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