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
ML基本のキの一筆目
Search
Sponsored
·
SiteGround - Reliable hosting with speed, security, and support you can count on.
→
yasu
June 18, 2019
Technology
0
79
ML基本のキの一筆目
機械学習とディープラーニングの区別がついていない人が多かったので書きました。(私のまわりだけ?)
また会話でよく出てくる用語について、調べてみた資料です。
yasu
June 18, 2019
Tweet
Share
More Decks by yasu
See All by yasu
Docker 危険のキ!/Docker the beginning of danger
yasu8899
1
250
Dockerとは
yasu8899
1
880
はじめての文字認識_改
yasu8899
1
490
rancheros-in-raspberrypi
yasu8899
2
460
5分で説明する RancherOS+Rancher2インストール / rancherosinstall
yasu8899
0
700
Other Decks in Technology
See All in Technology
量子クラウドサービスの裏側 〜Deep Dive into OQTOPUS〜
oqtopus
0
140
ブロックテーマでサイトをリニューアルした話 / 2026-01-31 Kansai WordPress Meetup
torounit
0
480
こんなところでも(地味に)活躍するImage Modeさんを知ってるかい?- Image Mode for OpenShift -
tsukaman
1
160
ブロックテーマ、WordPress でウェブサイトをつくるということ / 2026.02.07 Gifu WordPress Meetup
torounit
0
190
SREじゃなかった僕らがenablingを通じて「SRE実践者」になるまでのリアル / SRE Kaigi 2026
aeonpeople
6
2.5k
ClickHouseはどのように大規模データを活用したAIエージェントを全社展開しているのか
mikimatsumoto
0
260
AIエージェントを開発しよう!-AgentCore活用の勘所-
yukiogawa
0
180
Bill One 開発エンジニア 紹介資料
sansan33
PRO
5
17k
Agile Leadership Summit Keynote 2026
m_seki
1
650
インフラエンジニア必見!Kubernetesを用いたクラウドネイティブ設計ポイント大全
daitak
1
380
SREが向き合う大規模リアーキテクチャ 〜信頼性とアジリティの両立〜
zepprix
0
470
CDKで始めるTypeScript開発のススメ
tsukuboshi
1
510
Featured
See All Featured
StorybookのUI Testing Handbookを読んだ
zakiyama
31
6.6k
Optimizing for Happiness
mojombo
379
71k
Designing for Performance
lara
610
70k
ピンチをチャンスに:未来をつくるプロダクトロードマップ #pmconf2020
aki_iinuma
128
55k
Marketing Yourself as an Engineer | Alaka | Gurzu
gurzu
0
130
How to build an LLM SEO readiness audit: a practical framework
nmsamuel
1
650
Chrome DevTools: State of the Union 2024 - Debugging React & Beyond
addyosmani
10
1.1k
Marketing to machines
jonoalderson
1
4.6k
[RailsConf 2023 Opening Keynote] The Magic of Rails
eileencodes
31
9.9k
How to build a perfect <img>
jonoalderson
1
4.9k
Introduction to Domain-Driven Design and Collaborative software design
baasie
1
590
Beyond borders and beyond the search box: How to win the global "messy middle" with AI-driven SEO
davidcarrasco
1
56
Transcript
ML基本のキの一筆目 令和元年 6月18日 oda@sendai
きっかけ 区別ついていますか。 ・機械学習(machine learning) ・深層学習(deep learning)
答え
機械学習と深層学習 ・機械学習 何を学習するか人が決める 複雑な問題は苦手 計算コストが低い ・深層学習 何を学習するかも含めて学習させられる 複雑な問題に対応できる 計算コストが高い
AI(artificial intelligence) コンピュータによる知的な情報処理システムの設計や実現に関す る「研究分野」。 人工知能 - Wikipedia https://ja.wikipedia.org/wiki/人工知能
機械学習(machine learning) 人間が持つ学習能力を機械で実現する「技術・手法」の総称であ る。 機械学習 - Wikipedia https://ja.wikipedia.org/wiki/機械学習
機械学習(machine learning) 従来のソフトは、プログラム通りに動作する。 機械学習は、与えられたデータから学習し、 自律的に共通する法則を見つけだす。
機械学習(machine learning) 手法の一例 ・決定木学習 ・相関ルール学習 ・ニューラルネットワーク ・遺伝的プログラミング ・サポートベクターマシン
ニューラルネットワーク (neural network) 機械学習の手法の一つで人間の脳の仕組みを模倣したもの。 ニューラルネットワーク - Wikipedia https://ja.wikipedia.org/wiki/ニューラルネットワーク
深層学習(deep learning) 多層のニューラルネットワークによる「機械学習手法」である。 重みづけを自動的に更新する。 ディープラーニング - Wikipedia https://ja.wikipedia.org/wiki/ディープラーニング
深層学習(deep learning) モデルの例 ・畳み込みニューラルネットワーク ・回帰型ニューラルネットワーク ・スタックドオートエンコーダ
単純パーセプトロン
多層パーセプトロン 単純パーセプトロンを、 複数組み合わせたもの。
深層学習(deep learning) deep learningは、 4層以上で構成されるもの。
モデル 数理モデルとは、系を微分方程式などの数学の言葉で記述したもの。 上記の意味はよくわからないが、よくあるものとして、 画像認識モデル・自然言語処理モデルなど。 数理モデル - Wikipedia https://ja.wikipedia.org/wiki/数理モデル
ラベル 問題と答えをセットにして学習させる場合の、 答えのことを「ラベル」と言う。 教師データと呼ぶこともある。 問題と答えを結びつける作業を「ラベル付け」と言う。
教師有り学習 与えられるデータが、何であるか or 正解・不正解 をセットにして 学習させる。 動物の写真に「犬である」「猫である」と、ラベルを付けて読み込ま せる。 類似データの予測を行う。
教師無し学習 データだけで学習させる。 動物の写真から猫の特徴、犬の特徴を学習する。 データの特徴・本質を学習させられる。
強化学習(Reinforcement learning) 環境内におけるエージェントが、現在の状態を観測し、 取るべき行動を決定する問題を扱う機械学習の一種。 エージェントは行動を選択することで環境から報酬を得る。 強化学習は一連の行動を通じて報酬が最も多く得られるような方 策(policy)を学習する。 強化学習 - Wikipedia
https://ja.wikipedia.org/wiki/強化学習
Python ・学習コストが低く、初心者にも使いやすい言語である。 ・ライブラリが多数ある。 NumPy、SciPy 高速な数値計算ライブラリ。 データサイエンスや科学技術コンピューティングに よく用いられていた。 pytorch、scikit-learn、Keras、TensorFlow 機械学習分野で用いる。
ML基本のキの一筆目 END