バンディットの応用 / iot70_gp_rff_mab
monochromegane
2
190
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
4k
ベクトル検索システムの気持ち
monochromegane
37
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
220
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
300
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
1k
Online Nonstationary and Nonlinear Bandits with Recursive Weighted Gaussian Process
monochromegane
0
710
AIを前提とした体験の実現に向けて/toward_ai_based_experiences
monochromegane
2
1.1k
Other Decks in Technology
See All in Technology
Linux カーネルが支えるコンテナの仕組み / LF Japan Community Days 2025 Osaka
tenforward
1
110
SQLAlchemy の select(User).where(User.id =="123") を理解してみる/sqlalchemy deep dive
3l4l5
1
150
Data Hubグループ 紹介資料
sansan33
PRO
0
2.2k
だいたい分かった気になる 『SREの知識地図』 / introduction-to-sre-knowledge-map-book
katsuhisa91
PRO
3
1.2k
AI時代、“平均値”ではいられない
uhyo
8
2.1k
旅で応援する✈️ NEWTが目指すコミュニティ支援とあたらしい旅行 / New Travel: Supporting by NEWT on Your Journey
mii3king
0
140
ヘンリー会社紹介資料(エンジニア向け) / company deck for engineer
henryofficial
0
300
現場データから見える、開発生産性の変化コード生成AI導入・運用のリアル〜 / Changes in Development Productivity and Operational Challenges Following the Introduction of Code Generation AI
nttcom
1
430
Introdução a Service Mesh usando o Istio
aeciopires
1
280
難しいセキュリティ用語をわかりやすくしてみた
yuta3110
0
360
Introduction to Sansan for Engineers / エンジニア向け会社紹介
sansan33
PRO
5
43k
映像エッジAIにおけるNode-RED活用事例
emirmatsui
0
130
Featured
See All Featured
Measuring & Analyzing Core Web Vitals
bluesmoon
9
630
Stop Working from a Prison Cell
hatefulcrawdad
271
21k
Refactoring Trust on Your Teams (GOTO; Chicago 2020)
rmw
35
3.2k
Save Time (by Creating Custom Rails Generators)
garrettdimon
PRO
32
1.7k
Creating an realtime collaboration tool: Agile Flush - .NET Oxford
marcduiker
34
2.3k
"I'm Feeling Lucky" - Building Great Search Experiences for Today's Users (#IAC19)
danielanewman
230
22k
Building an army of robots
kneath
306
46k
Exploring the Power of Turbo Streams & Action Cable | RailsConf2023
kevinliebholz
36
6.1k
Bash Introduction
62gerente
615
210k
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
127
54k
We Have a Design System, Now What?
morganepeng
53
7.8k
The Psychology of Web Performance [Beyond Tellerrand 2023]
tammyeverts
49
3.1k
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