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
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
Slide 2
Slide 2 text
2 2 機械学習とは何か そして、何ではないか
Slide 3
Slide 3 text
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
Slide 4
Slide 4 text
4 入力から出力を推測したい やりたいこと 4
Slide 5
Slide 5 text
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
Slide 6
Slide 6 text
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
Slide 7
Slide 7 text
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
Slide 8
Slide 8 text
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 ❌
Slide 9
Slide 9 text
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
Slide 10
Slide 10 text
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
Slide 11
Slide 11 text
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
Slide 12
Slide 12 text
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
Slide 13
Slide 13 text
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
Slide 14
Slide 14 text
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
Slide 15
Slide 15 text
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
Slide 16
Slide 16 text
16 16 機械学習のタスク 何のために学習するのか
Slide 17
Slide 17 text
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
Slide 18
Slide 18 text
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
Slide 19
Slide 19 text
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
Slide 20
Slide 20 text
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
Slide 21
Slide 21 text
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
Slide 22
Slide 22 text
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 -
Slide 23
Slide 23 text
23 23 なぜ機械学習を学ぶのか
Slide 24
Slide 24 text
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