Link
Embed
Share
Beginning
This slide
Copy link URL
Copy link URL
Copy iframe embed code
Copy iframe embed code
Copy javascript embed code
Copy javascript embed code
Share
Tweet
Share
Tweet
Slide 1
Slide 1 text
Ridge-i インターンシッププログラム 人工知能・機械学習(AI/ML)基礎講座 第7話 機械学習のパイプライン(線形識別を例に) Chief Research Officer 牛久 祥孝
Slide 2
Slide 2 text
機械学習のパイプライン • 特徴量計算(人が設計)+識別器学習(機械が学習) • 本章では以降つぎのトピックについて解説する – 特徴量抽出理論 – 機械学習のその他の展開 = () Cat Camera 特徴量 計算 識別器 学習 Cat Camera
Slide 3
Slide 3 text
線形識別=超平面 カメラとネコを分類するAI →(一例として)教師あり学習による線形識別 • 線形分類とも呼ばれる • カメラの特徴量とネコの特徴量の間の超平面(2次元空間上では直 線)を見つける 3 = () Cat Camera 特徴量 計算 識別器 学習 Cat Camera
Slide 4
Slide 4 text
線形識別=超平面 4 Cat Camera この線分の符号つき長さ: ⋅ 原点と直線の符号つき距離:とおく
Slide 5
Slide 5 text
線形識別=超平面 5 Cat Camera この線分の符号つき長さ: ⋅ 原点と直線の符号つき距離:とおく ピンクの線分が原点と直線の距離より大きい→ネコ それ以外→カメラ (ちょうど同じときの判断は設計の自由)
Slide 6
Slide 6 text
線形識別=超平面 6 Cat Camera この線分の符号つき長さ: ⋅ 原点と直線の符号つき距離:とおく ピンクの線分が原点と直線の距離より大きい→ネコ それ以外→カメラ (ちょうど同じときの判断は設計の自由) ⋅ > ′ = − なるを置くと ⋅ + > 0 つまり = = ⋅ +
Slide 7
Slide 7 text
を消す = = ⋅ + = ′ ⋅ ′ ただし′ = 、′ = 1 識別則がパラメータと特徴量の内積だけ!シンプル! …でもを′に変えるのはどういう意味? 7
Slide 8
Slide 8 text
を消す = = ⋅ + = ′ ⋅ ′ ただし′ = 、′ = 1 8
Slide 9
Slide 9 text
を消す = = ⋅ + = ′ ⋅ ′ ただし′ = 、′ = 1 9 𝒙
Slide 10
Slide 10 text
を消す = = ⋅ + = ′ ⋅ ′ ただし′ = 、′ = 1 10 1 𝒙
Slide 11
Slide 11 text
を消す = = ⋅ + = ′ ⋅ ′ ただし′ = 、′ = 1 11 1 𝒙 𝒘
Slide 12
Slide 12 text
を消す = = ⋅ + = ′ ⋅ ′ ただし′ = 、′ = 1 12 1 𝒙 𝒘 を「浮かせた」′は… 原点を通る超平面𝒘で 分けられる様になる!
Slide 13
Slide 13 text
(線形な)機械学習=超平面/直線の冒険 分類:クラスが異なる特徴量を分けられる超平面※を探す 13 Cat Camera ※直線なのは特徴量空間が2次元の場合
Slide 14
Slide 14 text
(線形な)機械学習=超平面/直線の冒険 回帰:直線上での座標が指定された値になる直線を探す 14 体重 身長 体重= ⋅ 身長 + 定数
Slide 15
Slide 15 text
(線形な)機械学習=超平面/直線の冒険 ランク学習:直線上での座標の大小関係が指定された関係に なる直線を探す 15 ネコの毛の長さと毛の密度から ネコのモフモフ度を推定させたい! 回帰として学習できる? →「モフモフ度」を絶対評価で採点しなければならない それぞれのモフモフ度は何点? 絶対評価が困難でも… 相対評価なら可能なのでは?
Slide 16
Slide 16 text
(線形な)機械学習=超平面/直線の冒険 ランク学習:直線上での座標の大小関係が指定された関係に なる直線を探す 16 毛の長さ 毛の密度 モフモフ度 この軸の上では > 左の画像がよりモフモフ この軸の上では > 左の画像がよりモフモフ
Slide 17
Slide 17 text
なお深層学習では • 特徴量計算+識別器学習(両方とも機械が学習) • 深層学習では – End-to-end学習(特徴量抽出と識別器の学習を同時に実行) – 事前学習/追加学習(特徴量抽出の学習と識別器の学習が別) = () Cat Camera 特徴量 計算 識別器 学習 Cat Camera