AI講座資料

Transcript

1. AI講座
2. 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
3. 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~
4. AI(⼈⼯知能)の基礎
5. ⼈⼯知能の定義は︖
6. 『「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︖
7. 『「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
8. ⼈⼯知能の定義は︖ ⼈⼯知能の明確な定義はない
9. 『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
10. ⼈⼯知能の歴史
11. 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
12. 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
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 探索 →
14. 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
15. 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
16. 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
17. 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 →
18. 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
19. 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
20. 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
21. 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
22. 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
23. 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
24. 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
25. 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
26. 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
27. 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
28. 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
29. 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
30. 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
31. 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
32. 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
33. 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
34. 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)
35. 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)
36. 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
37. 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
38. 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
39. 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
40. 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
41. 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
42. 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
43. 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
44. 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︖
45. 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︖
46. 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
47. 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
48. 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
49. 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
50. 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
51. 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
52. 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
53. 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
54. 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
55. 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
56. 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
57. 機械学習 データから学習し、予測、識別を⾏う
58. 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
59. 教師なし学習 機械学習 学習するときに、答えを与えない
60. 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
61. 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
62. 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)
63. 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
64. 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
65. 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
66. 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
67. 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
68. 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
69. 強化学習 機械学習 AI⾃⾝が試⾏錯誤して、答えを出す
70. 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
71. 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
72. 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
73. 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
74. 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
75. 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
76. 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
77. ニューロン
78. 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
79. 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
80. 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
81. ⼈⼯ニューロン ノード エッジ
82. ⼈⼯ニューロン ⼊⼒ 𝑥 ノード エッジ
83. ⼈⼯ニューロン ⼊⼒ 出⼒ 𝑥 𝑦 ノード エッジ
84. 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
85. ⼈⼯ニューロン ⼊⼒ 出⼒ 𝑤! 𝑥! 𝑤" ︓重み
86. ⼈⼯ニューロン ⼊⼒ 出⼒ 𝑤! 𝑥! 𝑤" ︓重み 𝑤# 1
87. ⼈⼯ニューロン ⼊⼒ 出⼒ 𝑤! 𝑥! 𝑥$ 𝑤$ 𝑤" ︓重み 𝑤# 1
88. ⼈⼯ニューロン 出⼒ 細かく分解
89. 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
90. 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
91. 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
92. 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
93. 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#
94. 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
95. 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
96. 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
97. 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
98. 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
99. 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
100. 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
101. 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
102. 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
103. 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
104. 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
105. ⼈⼯ニューロン 学習はどうやって⾏う︖
106. 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
107. 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
108. 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
109. 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
110. 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
111. ⼈⼯ニューロン ⼊⼒ 出⼒ 𝑤! 𝑥! 𝑥$ 𝑤$ 𝑤" ︓重み 𝑤# 1
112. 10分休憩
113. 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
114. ニューラルネットワーク ⼊⼒層 出⼒層 中間層 1~2層
115. ニューラルネットワーク ⼊⼒層 出⼒層 中間層 ⋮ 1~2層
116. ニューラルネットワーク ⼊⼒層 出⼒層 中間層 ⋮ ⋮ ⋮ 1~2層
117. 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︕
118. ニューラルネットワーク ⼊⼒層 出⼒層 中間層 ⋮ ⋮ 1~2層
119. ニューラルネットワーク ⼊⼒層 出⼒層 中間層 ⋮ ⋮ ⋮ 1~2層
120. ニューラルネットワーク ⼊⼒層 出⼒層 中間層 ⋮ ⋮ ⋮ 1~2層
121. 本屋で本を買う時、 どうやって決めますか︖
122. 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
123. ⼈間の思考 ⼊⼒層 本を決める要素 値段 帯紙 表紙
124. 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
125. 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
126. 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
127. 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
128. 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
129. 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
130. 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
131. 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
132. 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
133. 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
134. ディープラーニング(深層学習) ⼊⼒層 出⼒層 中間層 ⋮ ⋮ ⋮ ⋮
135. ディープラーニング(深層学習) ⼊⼒層 出⼒層 中間層 ⋯ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
136. 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。
137. 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
138. 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︖
139. 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
140. 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
141. 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
142. 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)
143. 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
144. 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
145. 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
146. 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)
147. 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
148. 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
149. 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
150. 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
151. 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
152. 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
153. 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 ⋯ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
154. 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 ⋯ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
155. 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
156. 実演 Stable Diffusion
157. 実演 ChatGPT
158. 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
159. お疲れ様でした。