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
250
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
トラブルがあったコンペに学ぶデータ分析
tereka114
2
1.4k
Harnessing Large Language Models for Training-free Video Anomaly Detection
tereka114
1
1.5k
KDD2023学会参加報告
tereka114
2
550
Prompting Large Language Models with Answer Heuristics for Knowledge-based Visual Question Answering
tereka114
0
360
Mobile-Former: Bridging MobileNet and Transformer
tereka114
0
1.1k
DER: Dynamically Expandable Representation for Class Incremental Learning
tereka114
0
180
Jupyter Notebookを納品した話
tereka114
0
400
Multi Scale Recognition with DAG-CNNs
tereka114
0
120
How to use scikit-image for data augmentation
tereka114
0
220
Other Decks in Programming
See All in Programming
XStateを用いた堅牢なReact Components設計~複雑なClient Stateをシンプルに~ @React Tokyo ミートアップ #2
kfurusho
1
900
チームリードになって変わったこと
isaka1022
0
200
Grafana Cloudとソラカメ
devoc
0
170
Pythonでもちょっとリッチな見た目のアプリを設計してみる
ueponx
1
560
定理証明プラットフォーム lapisla.net
abap34
1
1.8k
WebDriver BiDiとは何なのか
yotahada3
1
140
昭和の職場からアジャイルの世界へ
kumagoro95
1
380
GitHub Actions × RAGでコードレビューの検証の結果
sho_000
0
260
GAEログのコスト削減
mot_techtalk
0
120
CSS Linter による Baseline サポートの仕組み
ryo_manba
1
100
2,500万ユーザーを支えるSREチームの6年間のスクラムのカイゼン
honmarkhunt
6
5.3k
Rubyで始める関数型ドメインモデリング
shogo_tksk
0
110
Featured
See All Featured
GraphQLとの向き合い方2022年版
quramy
44
13k
How to Create Impact in a Changing Tech Landscape [PerfNow 2023]
tammyeverts
49
2.3k
No one is an island. Learnings from fostering a developers community.
thoeni
21
3.1k
Documentation Writing (for coders)
carmenintech
67
4.6k
The Success of Rails: Ensuring Growth for the Next 100 Years
eileencodes
44
7k
Thoughts on Productivity
jonyablonski
69
4.5k
How to Think Like a Performance Engineer
csswizardry
22
1.3k
The Power of CSS Pseudo Elements
geoffreycrofte
75
5.5k
"I'm Feeling Lucky" - Building Great Search Experiences for Today's Users (#IAC19)
danielanewman
226
22k
Docker and Python
trallard
44
3.3k
What's in a price? How to price your products and services
michaelherold
244
12k
Speed Design
sergeychernyshev
27
790
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!