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
AI講座資料
Search
yusuke
February 02, 2023
Technology
0
70
AI講座資料
yusuke
February 02, 2023
Tweet
Share
Other Decks in Technology
See All in Technology
単回帰分析について数式を追いながら実装してみた
kentaitakura
0
500
XRミーティング 2024-03-20
1ftseabass
PRO
0
100
#51 “Empowering Azure Storage with RDMA”
cafenero_777
3
210
.NETの非同期戦略とUnityとの相互運用
neuecc
2
2.4k
エンジニア候補者向け資料2024.03.28.pdf
macloud
0
2.9k
あらゆる商品を扱う商品データベースを再設計した話 / product db re-architecture
rince
8
3.6k
Autify Company Deck
autifyhq
1
30k
既存プロセスからの脱却と変化に適応するために必要なこと
cybozuinsideout
PRO
2
170
サービスメッシュ環境における OpenTelemetry 活用 / OpenTelemetry in Service Mesh
k6s4i53rx
2
830
生成AIの不確実性と向き合うためのオブジェクト指向設計
tkikuchi1002
2
660
複数の LLM モデルを扱う上で直面した辛みまとめ
kazuyaseki
1
230
データ品質をコード化! LINEヤフーのMLOpsを最適化する "ACP Data Quality" の紹介
lycorptech_jp
PRO
2
160
Featured
See All Featured
How to name files
jennybc
62
92k
Templates, Plugins, & Blocks: Oh My! Creating the theme that thinks of everything
marktimemedia
18
1.7k
Building Applications with DynamoDB
mza
88
5.6k
It's Worth the Effort
3n
180
27k
The World Runs on Bad Software
bkeepers
PRO
60
6.6k
Code Reviewing Like a Champion
maltzj
512
39k
Web Components: a chance to create the future
zenorocha
304
41k
Refactoring Trust on Your Teams (GOTO; Chicago 2020)
rmw
24
2.2k
What’s in a name? Adding method to the madness
productmarketing
PRO
14
2.6k
Easily Structure & Communicate Ideas using Wireframe
afnizarnur
185
15k
Adopting Sorbet at Scale
ufuk
66
8.5k
4 Signs Your Business is Dying
shpigford
174
21k
Transcript
AI講座
1. AI(⼈⼯知能)の基礎や仕組み 2. 安⼼してAIサービスを利⽤していただく 講義の⽬的
本⽇の流れ 1. 前半 10:00~11:00 2. 休憩&質問 11:00~11:10 3. 後半 11:10~
AI(⼈⼯知能)の基礎
⼈⼯知能の定義は︖
『「知性」や「知能」⾃体の定義がない』 松原仁 ⼈⼯知能学会会⻑「第3次⼈⼯知能ブームが拓く未来」 ( https://www.jbgroup.jp/link/special/222-1.html) ⼈⼯知能の定義は︖
『「知性」や「知能」⾃体の定義がない』 松原仁 ⼈⼯知能学会会⻑「第3次⼈⼯知能ブームが拓く未来」 ( https://www.jbgroup.jp/link/special/222-1.html) ⼈⼯知能の定義は︖ → ⼈⼯知能の定義は研究者で様々
⼈⼯知能の定義は︖ ⼈⼯知能の明確な定義はない
『知的な機械、 特に、知的なコンピュータプログラムを 作る科学と技術』 ⼈⼯知能学会ホームページ「⼈⼯知能のFAQ」 (http://www.ai-gakkai.or.jp/whatsai/AIfaq.html) ⼈⼯知能の定義は︖ ⼈⼯知能の明確な定義はない
⼈⼯知能の歴史
⼈⼯知能研究の歴史 第⼀次⼈⼯知能ブーム (探索と推論) 第⼆次⼈⼯知能ブーム (知識表現) 第三次⼈⼯知能ブーム (機械学習) 1960~70年代 1980~90年代 2000~現在
⼈⼯知能研究の歴史 第⼀次⼈⼯知能ブーム (探索と推論) 第⼆次⼈⼯知能ブーム (知識表現) 第三次⼈⼯知能ブーム (機械学習) 1960~70年代 1980~90年代 2000~現在
⼈⼯知能研究の歴史 第⼀次⼈⼯知能ブーム (探索と推論) 1960~70年代 探索 →
⼈⼯知能研究の歴史 第⼀次⼈⼯知能ブーム (探索と推論) 1960~70年代 探索 → ⽬的の状態、条件を、 パターンから場合分けして探し出すこと
⼈⼯知能研究の歴史 第⼀次⼈⼯知能ブーム (探索と推論) 1960~70年代 探索 → ⽬的の状態、条件を、 パターンから場合分けして探し出すこと 3, 8,
10, 15, 7, 13
⼈⼯知能研究の歴史 第⼀次⼈⼯知能ブーム (探索と推論) 1960~70年代 10 7 13 3 探索 →
⽬的の状態、条件を、 パターンから場合分けして探し出すこと 8 15 3, 8, 10, 15, 7, 13
⼈⼯知能研究の歴史 第⼀次⼈⼯知能ブーム (探索と推論) 1960~70年代 推論 →
⼈⼯知能研究の歴史 第⼀次⼈⼯知能ブーム (探索と推論) 1960~70年代 推論 → 既知の事柄から、新たな事柄を予想すること
⼈⼯知能研究の歴史 第⼀次⼈⼯知能ブーム (探索と推論) 1960~70年代 推論 → 既知の事柄から、新たな事柄を予想すること 相⼿ ⾃分 1回⽬
⼈⼯知能研究の歴史 第⼀次⼈⼯知能ブーム (探索と推論) 1960~70年代 推論 → 既知の事柄から、新たな事柄を予想すること 相⼿ ⾃分 2回⽬
⼈⼯知能研究の歴史 第⼀次⼈⼯知能ブーム (探索と推論) 1960~70年代 推論 → 既知の事柄から、新たな事柄を予想すること 相⼿ 推論 次もパー出してくるはず︕
2回⽬ 1回⽬
⼈⼯知能研究の歴史 第⼀次⼈⼯知能ブーム (探索と推論) 1960~70年代 推論 → 既知の事柄から、新たな事柄を予想すること 相⼿ ⾃分 3回⽬
⼈⼯知能研究の歴史 第⼀次⼈⼯知能ブーム (探索と推論) 1960~70年代 迷路 例えば
⼈⼯知能研究の歴史 第⼀次⼈⼯知能ブーム (探索と推論) 1960~70年代 迷路 例えば
⼈⼯知能研究の歴史 第⼀次⼈⼯知能ブーム (探索と推論) 1960~70年代 迷路 例えば
⼈⼯知能研究の歴史 第⼀次⼈⼯知能ブーム (探索と推論) 1960~70年代 ハノイの塔 例えば
⼈⼯知能研究の歴史 第⼀次⼈⼯知能ブーム (探索と推論) 1960~70年代 ハノイの塔 例えば
⼈⼯知能研究の歴史 第⼀次⼈⼯知能ブーム (探索と推論) 1960~70年代 ハノイの塔 例えば
⼈⼯知能研究の歴史 第⼀次⼈⼯知能ブーム (探索と推論) 1960~70年代 ハノイの塔 例えば
⼈⼯知能研究の歴史 第⼀次⼈⼯知能ブーム (探索と推論) 1960~70年代 ハノイの塔 例えば
⼈⼯知能研究の歴史 第⼀次⼈⼯知能ブーム (探索と推論) 1960~70年代 共通すること
⼈⼯知能研究の歴史 第⼀次⼈⼯知能ブーム (探索と推論) 1960~70年代 答えが出る条件は、 明確なルールがある場合に限る 共通すること
⼈⼯知能研究の歴史 第⼀次⼈⼯知能ブーム (探索と推論) 第⼆次⼈⼯知能ブーム (知識表現) 第三次⼈⼯知能ブーム (機械学習) 1960~70年代 1980~90年代 2000~現在
⼈⼯知能研究の歴史 第⼆次⼈⼯知能ブーム (知識表現) 1980~90年代 明確なルールがある場合に限る 第⼀次⼈⼯知能ブーム (探索と推論)
⼈⼯知能研究の歴史 第⼆次⼈⼯知能ブーム (知識表現) 1980~90年代 ルールが明確ではない、 より複雑な問題を解く 明確なルールがある場合に限る 第⼆次⼈⼯知能ブーム (知識表現) 第⼀次⼈⼯知能ブーム
(探索と推論)
⼈⼯知能研究の歴史 第⼆次⼈⼯知能ブーム (知識表現) 1980~90年代 エキスパートシステム
⼈⼯知能研究の歴史 第⼆次⼈⼯知能ブーム (知識表現) 1980~90年代 膨⼤な「知識」をルールとして適⽤し、 専⾨化のような振る舞いをする エキスパートシステム
⼈⼯知能研究の歴史 第⼆次⼈⼯知能ブーム (知識表現) 1980~90年代 膨⼤な「知識」をルールとして適⽤し、 専⾨化のような振る舞いをする エキスパートシステム
⼈⼯知能研究の歴史 第⼆次⼈⼯知能ブーム (知識表現) 1980~90年代 膨⼤な「知識」をルールとして適⽤し、 専⾨化のような振る舞いをする エキスパートシステム AならばBである IF-THENルール
⼈⼯知能研究の歴史 第⼆次⼈⼯知能ブーム (知識表現) 1980~90年代 エキスパートシステム “イカ”ならば“ IF-THENルール
⼈⼯知能研究の歴史 第⼆次⼈⼯知能ブーム (知識表現) 1980~90年代 エキスパートシステム “イカ”ならば“⾜は10本”である IF-THENルール ⾜は10本
⼈⼯知能研究の歴史 第⼆次⼈⼯知能ブーム (知識表現) 1980~90年代
⼈⼯知能研究の歴史 第⼆次⼈⼯知能ブーム (知識表現) 1980~90年代 パターンマッチングを⽤いて⽂章を⽣成する IF-THENルール
⼈⼯知能研究の歴史 第⼆次⼈⼯知能ブーム (知識表現) 1980~90年代 パターンマッチングを⽤いて⽂章を⽣成する IF-THENルール どうしたのですか︖
⼈⼯知能研究の歴史 第⼆次⼈⼯知能ブーム (知識表現) 1980~90年代 パターンマッチングを⽤いて⽂章を⽣成する IF-THENルール どうしたのですか︖ 仕事で疲れました 何の仕事をしているのですか︖
⼈⼯知能研究の歴史 第⼆次⼈⼯知能ブーム (知識表現) 1980~90年代 問題点 エキスパートシステム - 知識のデータ化とその量 - 経験則なものの⾔語化が困難
- 膨⼤な知識を持つと⽭盾が発⽣する - 知識の共有の難しさ
⼈⼯知能研究の歴史 第⼀次⼈⼯知能ブーム (探索と推論) 第⼆次⼈⼯知能ブーム (知識表現) 第三次⼈⼯知能ブーム (機械学習) 1960~70年代 1980~90年代 2000~現在
⼈⼯知能研究の歴史 第三次⼈⼯知能ブーム (機械学習) 2000~現在 従来︓⼈間が特徴量を定義
⼈⼯知能研究の歴史 第三次⼈⼯知能ブーム (機械学習) 2000~現在 りんご 梨 従来︓⼈間が特徴量を定義
⼈⼯知能研究の歴史 第三次⼈⼯知能ブーム (機械学習) 2000~現在 りんご ・形︓丸いふっくら ・⾊︓⾚い ・斑点の数︓200個 梨 りんご
従来︓⼈間が特徴量を定義
⼈⼯知能研究の歴史 第三次⼈⼯知能ブーム (機械学習) 2000~現在 ︖︖︖ ・形︓丸いふっくら ・⾊︓⾚い ・斑点の数︓200個 従来︓⼈間が特徴量を定義 りんごの特徴
予測、推論
⼈⼯知能研究の歴史 第三次⼈⼯知能ブーム (機械学習) 2000~現在 ︖︖︖ 梨 ・形︓丸いふっくら ・⾊︓⾚い ・斑点の数︓200個 従来︓⼈間が特徴量を定義
予測、推論 りんごの特徴
⼈⼯知能研究の歴史 第三次⼈⼯知能ブーム (機械学習) 2000~現在 ⼊⼒されたデータから⾃動で特微量を抽出
⼈⼯知能研究の歴史 第三次⼈⼯知能ブーム (機械学習) 2000~現在 りんご ・形 ・⾊ ・画素数 ・境界線 ⋮
⼊⼒されたデータから⾃動で特微量を抽出 機械学習
抽出した特微量を⽤いて予測、推論を⾏う ⼈⼯知能研究の歴史 第三次⼈⼯知能ブーム (機械学習) 2000~現在 ︖︖︖ りんご 予測、推論
⼈⼯知能研究の歴史 第三次⼈⼯知能ブーム (機械学習) 2000~現在 ・Google DeepMind社 囲碁対局ソフト「AlphaGo」 「2016年3⽉9⽇「AlphaGo」プロ棋⼠に勝つ」 他にも… ・将棋「Ponanza」
・チェス「Deep Blue」 出来事
機械学習 データから学習し、予測、識別を⾏う
教師あり学習 ⼈⼯知能 機械学習 ディープラーニング ニューラルネットワーク 教師なし学習 強化学習 機械学習
教師なし学習 機械学習 学習するときに、答えを与えない
教師なし学習 機械学習 学習するときに、答えを与えない ⼊⼒されたデータから予測する
教師なし学習 機械学習 学習するときに、答えを与えない ⼊⼒されたデータから予測する 柔軟性はあるが、正確性に乏しい
教師なし学習 機械学習 学習するときに、答えを与えない クラスタリング(グループ化)
教師あり学習 ⼈⼯知能 機械学習 ディープラーニング ニューラルネットワーク 教師なし学習 強化学習 機械学習
教師あり学習 機械学習 学習するときに、答えを与える ディープラーニング ニューラルネットワーク
教師あり学習 機械学習 学習するときに、答えを与える ディープラーニング ニューラルネットワーク ⼊⼒されたデータから予測する
教師あり学習 機械学習 学習するときに、答えを与える ディープラーニング ニューラルネットワーク ⼊⼒されたデータから予測する 答えと予測とを評価する
教師あり学習 機械学習 学習するときに、答えを与える ディープラーニング ニューラルネットワーク ⼊⼒されたデータから予測する 答えと予測とを評価する 正確性は⾼いが、学習データが必要
教師あり学習 ⼈⼯知能 機械学習 ディープラーニング ニューラルネットワーク 教師なし学習 強化学習 機械学習
強化学習 機械学習 AI⾃⾝が試⾏錯誤して、答えを出す
強化学習 機械学習 AI⾃⾝が試⾏錯誤して、答えを出す 環境がAIを監視して、報酬を与える
強化学習 機械学習 AI⾃⾝が試⾏錯誤して、答えを出す 環境がAIを監視して、報酬を与える
強化学習 機械学習 AI⾃⾝が試⾏錯誤して、答えを出す 環境がAIを監視して、報酬を与える 学習データはさほど不要だが、 計算量は⼤きくなる
強化学習 機械学習 AI⾃⾝が試⾏錯誤して、答えを出す パックマンでスコアをカンストに
教師あり学習 ⼈⼯知能 機械学習 ディープラーニング ニューラルネットワーク 教師なし学習 強化学習 機械学習
教師あり学習 ⼈⼯知能 機械学習 ディープラーニング ニューラルネットワーク 教師なし学習 強化学習 機械学習
⼈⼯ニューロン ⼈間の脳に存在する神経細胞をモデル化
ニューロン
ニューロン ⼈間の脳 百〜千億個の神経細胞(ニューロン) 電気信号
ニューロン ⼈間の脳 百〜千億個の神経細胞(ニューロン) シナプス 電気信号
ニューロン ⼈間の脳 百〜千億個の神経細胞(ニューロン) シナプス ⼀定以上の刺激 電気信号 電気信号
⼈⼯ニューロン ノード エッジ
⼈⼯ニューロン ⼊⼒ 𝑥 ノード エッジ
⼈⼯ニューロン ⼊⼒ 出⼒ 𝑥 𝑦 ノード エッジ
⼈⼯ニューロン ⼊⼒ 出⼒ 𝑤 𝑥 𝑤︓重み → ノード間での結びつきの強度 𝑦 ノード
エッジ
⼈⼯ニューロン ⼊⼒ 出⼒ 𝑤! 𝑥! 𝑤" ︓重み
⼈⼯ニューロン ⼊⼒ 出⼒ 𝑤! 𝑥! 𝑤" ︓重み 𝑤# 1
⼈⼯ニューロン ⼊⼒ 出⼒ 𝑤! 𝑥! 𝑥$ 𝑤$ 𝑤" ︓重み 𝑤#
1
⼈⼯ニューロン 出⼒ 細かく分解
出⼒ 全結合 活性化関数 線形 ⾮線形 0〜1 か −1〜1 𝑦 𝑧
⼈⼯ニューロン
出⼒ 全結合 活性化関数 線形 ⾮線形 0〜1 か −1〜1 𝑦 𝑧
⼈⼯ニューロン 線形 ⾮線形
出⼒ 全結合 活性化関数 線形 ⾮線形 0〜1 か −1〜1 𝑦 𝑧
⼈⼯ニューロン
⼊⼒ 出⼒ 𝑤! 𝑥! 𝑥$ 𝑤$ 𝑦 = 𝑥! 𝑤!
+ 𝑥$ 𝑤$ + 𝑤# 𝑤# 1 𝑦 全結合 線形 ⼈⼯ニューロン
出⼒ 活性化関数 ⾮線形 𝑦 𝑧 ⼈⼯ニューロン 𝑧 = 𝑓 𝑦
𝑦 = 𝑥! 𝑤! + 𝑥$ 𝑤$ + 𝑤#
出⼒ 活性化関数 ⾮線形変換 𝑦 𝑧 ⼈⼯ニューロン 𝑧 = 𝑓 𝑦
- STEP関数 - ReLU関数 - Sigmoid関数 - tanh関数 - Softmax関数 線形変換
出⼒ 活性化関数 ⾮線形変換 𝑦 𝑧 ⼈⼯ニューロン 𝑧 = 𝑓 𝑦
- STEP関数 - ReLU関数 - Sigmoid関数 - tanh関数 - Softmax関数 線形変換
出⼒ 𝑦 𝑧 ⼈⼯ニューロン 𝑓 𝑦 = + 1, 𝑦
≥ 0 0, 𝑦 < 0 STEP関数 𝑧 = 𝑓 𝑦 ⾮線形変換 線形変換
出⼒ 𝑦 𝑧 ⼈⼯ニューロン 𝑓 𝑦 = + 1, 𝑦
≥ 0 0, 𝑦 < 0 STEP関数 𝑧 = 𝑓 𝑦 ⾮線形変換 ⼊⼒︓1.2
出⼒ 𝑦 𝑧 ⼈⼯ニューロン 𝑓 𝑦 = + 1, 𝑦
≥ 0 0, 𝑦 < 0 STEP関数 𝑧 = 𝑓 𝑦 ⼊⼒︓1.2 𝑧 = 𝑓 1.2 1.2
出⼒ 𝑦 𝑧 ⼈⼯ニューロン 𝑓 𝑦 = + 1, 𝑦
≥ 0 0, 𝑦 < 0 STEP関数 𝑧 = 𝑓 𝑦 ⼊⼒︓1.2 𝑧 = 𝑓 1.2 1.2 1.0
出⼒ 𝑦 𝑧 ⼈⼯ニューロン 𝑓 𝑦 = + 1, 𝑦
≥ 0 0, 𝑦 < 0 STEP関数 𝑧 = 𝑓 𝑦 ⼊⼒︓1.2 𝑧 = 𝑓 1.2 1.2 1.0 1.0
出⼒ 活性化関数 ⾮線形変換 𝑦 𝑧 ⼈⼯ニューロン 𝑧 = 𝑓 𝑦
- STEP関数 - ReLU関数 - Sigmoid関数 - tanh関数 - Softmax関数 線形変換
出⼒ 𝑦 𝑧 ⼈⼯ニューロン 𝑓 𝑦 = 1 1 +
𝑒%& Sigmoid関数 𝑧 = 𝑓 𝑦 ⾮線形変換 線形変換
出⼒ 𝑦 𝑧 ⼈⼯ニューロン 𝑓 𝑦 = 1 1 +
𝑒%& Sigmoid関数 𝑧 = 𝑓 𝑦 ⼊⼒︓1.2 𝑧 = 𝑓 1.2 1.2
出⼒ 𝑦 𝑧 ⼈⼯ニューロン 𝑓 𝑦 = 1 1 +
𝑒%& Sigmoid関数 𝑧 = 𝑓 𝑦 ⼊⼒︓1.2 𝑧 = 𝑓 1.2 1.2 0.77 0.77
⼈⼯ニューロン 学習はどうやって⾏う︖
⼈⼯ニューロン 𝑤" ︓重み ⼊⼒ 出⼒ 𝑤! 𝑥! 𝑥" 𝑤" 𝑤#
1 個々の重みにより答えを出す
⼈⼯ニューロン 𝑤" ︓重み ⼊⼒ 出⼒ 𝑤! 𝑥! 𝑥" 𝑤" 𝑤#
1 個々の重みにより答えを出す 重みの値を変えると結果も変わる
⼈⼯ニューロン 𝑤" ︓重み ⼊⼒ 出⼒ 𝑤! 𝑥! 𝑥" 𝑤" 𝑤#
1 個々の重みにより答えを出す 重みの値を変えると結果も変わる 正解、不正解などを フィードバックすることで重みを調整する
⼈⼯ニューロン 𝑤" ︓重み ⼊⼒ 出⼒ 𝑤! 𝑥! 𝑥" 𝑤" 𝑤#
1 個々の重みにより答えを出す 重みの値を変えると結果も変わる 正解、不正解などを フィードバックすることで重みを調整する 誤差逆伝搬法 フィードバック
⼈⼯ニューロン 𝑤" ︓重み ⼊⼒ 出⼒ 𝑤! 𝑥! 𝑥" 𝑤" 𝑤#
1 個々の重みにより答えを出す 重みの値を変えると結果も変わる 正解、不正解などを フィードバックすることで重みを調整する 学習 フィードバック
⼈⼯ニューロン ⼊⼒ 出⼒ 𝑤! 𝑥! 𝑥$ 𝑤$ 𝑤" ︓重み 𝑤#
1
10分休憩
ニューラルネットワーク ⼈⼯ニューロンを⽤いて 信号のネットワークを形成したもの
ニューラルネットワーク ⼊⼒層 出⼒層 中間層 1~2層
ニューラルネットワーク ⼊⼒層 出⼒層 中間層 ⋮ 1~2層
ニューラルネットワーク ⼊⼒層 出⼒層 中間層 ⋮ ⋮ ⋮ 1~2層
ニューラルネットワーク ⼊⼒層 出⼒層 中間層 ⋮ ⋮ ⋮ 1~2層 先ほどの⼈⼯ニューロンと同じ︕
ニューラルネットワーク ⼊⼒層 出⼒層 中間層 ⋮ ⋮ 1~2層
ニューラルネットワーク ⼊⼒層 出⼒層 中間層 ⋮ ⋮ ⋮ 1~2層
ニューラルネットワーク ⼊⼒層 出⼒層 中間層 ⋮ ⋮ ⋮ 1~2層
本屋で本を買う時、 どうやって決めますか︖
帯紙 題名 レビュー 値段 量 表紙 好きな著者 ランキング サンプルコードの多さ 絵の多さ
⼈間の思考
⼈間の思考 ⼊⼒層 本を決める要素 値段 帯紙 表紙
⼈間の思考 ⼊⼒層 中間層 本を決める要素 値段 帯紙 表紙 感覚や経験等による調整 温度 時間
⾊
⼈間の思考 ⼊⼒層 出⼒層 中間層 本を決める要素 本の決定 値段 帯紙 表紙 感覚や経験等による調整
温度 時間 ⾊ コンビニ⼈間 檸檬 村⽥沙耶⾹ 梶井基次郎
⼈間の思考 ⼊⼒層 出⼒層 中間層 本を決める要素 本の決定 値段 帯紙 表紙 感覚や経験等による調整
温度 時間 ⾊ コンビニ⼈間 檸檬 村⽥沙耶⾹ 梶井基次郎
⼈間の思考 ⼊⼒層 出⼒層 中間層 本を決める要素 本の決定 値段 帯紙 表紙 感覚や経験等による調整
温度 時間 ⾊ コンビニ⼈間 檸檬 1.2 0.7 0.3 重み 村⽥沙耶⾹ 梶井基次郎
⼈間の思考 出⼒層 中間層 本を決める要素 本の決定 感覚や経験等による調整 温度 時間 ⾊ コンビニ⼈間
檸檬 ⼊⼒層 値段 帯紙 表紙 1.2 0.7 0.3 重み 0.5 0.1 村⽥沙耶⾹ 梶井基次郎
⼈間の思考 出⼒層 中間層 本を決める要素 本の決定 感覚や経験等による調整 温度 時間 ⾊ コンビニ⼈間
檸檬 ⼊⼒層 値段 帯紙 表紙 1.2 0.7 0.3 重み 0.5 0.1 村⽥沙耶⾹ 梶井基次郎
⼈間の思考 出⼒層 中間層 本を決める要素 本の決定 感覚や経験等による調整 温度 時間 ⾊ コンビニ⼈間
檸檬 ⼊⼒層 値段 帯紙 表紙 1.2 0.7 0.3 重み 0.5 0.1 1.1 0.4 村⽥沙耶⾹ 梶井基次郎
⼈間の思考 出⼒層 中間層 本を決める要素 本の決定 80 % 20 % 感覚や経験等による調整
温度 時間 ⾊ コンビニ⼈間 檸檬 ⼊⼒層 値段 帯紙 表紙 1.2 0.7 0.3 重み 0.5 0.1 1.1 0.4 村⽥沙耶⾹ 梶井基次郎
ディープラーニング(深層学習) ニューラルネットワークの 中間層の数がさらに増え、より複雑化したもの
教師あり学習 ⼈⼯知能 機械学習 ディープラーニング ニューラルネットワーク 教師なし学習 強化学習 機械学習
ディープラーニング(深層学習) ⼊⼒層 出⼒層 中間層 ⋮ ⋮ ⋮ ⋮
ディープラーニング(深層学習) ⼊⼒層 出⼒層 中間層 ⋯ ⋮ ⋮ ⋮ ⋮ ⋮
⋮
ディープラーニング(深層学習) ⼊⼒層 出⼒層 中間層 ⋯ ⋮ ⋮ ⋮ ⋮ ⋮
⋮ 中間層が増えたことで、 複雑な繋がりを持てるようになる。
ディープラーニング(深層学習) 中間層が増えたことで、 複雑な繋がりを持てるようになる。 ⼊⼒層 出⼒層 中間層 ⋯ ⋮ ⋮ ⋮
⋮ ⋮ ⋮ 複雑な表現ができる
ディープラーニング(深層学習) どういう研究をしているのか︖
ディープラーニング(深層学習) どういう研究をしているのか︖ 予測精度を上げる
ディープラーニング(深層学習) どういう研究をしているのか︖ 予測精度を上げる ・繋がりの組み合わせ⽅ ・ハイパーパラメータ ・新たな活性化関数
ディープラーニング(深層学習) どういう研究をしているのか︖ 予測精度を上げる ・繋がりの組み合わせ⽅ ・ハイパーパラメータ ・新たな活性化関数
ディープラーニング(深層学習) 繋がりの組み合わせ⽅ LSTMネットワークの概要(https://qiita.com/KojiOhki/items/89cd7b69a8a6239d67ca) RNN (Recurrent Neural Network)
ディープラーニング(深層学習) 繋がりの組み合わせ⽅ LSTMネットワークの概要 (https://qiita.com/KojiOhki/items/89cd7b69a8a6239d67ca) RNN (Recurrent Neural Network) 従来のニューラルネットワークでは、 過去の情報を参照できない
ディープラーニング(深層学習) 繋がりの組み合わせ⽅ LSTMネットワークの概要 (https://qiita.com/KojiOhki/items/89cd7b69a8a6239d67ca) RNN (Recurrent Neural Network) 従来のニューラルネットワークでは、 過去の情報を参照できない
情報をループ構造(再帰)にすることで、 過去の情報を維持する
ディープラーニング(深層学習) 繋がりの組み合わせ⽅ 過去の情報を保持し続けて、 最新の情報が⼊ってこない RNN (Recurrent Neural Network) 問題点
ディープラーニング(深層学習) 繋がりの組み合わせ⽅ 1. LSTM (Long Short-Term Memory)とは [概要](https://cvml-expertguide.net/terms/dl/rnn/lstm/) LSTM(Long Short-Term
Memory)
ディープラーニング(深層学習) 1. LSTM (Long Short-Term Memory)とは [概要] (https://cvml-expertguide.net/terms/dl/rnn/lstm/) 繋がりの組み合わせ⽅ LSTM(Long
Short-Term Memory) 過去の情報を保持し続けて、 最新の情報が⼊ってこない
ディープラーニング(深層学習) 1. LSTM (Long Short-Term Memory)とは [概要] (https://cvml-expertguide.net/terms/dl/rnn/lstm/) 繋がりの組み合わせ⽅ LSTM(Long
Short-Term Memory) ⻑期間保持し、 不要になった情報を忘れるようにする 過去の情報を保持し続けて、 最新の情報が⼊ってこない
ディープラーニング(深層学習) 1. LSTM (Long Short-Term Memory)とは [概要] (https://cvml-expertguide.net/terms/dl/rnn/lstm/) 繋がりの組み合わせ⽅ LSTM(Long
Short-Term Memory) - 時系列データの予測 - 株価の予想 - 地震の予測 - ⾃然⾔語処理 - AIチャットボット - ⾳声認識
ディープラーニング(深層学習) ディープラーニングでできること
⼊⼒層 出⼒層 中間層 ⋯ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
画像 物体検出 - 種類 - 位置 画像系 ディープラーニングでできること
ディープラーニングでできること ⽂章 画像 画像系 ⼊⼒層 出⼒層 中間層 ⋯ ⋮ ⋮
⋮ ⋮ ⋮ ⋮ 美味しそうなチキン
⽇本語 英語 ⾃然⾔語系 ディープラーニングでできること ⼊⼒層 出⼒層 中間層 ⋯ ⋮ ⋮
⋮ ⋮ ⋮ ⋮
⾃然⾔語系 ディープラーニングでできること ユーザからの⼊⼒ ⽂章 - 質問 - 答え ⽂章 -
質問 - 答え ChatGPT ⼊⼒層 出⼒層 中間層 ⋯ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
⼊⼒層 出⼒層 中間層 ⋯ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
⾳声系 ディープラーニングでできること ユーザからの⼊⼒ - ⾳声 ⽂章 - 質問 - 答え Siri Googleアシスタント
実演 Stable Diffusion
実演 ChatGPT
ディープラーニング(深層学習) ディープラーニングで できることには無限⼤の可能性がある
お疲れ様でした。