Upgrade to Pro — share decks privately, control downloads, hide ads and more …

機械学習入門

 機械学習入門

RICORA Programming Team で使用したスライド

tasotaku

May 22, 2023
Tweet

More Decks by tasotaku

Other Decks in Programming

Transcript

  1. 機械学習入門
    2023/05/19
    1

    View full-size slide

  2. 目的
    機械学習に興味があるけど良く知らないという方向けの話です。
    そのため、長い部分や理論的な部分は省略して、広く浅く紹介します。
    機械学習とは何なのか、何をするのに向いているのかを知って、興味があるか検討に
    役立てて下さい。
    「これからガッツリ勉強したい!」という方には向かないかも。
    2023/05/19
    2

    View full-size slide

  3. 機械学習とは
    データから自動で学習する技術
    2023/05/19
    3

    View full-size slide

  4. 深層学習
    def predict(self, x):
    W1, W2 = self.params['W1'], self.params['W2']
    b1, b2 = self.params['b1'], self.params['b2']
    a1 = np.dot(x, W1) + b1
    z1 = sigmoid(a1)
    a2 = np.dot(z1, W2) + b2
    y = softmax(a2)
    return y
    上のコードのように、計算によって出来ている。
    Wは重み、bはバイアス
    np.dotは行列の積
    sigmoidはシグモイド関数 ( sigmoid(x) = 1 / 1 + exp(-x) )
    2023/05/19
    4

    View full-size slide

  5. 深層学習
    a1 = np.dot(x, W1) + b1 # 第一層
    z1 = sigmoid(a1)
    a2 = np.dot(z1, W2) + b2 # 第二層
    y = softmax(a2)
    下の図のように表される。(引用: https://jp.mathworks.com/discovery/deep-
    learning.html)
    2023/05/19
    5

    View full-size slide

  6. どうやって学習するのか
    誤差を関数で表し、微分を使って誤差が最小になるようにする。
    2023/05/19
    6

    View full-size slide

  7. 勾配法
    引用(https://rightcode.co.jp/blog/information-technology/back-propagation-
    algorithm-implementation)
    微分によって傾き(勾配)を求め、パラメータをどっちにどれだけ進めれば誤差が少なく
    なるか学習する
    2023/05/19
    7

    View full-size slide

  8. 誤差逆伝播法
    誤差を逆方向からフィードバックする手法
    引用(https://rightcode.co.jp/blog/information-technology/back-propagation-
    algorithm-implementation)
    2023/05/19
    8

    View full-size slide

  9. 機械学習に扱えるもの
    深層学習は数式によって成り立っている事を説明しました。
    極端に言えば、数字に変換できる物なら大抵のものが取り込めます。
    2023/05/19
    9

    View full-size slide

  10. データ
    赤ワインの属性と品質のデータ
    引用(https://www.statlab.co.jp/seminar/redwine01.html)
    各項目がすでに数値なので、そのまま取り出すことができる。
    2023/05/19
    10

    View full-size slide

  11. 画像
    色は光の三原色の強さで表せる。
    0~255段階とすることで、画像を配
    列にできる
    2023/05/19
    11

    View full-size slide

  12. 言語
    単語の意味は周囲の単語によって形成される(分布仮説)
    I say hello
    You say goodbye
    IとYouはどちらもsayの前だから似た意味?
    helloとgoodbyeはどちらもsayの後ろだから似た意味?
    単語をベクトルで表現する
    各単語の類似度(数値)をベクトルで表現する。
    似た意味の単語はベクトル空間上で近い位置にある。
    2023/05/19
    12

    View full-size slide

  13. ボードゲーム
    左のマップは以下のように配列にできる
    [[-1, None,0, 1 ],
    [0, 0, 0, None],
    [None,0, None,0 ],
    [0, 0, 0, 0 ]]
    移動したら得られる点を表す。家のマスに移動したら1
    点、炎のマスは1点減点、それ以外は0点。
    引用【入門】Q学習の解説とpythonでの実装 〜シンプル
    な迷路問題を例に〜
    2023/05/19
    13

    View full-size slide

  14. モデル作成の例
    1. データセットの用意
    2. 前準備
    3. 学習と予測
    2023/05/19
    14

    View full-size slide

  15. データセットの用意
    質の良いデータを大量に用意する事は最も重要なことの一つです。
    サイトからダウンロードする
    Kaggle や Dataset Search などで探せる
    ネット上でかき集める
    画像投稿サイトで集めたり
    自作
    大量に用意する必要があるので大変。
    外注
    企業がやるやつ
    2023/05/19
    15

    View full-size slide

  16. 前準備
    フレームワーク選び
    データの整形
    データの分割
    データローダーにかける
    ハイパーパラメータ設定
    などなど
    2023/05/19
    16

    View full-size slide

  17. 学習と予測
    学習が完了するまで待ち。
    データの数やフレームワーク・ライブラリによって時間は変わる。
    ノーパソだと数時間かかるものも珍しくない。
    2023/05/19
    17

    View full-size slide

  18. シンプルな例で体験
    Google Colab を使用
    https://colab.research.google.com/
    Python環境がすでに整っているのですぐに始められる。
    GPUが使える。
    無料で使えるが使用制限あり。
    ソースコードとデータセットはgithubに用意してあるので、CodeからDownload ZIP
    https://github.com/tasotaku/Machine_Learning_lec
    2023/05/19
    18

    View full-size slide

  19. シンプルな例で体験
    1. アップロードを選択
    2. ipynbファイルをアップロード
    3. ファイルを選択
    4. csvファイルをアップロード
    5. 上から実行
    2023/05/19
    19

    View full-size slide

  20. 強化学習
    先ほど紹介したのは教師あり学習
    強化学習とはエージェントと環境が相互にやり取りをす
    ることで学習する。
    家のマスに移動するという行動をしたら、1点という報
    酬をあたえる。こういった探索を行い、最も良い行動を
    求める。
    強化学習の場合、データセットは必要ない。代わりに環
    境や報酬が必要。
    2023/05/19
    20

    View full-size slide

  21. Deep Learninig 実用例
    物体検知
    画像生成
    自動翻訳
    チャットボット
    ボードゲーム
    ロボット制御
    2023/05/19
    21

    View full-size slide

  22. 物体検知
    画像から物体の位置と種類を表示
    引用
    (https://pjreddie.com/darknet/yolo/)
    2023/05/19
    22

    View full-size slide

  23. 画像生成
    引用(https://huggingface.co/stabilityai/stable-diffusion-2)
    テキストや文章から新たな画像を生成
    stable-diffusionなど
    2023/05/19
    23

    View full-size slide

  24. 自動翻訳
    翻訳してくれる。英語課題のお供。
    Google翻訳、DeepLなど。
    2023/05/19
    24

    View full-size slide

  25. チャットボット
    人と自然な対話が可能。分かりやすく教えてもらったり、ソースコード書いてもらっ
    たりできる。
    ChatGPTなど
    2023/05/19
    25

    View full-size slide

  26. ボードゲーム
    チェスやオセロ、エアーホッケー、アクションゲームなど、人間と同じ強さで戦え
    る。
    ロボット制御
    アームで掴む、犬型ロボットが歩くなど。ロボットの行動はデータにしづらいので、
    強化学習になる。物をつかめたらプラスの報酬を与えるなど。
    2023/05/19
    26

    View full-size slide

  27. 機械学習は万能か?
    先週のatcoder A問題
    https://atcoder.jp/contests/abc301/tasks/abc301_a
    入力が整数と文字列、出力が文字。一応、機械学習で扱えるが...
    データセットを用意しなければならない。
    手を抜くと精度が下がる。
    前準備がいる。
    場合によっては学習に時間がかかる。
    正答率は100%にならない可能性がある。
    手間がかかる上に不完全。普通に数行コードを書いた方がいい!
    2023/05/19
    27

    View full-size slide

  28. おすすめの本
    昨今のAIブームのおかげで機械学習の情報は沢山ある。
    ネットで調べるなり本を借りるか買うかすれば困らないと思う。
    ゼロから作るdeep learning
    説明が丁寧で読みやすい。序盤にPythonの解説があるが基礎知識はあった方がいい。
    AIの理論的な部分がメイン、実装するにはこの本だけでは不十分。(個人の意見)
    2023/05/19
    28

    View full-size slide

  29. おわり
    広ーく話させてもらいました。理論的な部分はほぼ飛ばしているので、本来は数学っ
    ぽい話があります。
    機械学習の理解に役立ったのならうれしいです。
    2023/05/19
    29

    View full-size slide