Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
面倒くさいこと考えたくないあなたへ〜Tpotと機械学習〜
Search
tereka114
March 16, 2022
Programming
0
200
面倒くさいこと考えたくないあなたへ〜Tpotと機械学習〜
tereka114
March 16, 2022
Tweet
Share
More Decks by tereka114
See All by tereka114
Harnessing Large Language Models for Training-free Video Anomaly Detection
tereka114
1
1.4k
KDD2023学会参加報告
tereka114
2
440
Prompting Large Language Models with Answer Heuristics for Knowledge-based Visual Question Answering
tereka114
0
320
Mobile-Former: Bridging MobileNet and Transformer
tereka114
0
990
DER: Dynamically Expandable Representation for Class Incremental Learning
tereka114
0
130
Jupyter Notebookを納品した話
tereka114
0
300
Multi Scale Recognition with DAG-CNNs
tereka114
0
90
How to use scikit-image for data augmentation
tereka114
0
160
Chainerを使ったらカノジョができたお話
tereka114
0
140
Other Decks in Programming
See All in Programming
Method Swizzlingを行うライブラリにおけるマルチモジュール設計
yoshikma
0
100
現代のVueとTypeScript - 型安全の活用術
minako__ph
4
3.1k
Some more adventure of Happy Eyeballs
coe401_
2
150
状態管理ライブラリZustandの導入から運用まで
k1tikurisu
2
270
Using Livebook to build and deploy internal tools @ ElixirConf 2024
hugobarauna
0
210
GoのIteratorに詳しくなってしまう
inatonix
1
180
数値を文字列に整形する際の落とし穴とその解決策(iOSDC2024 ルーキーズLT) / iOSDC Japan 2024 Formatting Floating-Point Numbers
glassfiber
0
250
What we keep in mind when migrating from Serverless Framework to AWS CDK and AWS SAM
kasacchiful
1
130
初めてのiOS関連GitHub ActionsをMarketplaceに公開するまでの実録
konifar
3
200
Why Prism?
kddnewton
3
230
2024 컴포즈 정원사
jisungbin
0
140
RAGの回答精度評価用のQAデータセットを生成AIに作らせた話
kurahara
0
210
Featured
See All Featured
Bash Introduction
62gerente
608
210k
A designer walks into a library…
pauljervisheath
201
24k
個人開発の失敗を避けるイケてる考え方 / tips for indie hackers
panda_program
88
15k
Automating Front-end Workflow
addyosmani
1365
200k
What the flash - Photography Introduction
edds
67
11k
Side Projects
sachag
451
42k
Navigating Team Friction
lara
183
13k
Unsuck your backbone
ammeep
667
57k
KATA
mclloyd
27
13k
GraphQLの誤解/rethinking-graphql
sonatard
65
9.7k
The World Runs on Bad Software
bkeepers
PRO
64
11k
Docker and Python
trallard
39
3k
Transcript
面倒くさいこと考えたくない あなたへ 〜TPOTと機械学習〜 Acroquest Technology株式会社 山本 大輝(@tereka114)
自己紹介 1. 山本 大輝(@tereka114) 2. Acroquest Technology 株式会社 3. 画像処理、データ分析
4. 「のんびりしているエンジニアの日記」 (http://nonbiri-tereka.hatenablog.com/)
機械学習にデータを入れたい?
何を考えますか?
データの加工方法?
確かにそうでしょう。
一覧化しました。
機械学習において考えないといけないこと 1. 前処理 1. 前処理の種類 2. 特徴選択 3. 特徴量加工 2.
モデル 1. どんなモデルを作るか 1. Logistic Regression, 2. Random Forest 3. パラメータ 1. Ex. SVM(C, kernel ,eps etc) 4. 評価 1. Log loss, mse, rmse
考えること多すぎ!
めんどくさい
機械学習において考えないといけないこと 1. 前処理 1. 前処理の種類 1. Z変換 2. モデル 1.
どんなモデルを作るか 1. Logistic Regression, 2. RandomForest 3. パラメータ 1. SVM(C, kernel ,eps etc) 4. 評価 1. Log loss, mse, rmse
自動化します。
そう、TPOTで
What is TPOT? 1. TPOTは自動的にモデル選択、パラメータの選択を 遺伝的プログラミングを使って、最適化します。 1. 遺伝的プログラミングの実装はDEAPを使っている。 2. で、何ができるの?
1. 入力した特徴量から最適化する。 2. 最適化したコードを吐き出す。 3. コマンドラインとしても実行可能
TPOT 概要
TPOT 概要 前処理 モデル構築 パラメータの最適化
TPOT Example
TPOT Example データ作成 学習する スコア計算する ファイルにExport Pipeline
TPOTクラス 1. TPOT自身は、TPOTのコードをexportする他に predict, fit, fit_transform, score等のメソッドを持つ。 2. TPOTはscikit-learnを継承していないが、基本的に scikit-learnと同じインターフェースとして使える。
3. 内部は全てscikit-learn 4. TPOT便利
生成コード ここを変更する。
内部では・・・? 1. TPOTの前処理や分析は全てscikit-learnのクラスを 使っている。 1. Feature Selection等 2. 遺伝的プログラミングのコードはDEAPライブラリに よる作成なので、パラメータ(generation)等は似て
いる。
まとめ 1. TPOTを使った簡単な機械学習に挑戦した。 2. 遺伝的プログラミングを使った最適化によって良い 処理を生成する。 3. 簡単にコードを生成し、使える。
御清聴ありがとうございました!