機械学習を始めるための第一歩

Transcript

2. 機械学習を始めるための 第一歩 @tkengo 2017.10.20 LINE Developer MeetUp in Tokyo #21
3. ࣗݾ঺հ 立石 賢吾 LINE Fukuoka 株式会社 データ分析チーム所属 KENGO TATEISHI
4. 機械学習を始めるための第一歩 アジェンダ • 機械学習をはじめる • 機械学習を理解する • 機械学習を実装する • まとめ
5. 機械学習をはじめる 機械学習をはじめる
6. 機械学習のイメージ 機械学習をはじめる
7. 機械学習のイメージ プログラマが考える機械学習 • 数学必須？ • 難しそう？ • 人工知能？ 数学 ムズすぎ 理論 わからん 遠い世界 機械学習をはじめる
8. 機械学習のイメージ プログラマが考える機械学習 • 数学必須？ • 難しそう？ • 人工知能？ 理論 わからん 遠い世界 数学 ムズすぎ というイメージを捨てます 機械学習をはじめる
9. 機械学習を始めるために まずは理解できる楽しさを知ろう！ • いきなり難しい理論は誰だって無理 • 一昔前に比べて豊富な入門者向けリソース • 連載記事、オンラインコース、書籍、etc 機械学習をはじめる
10. 機械学習を理解する 機械学習を理解する
11. 機械学習を理解する 機械学習ってすごい？ → すごい 機械学習を理解するために 機械学習ってなんでもできる？ → なんでもはできない
12. 機械学習を理解する 機械学習を理解するために 機械学習の本質 • 「すごいけどなんでもはできない」 • 人工知能 ≠ 機械学習 • 人間には発見が難しいパターン(ルール)を発見するのが仕事
13. 機械学習の本質 • 「すごいけどなんでもはできない」 • 人工知能 ≠ 機械学習 • 人間には発見が難しいパターン(ルール)を発見するのが仕事 機械学習を理解する 機械学習を理解するために パターン(ルール)の発見とは
14. 機械学習を理解する パターン(ルール)の発見 最も単純な例題 • たとえば広告費とクリック数の関係 • 広告費が増える程クリック数も増加 • 広告費とクリック数をプロットした図 • ここにはどういうパターンが存在する？ ク リ ッ ク 数 広告費
15. 広告費とクリック数の関係性を考える • 広告費を50円増やすとクリック数は 機械学習を理解する パターン(ルール)の発見 ク リ ッ ク 数 広告費 どれくらい増える？ +50円
16. 10,000回の広告クリック 広告費とクリック数の関係性を考える • 10,000回のクリック数をかせぐには 機械学習を理解する パターン(ルール)の発見 ク リ ッ ク 数 広告費 いくら広告費をかければ良い？
17. 広告費とクリック数の関係を定式化 • 傾きと切片をもつ一次関数を想像 • • この　 と　が関係性を示すパターン • この　 と　をデータから導き出す 機械学習を理解する パターン(ルール)の発見 x y y = ax + b a b a b
18. パターンからの予測 • もし　　　　　　　　　　 だったら 機械学習を理解する パターン(ルール)の発見 x y a = 100, b = 1000 y = 100x + 1000
19. パターンからの予測 • 広告費を50円増やすとクリック数は 機械学習を理解する パターン(ルール)の発見 どれくらい増える？ → クリック数は約5,000回増える x y
20. パターンからの予測 • 10,000回のクリック数をかせぐには 機械学習を理解する パターン(ルール)の発見 いくら広告費をかければ良い？ → 約90円の広告費をかければ達成 x y
21. 機械学習を理解する パターン(ルール)の発見 機械学習の本質 • パターン(ルール) = 未知のパラメータ (　 や　などの未知数) • 現実問題に応用する場合はパラメータ数がとても多い。重みと言う場合もある。 • データから未知のパラメータを探索 • 発見されたパラメータによる予測/推測 a b
22. 機械学習を理解する パターン(ルール)の発見 機械学習の本質 • パターン(ルール) = 未知のパラメータ (　 や　などの未知数) • 現実問題に応用する場合はパラメータ数がとても多い • データから未知のパラメータの探索 • 発見されたパラメータによる予測/推測 a b これがイメージできる ようになることが大事
23. 機械学習を理解する パターン(ルール)の発見 機械学習の本質 • このような未知のパラメータを探す手法を理解するために数学知識が必要 • 数学的背景に目が向くことは多いが本質も理解する • その上で…
24. 理論を理解する 冒頭に紹介した本書では先に話したような内容を 皮切りに、機械学習の理解に必要な数学の知識を やさしく解説しています。 機械学習を理解する 最小二乗法、勾配降下法、尤度関数、正則化など…
25. 機械学習を実装する 機械学習を実装する
26. 実装までの道のり 理論を理解した次のステップ → 実際に機械学習を使い始めてみる • 何に適用すれば？ • どう応用すれば？ 機械学習を実装する
27. 理論と実装のギャップ • 実際は勾配法や正則化の実装などしない • from sklearn import linear_model • この1行に先人たちが実装してきたいろんな理論が詰め込まれている • 理論解説には登場しなかった多くの前処理 • 欠損値処理、異常値除去、正規化、白色化、など… 機械学習を実装する 実装までの道のり
28. 理論と実装のギャップ • だいたい一発ではうまくいかない • おもってたんと違う • アルゴリズム、素性、ハイパーパラメータの選定 • バリデーションデータの概念 • 実験、改善の繰り返し 機械学習を実装する 実装までの道のり
29. 理論と実装のギャップ • 理論だけ学んでも知らないことはいっぱい テスト コード レビュー デプロイ 運用 学習データ 管理 ドキュメント 整備 機械学習を実装する 実装までの道のり
30. 手を動かして学ぶ • 座学だけでなんとかなるほど世の中は甘くない • 公開されたデータセットでの練習 → 実データへの応用 • 最初から数百万件規模の大量のデータを目指す必要はない • 実運用中のDBから適当にデータを抜いて試すのもOK 機械学習を実装する 実装までの道のり
31. 知識のインプットを止めない • なるべく多くの例題や手法に触れる • 手を動かしていくうちにわからないことが出てきてまた調べる • 継続的な知識のインプット 機械学習を実装する 実装までの道のり
32. まとめ まとめ
33. まとめ プログラミングはじめたての頃の想い出 • 仕組みを理解できた時の楽しさ • プログラムが動いた時の楽しさ • 勉強を継続できたモチベーションは？ → 楽しい 機械学習を始めるための第一歩
34. 機械学習を始めるための第一歩 理解できる楽しさを知る → 機械学習のイメージを掴む 実装できる楽しさを知る → 手を動かして練習する まとめ 環境は既に整っている
35. 機械学習を始めるための第一歩 まとめ 理論 実践 (わかる|できる)楽しさを知る
36. 機械学習を始めるための第一歩 まとめ 理論 実践 どちらも大事
37. 機械学習を始めるための第一歩 まとめ 理論 実践 どちらから始めますか？
38. We’re hiring まとめ https://linecorp.com/ja/career/kyoto 京都オフィスエンジニア募集中 一緒に働きませんか？ 最新の採用情報をチェック →