はじめての機械学習 / Entrance to Machine Learning

Slide 1

Slide 1 text

͸͡Ίͯͷػցֶश !Z@@NBUUV 5PLZP3

Slide 2

Slide 2 text

୭ʁ • 名前: 松村優哉 • 学⽣時代の専⾨: 計量経済学、ベイズ統計、因果推論、マーケティング（研究室のAWSの管理とかもやってた） • ⾔語: R, Python • HR系企業でデータサイエンティストしてます • Tokyo.R 運営(初⼼者セッション等) @y__mattu ymattu 2

Slide 3

Slide 3 text

એ఻ • Ӊ஦ຊ͜ͱʰ3ϢʔβͷͨΊͷ34UVEJP<࣮ફ>ೖ໳ʱ 3 ୈষ 3TUVEJPͷجૅ ୈষ εΫϨΠϐϯάʹΑΔσʔλऩू ୈষ EQMZSUJEZSʹΑΔσʔλલॲཧ ୈষ HHQMPUʹΑΔσʔλՄࢹԽ ୈষ 3.BSLEPXOʹΑΔσʔλՄࢹԽ վగୈ൛ൃചܾఆʂʂʂ ओͳมߋ఺ • ࠷৽ͷ34UVEJP ֤छύοέʔδʹରԠ • จࣈྻૢ࡞ʢTUSJOHSʣ΍೔෇ૢ࡞ʢMVCSJEBUFʣʹؔ͢Δ෇࿥

Slide 4

Slide 4 text

໨࣍ • ػցֶशͱ͸ • ڭࢣ͋Γֶश WTڭࢣͳֶ͠श • ෼ྨ WTճؼ • Ϟσϧબ୒ • 3Ͱػցֶश 4

Slide 5

Slide 5 text

͜ͷࢿྉͷର৅ɾ໨త ର৅ • ʮػցֶशʯͱ͍͏ݴ༿ΛॳΊͯฉ͘ • ͜Ε͔Βσʔλ෼ੳΛษڧ͢Δ ໨త • ʮػցֶशͬͯ݁ہԿΛ΍ͬͯΔͷʁʯΛͬ͘͟Γཧղ͢Δ • ʮػցֶश ೉͍͠ʯPSʮػցֶशͬͯ"*ͰΊͬͪΌ͍͢͝ʯͱ͍͏Π ϝʔδͷ෷১ • ͜Ε͔Βษڧ͢Δͱ͖ͷ͓࣋ͬͯ͘ͱ͍͍ΠϝʔδΛ਎ʹ͚ͭΔ • Α͘ग़ͯ͘ΔΩʔϫʔυͷཧղ ࿩͞ͳ͍͜ͱ • ਺ࣜʹΑΔղઆ 5

Slide 6

Slide 6 text

ػցֶशͱ͸ 6 • ⼀⾔で σʔλ͔ΒύλʔϯΛೝࣝ͠ɺ ະ஌ͷ౴͑Λ༧ଌ͢ΔͨΊͷϧʔϧΛ ࣗಈతʹ࡞Γग़͢Α͏ʹɺ ϚγϯʢίϯϐϡʔλʣΛτϨʔχϯά͢Δ

Slide 7

Slide 7 text

؆୯ͳΠϝʔδ 7 • 残業時間と退職のデータがあったとします • 残業時間で退職の有無をおよそ判断できるように、線を引く =パターン認識 ࢒ۀ࣌ؒ 退職した退職しない ࢒ۀ࣌ؒ

Slide 8

Slide 8 text

؆୯ͳΠϝʔδ 8 • 新しいデータが得られたとき、引いた線によって、退職の有無を予測できる ࢒ۀ࣌ؒ アルゴリズムデータモデル線の引き⽅線が引かれている状態

Slide 9

Slide 9 text

ڭࢣ͋Γֶश WTڭࢣͳֶ͠श

Slide 10

Slide 10 text

ͲͷΑ͏ʹϞσϧΛֶश͢Δ͔ 10 • ڭࢣ͋Γֶश • աڈͷσʔλͷதʹϥϕϧ͕͋Δ • Ϟσϧͷத਎͸ɺϥϕϧΛ༧ଌ͢ΔͨΊͷϧʔϧ ୀ৬ 1 0 0 1 ࢒ۀ ࣌ؒ ೥ྸ څ༩ ɾɾɾ ໨తม਺ ैଐม਺ આ໌ม਺ ಠཱม਺ ༧ଌม਺ ಛ௃ྔ

Slide 11

Slide 11 text

ڭࢣ͋Γֶशͷ୅දతͳΞϧΰϦζϜ 11 • ઢܗճؼ • ϩδεςΟοΫճؼɺ(-. • 47. • ܾఆ໦ɺϥϯμϜϑΥϨετ • 9(#PPTUɺ-JHIU(#. ΄͔ʹ΋ͨ͘͞Μ

Slide 12

Slide 12 text

12 ୀ৬ 1 0 0 1 ࢒ۀ ࣌ؒ ೥ྸ څ༩ ɾɾɾ アルゴリズムモデル ୀ৬ ︖ ︖ ︖ ︖ ࢒ۀ ࣌ؒ ೥ྸ څ༩ ɾɾɾ ୀ৬ 0 0 1 1 ࢒ۀ ࣌ؒ ೥ྸ څ༩ ɾɾɾ ༧ଌ

Slide 13

Slide 13 text

ͲͷΑ͏ʹϞσϧΛֶश͢Δ͔ 13 • ڭࢣͳֶ͠श • աڈͷσʔλͷதʹϥϕϧ͕ͳ͍ • Ϟσϧͷத਎͸ɺάϧʔϓ෼͚ͷϧʔϧ • ϥϕϧ͸ɺ෼͚ΒΕͨ݁ՌΛݟͯਓ͕͚ͭΔ ࢒ۀ ࣌ؒ ೥ྸ څ༩ ɾɾɾ આ໌ม਺ ಠཱม਺ ༧ଌม਺ ಛ௃ྔ ࢒ۀɾଟ څ༩ɾଟ ࢒ۀɾগ څ༩ɾଟ

Slide 14

Slide 14 text

ڭࢣͳֶ͠शͷ୅දతͳΞϧΰϦζϜ 14 • ΫϥελϦϯά • ,NFBOT • ओ੒෼෼ੳ • ҟৗݕ஌ • τϐοΫϞσϧ ΄͔ʹ΋ͨ͘͞Μ

Slide 15

Slide 15 text

͔͜͜Β͸ɺڭࢣ͋Γֶशʹ য఺Λ౰ͯͯ

Slide 16

Slide 16 text

෼ྨ WTճؼ

Slide 17

Slide 17 text

෼ྨͱճؼ 17 • ෼ྨ • ໨తม਺͕ΧςΰϦʔ • ճؼ • ໨తม਺͕਺஋ ࣙΊΔʁࣙΊͳ͍ʁ ݘʁೣʁϥΠΦϯʁ དྷظͷड஫਺͸ʁ དྷళ਺͸ʁ גՁ͸ʁ ೋ஋෼ྨ ଟ஋෼ྨɾଟΫϥε෼ྨ

Slide 18

Slide 18 text

Ϟσϧબ୒ Ϟσϧͷ౰ͯ͸·Γͱ൚Խੑ

Slide 19

Slide 19 text

Ϟσϧબ୒ 19 • Ұ൪ྑ͍ઢͷҾ͖ํ͸ʁ • ֶशσʔλʹର͢Δਫ਼౓ • ະ஌ͷσʔλʹର͢Δ༧ଌྗ څྉ ࢒ۀ࣌ؒ ສ ສ

Slide 20

Slide 20 text

Ϟσϧબ୒ 20 • ڀۃతʹ͸ɺ͜͏ • ֶशσʔλʹର͢Δ༧ଌྗ • ະ஌ͷσʔλʹର͢Δ༧ଌྗऑͦ͏ څྉ ࢒ۀ࣌ؒ ສ ສ ະ஌ͷσʔλ͕͜͜ͷͱ͖ɺ Ϟσϧ͸ͲͪΒͱ༧ଌ͢Δʁ

Slide 21

Slide 21 text

Ϟσϧબ୒ 21 • ͜ͷ͘Β͍͕όϥϯεྑͦ͞͏ • ֶशσʔλʹର͢Δ༧ଌྗ • ະ஌ͷσʔλʹର͢Δ༧ଌྗڧͦ͏ څྉ ࢒ۀ࣌ؒ ສ ສ

Slide 22

Slide 22 text

Ϟσϧબ୒ 22 • ະ஌ͷσʔλ΁ͷ༧ଌྗڧͦ͏ɺऑͦ͏ΛͲ͏൑அ͢Δ͔ʁ ˠσʔλΛֶश༻ɺςετ༻ʹ෼ׂͯ͠ɺςετ༻Ͱ༧ଌྗΛଌΔ • ࢀߟΫϩεόϦσʔγϣϯ ୀ৬ 1 0 0 1 ࢒ۀ ࣌ؒ ೥ྸ څ༩ ɾɾɾ ֶश༻ ςετ༻ ϥϯμϜʹ͘Β͍͕ଟ͍ [email protected]

Slide 23

Slide 23 text

෼ྨΛ3Ͱ΍ͬͯΈΔ

Slide 24

Slide 24 text

ѻ͏σʔλ 24 • ペンギンデータ JOTUBMMQBDLBHFT QBMNFSQFOHVJOT MJCSBSZ QBMNFSQFOHVJOT EBUB QBDLBHFQBMNFSQFOHVJOT` IFBE QFOHVJOT "UJCCMFY TQFDJFTJTMBOECJMM@MFOHUI@NN CJMM@EFQUI@NN GMJQQFS@MFOHUI@ʜCPEZ@NBTT@H TFY GDUGDUECMECMJOUJOUGDU "EFMJF5PSHFʜNBMF "EFMJF5PSHFʜGFNBʜ "EFMJF5PSHFʜGFNBʜ "EFMJF5PSHFʜ/"/"/"/"/" "EFMJF5PSHFʜGFNBʜ "EFMJF5PSHFʜNBMF ʜXJUINPSFWBSJBCMFZFBSJOU EBU QFOHVJOT EQMZSGJMUFS JTOB TFY TFY͕ܽଛͷྻΛআ֎

Slide 25

Slide 25 text

ܾఆ໦Ϟσϧ 25 σʔλΛ෼ׂ JEY TBNQMF OSPX EBU OSPX EBU EBUBUSBJO EBU EBUBUFTU EBU<JEY > NPEFMEU QBSUZLJUDUSFF TQFDJFTd EBUBEBUBUSBJO QMPU NPEFMEU UZQFTJNQMF

Slide 26

Slide 26 text

ϥϯμϜϑΥϨετ 26 IUUQTTQFBLFSEFDLDPNLBOBVHVTUFYQMPSBUPSZTFNJOBOVNCFSKJKJFYVFYJ TMJEF

Slide 27

Slide 27 text

ϥϯμϜϑΥϨετ 27 NPEFMSG SBOHFSSBOHFS TQFDJFTd EBUBEBUBUSBJO NUSZ OVNUSFFT SFTVMUSG QSFEJDU NPEFMEU EBUBUFTU DNSG DBSFUDPOGVTJPO.BUSJY SFTVMUSG EBUBUFTUTQFDJFT $POGVTJPO.BUSJYBOE4UBUJTUJDT 3FGFSFODF 1SFEJDUJPO"EFMJF$IJOTUSBQ(FOUPP "EFMJF $IJOTUSBQ (FOUPP 0WFSBMM4UBUJTUJDT "DDVSBDZ $* /P*OGPSNBUJPO3BUF 17BMVF<"DD/*3>F ɾɾɾ

Slide 28

Slide 28 text

·ͱΊ

Slide 29

Slide 29 text

·ͱΊ 29 • 機械学習は、要するにパターン認識 • データをマッピングして、線を引くイメージ • ⽅法として、教師あり学習と教師なし学習がある • 教師あり→データにラベルがある • 教師なし→データにラベルがない • ラベルが数値の場合、回帰。ラベルがカテゴリの場合、分類。 • モデルの当てはまり・汎化性に気をつけよう • Rでは様々なアルゴリズムに対応するパッケージが⽤意されている • 使ってみて、統⼀感がないなあと思う場合はtidymodelsもおすすめ