おそらく 世界一コンパクトで実用的なAI入門
- 2. ??健史 1963年 広島?まれ 1989年 ?本アイ?ビー ?エム 2018年 フリーのITコンサルタント IBMでシステムエンジニアとして29年間の勤務を経て独?、現在フリーのITコンサル タントとして活動中。 技術コミュニティー「ゼロから始める機械学習」主宰、企業へ のコンサルティング、?材育成、技術セミナー、技術記事執筆などの活動を?う。 ネットニュース「ハーバービジネスオンライン」 : https://hbol.jp/hbo_comment_people/??健史 ブログ「越境するコンピューター」 : http://blogs.itmedia.co.jp/toritani/ コミュニティ「 ゼロから始める機械学習」 :https://www.facebook.com/groups/151075008918694/ ??紹介 ハーバービジネスオンライン アクセスランキング1位獲得 2
- 3. 今?の内容 AIの概要を短時間で理解する 時間 内容 19:30 - 20:20 【第1部】 AIとは何か？ みんなが知っておくべき勘所 ~そもそもAIとは? / AIの活?分野 / AIの話が分かりにくい意外な理由とは？ 20:20 - 20:30 Q&A 休憩 20:30 - 21:00 【第2部】 AIとは何か？ 技術者が知っておくべき勘所 ~AIを?えるテクノロジー 機械学習概要 / スキルアップの勘所~ 21:00 - 21:10 QA クロージング 3
- 4. 第三次AIブーム 4
- 5. 第三次AIブーム 第１次ブーム 第２次ブーム 第３次ブーム 知的なコンピューターへの期待 エキスパートシステム データから学習 5
- 6. AIブームを牽引するテクノロジー ディープラーニング ? 機械学習の?法の?つ、従来の?法を凌駕する精度を実現 ? ベンチマークでトップの成績 ?声認識、物体認識 ? 囲碁チャンピオンに勝利 AlphaGo ? 機械翻訳の劇的精度向上 Google翻訳 6
- 9. 機械学習とは何か？ 現在のAIを?えているテクノロジー ? 従来型と異なるコンピューターの使い? (ハードは同じ) 従来型 : 演繹 プログラムが重要 機械学習 : 帰納 与えるデータが重要 画像認識 カード不正三?形の?積 やり?を説明できる、常に正しい答え やり?を説明できない、おそらく?体正しい答え 9 ?さ
- 10. 機械学習に出来ること 出来ることはとてもシンプルです 回帰 分類 クラスター 今年のデータから 来年の売り上げ予測 過去のカードデータから 不正使?を検知 購買履歴から 顧客をセグメント分け 次元削減 ２次元データ(体重/??) をBMI(1次元)に ??? = 体重(??) ??(??) + 10
- 11. AIすごい！という結果も要するに分類 ? 囲碁名?に勝利 (AlphaGo) ? 19 x 19の囲碁盤のどこに置くのが最適か？という分類 ? クイズ王に勝利 (Watson) ? どの単語が?番答えの確率が?いか？という分類 11
- 14. AI活?事例 画像 / ?然?語 / データに潜むパターン 14
- 15. 画像 中古?販売 写真から中古?の?種、年代を選別 農業 画像解析し病害発?箇所を検出 製造 ラインの動画から不良品を検出 医療 レントゲン画像から病巣を検知 畜産 豚の画像から体重を推測 スマホ 顔認証 15
- 16. ?然?語 機械翻訳 ?本語を英語に翻訳 ?書分類 記事をジャンル分け ?書要約 ?い?書を短く要約 質問応答 ?葉を使った質問に答える 対話 チャットボット、Siri 16
- 17. データに潜むパターンを発? カード不正検知 不正利?を検知 退職予備軍検知 離職の兆候を検知 ?動?保険 危険ドライバーを検出 ?材雇? ?材を選別 !!!要注意!!! 機械学習は過去のデータを 元に傾向を出すだけ すべき、すべきでは無い への回答はしない 最終判断は?間が?う 17
- 18. AI検討のポイント 18
- 19. ５つの質問 1. AI(機械学習)が最適なのか？ 2. データはありますか？ 3. 間違いを許容できますか？ 4. 万能の神ではありません 5. そもそも何がしたいのか？ 19
- 21. データはありますか？ ガーベージインガーベージアウト ? そのデータで適切な予測ができるか？ ? 過去と違う未来は予測できません ? ?分な量のデータがあるか？ 21
- 23. 意思決定の要素 万能の神ではありません 機械学習は意思決定の?部を?援するだけ ? 与えられた”ルール”と”選択肢”から”過去の選択”と似たものを推測 ? : 想定外の選択肢 ? : 選好を変える 選択候補 選好 > > 信念 開けるのは ?つだけ 機械学習が?援出来る部分 制約 どこにオレンジ ?ってる？ 23
- 26. 機械学習が要求するスキルチェンジ 新しい?的?考え?に必要な新しいスキルセット 従来 AI ?的 (主に)?産性向上 (主に)意思決定?援 考え? 演繹的思考 帰納的思考 スキル 蓄積 新規 26
- 32. 最初のハードルを越える 市販本でどこまでいけるか 統計学, 数学(線形代数, 微分?積分) ? おすすめ、(好みに合えば) ?系でも独学でいけます 32
- 35. 最初のハードル 研修?コミュニティー 最初のハードルを越えるための王道 ? coursera, Udemy, etc… ? ゼロからはじめる機械学習 ? 技術者向けのプライベートコミュニティー 35
- 36. 機械学習の仕組み ~ゼロからはじめる機械学習セミナーより~ 過去に実施した下記セミナーの内容を元に作成したサマリーです - ゼロから始める機械学習 ディープラーニング超概要 - ゼロから始める機械学習 機械学習と意思決定 - ゼロから始める機械学習 機械学習のための確率?統計 36
- 38. 機械学習のステップ 4つのステップ データ準備 学習 テスト 本番予測 38
- 40. ベクトル=数字を並べたもの 桜の花のデータを元にソメイヨシノと?重桜を分類する ? やりたいこと : “額の?さ”,”花びらの?さ”を使って桜の種類を判別 ? 使?データ : 100件の桜のデータ (1-50:ソメイヨシノ/51-100:ヤエザクラ) 特徴量 教師データ ソメイヨシノヤエザクラ 注:機械学習でよく使われるIRISのデータを?本?に馴染み深い桜に変更して説明しています 分類に使うデータ(特徴量) : ２つ ?次元ベクトル (5.1, 1.4) (4.9, 1.4) (6.4, 3.5) (6.5, 3.6) Excel?に表現すると 40
- 41. 参考 画像は？ ピクセル情報を数値で表したものを??にする (255,255, … , 67,23, … , 128 … , 255) 画像情報を784(28 x 28) 次元のベクトルに変換 41
- 42. 参考 ?然?語は？ ??単位は単語 ? ?書を単語に分割し、単語単位の??とするのが?般的です。 ? 形態素解析 (?本語だとMeCabが代表的) 単語の数値表現 ? 単語を数値情報に変換 ? One Hotベクトル ? 語彙数分のベクトルで表現 (該当の単語の要素だけ1、他は0なのでOne Hot) ? 分散表現 ? 単語を固定?のベクトルで表現する One Hotベクトル 今?' → 1 (1,0,0,0,0) 'は' → 2 (0,1,0,0,0) 'いい' → 3 (0,0,1,0,0) '天気' → 4 (0,0,0,1,0) 'です' → 5 (0,0,0,0,1) Question : なぜ通し番号を使わないのか？ Answer : 単語に??は無いのに通し番号で??すると単語に??あるとして 学習されてしまう。 42
- 43. 学習 43
- 44. 学習とは 線を引くこと 44萼の?さ 花びらの?さ この線 出典:Python Machine Learning 2nd Edition Sebastian Raschka 2017 Packet Publishing ヤエザクラ +1 ソメイヨシノ -1 ヤエザクラ ソメイヨシノ ボリューム調整して
- 45. 学習とは データをもとに線を微調整 ? 複数のボリュームを調整 ? 学習データを元に調整を?う 最初は適当な位置から データを元に微調整を繰り返し 最終的に分類線が出来る 調整 調整 調整 45 出典:Python Machine Learning 2nd Edition Sebastian Raschka 2017 Packet Publishing
- 46. そんなの誰でもできるんじゃ？ 分類の線引きくらい、誰でもできるんじゃないですか？ ? 質問 ? 分類は要するに適切な分類線を引くのが?的と理解しました。機械学 習なんて?層なもの持ち出さなくても線くらい引けます。 ? 回答 ? イメージしやすいように多くの??書では2次元の特徴量で説明してい ますが、これが多次元になるとどう線を引くか（多次元では超平?と ?います）直感的に把握することは不可能です。 ? 多次元になった場合も今回説明した２次元と同じ?法が使えるという とこがありがたいのです。 46
- 48. 参考 線形分離不可への対応 ? 線形分離不可(直線で分割できない)って？ 0 1 0 1 0 1 0 1 こちらはオッケー！ こっちは無理 48
- 49. 参考 線形分離不可への対応 ? 線形分離可能な変化を?う ? ??前に?う ? 機械学習の中間層で?う ディープラーニングはこれできる 0 1 0 1 49 0 1 0 1 49 変換 2
- 50. 参考 分類 ?多層構造の利点? 単相では線形分離不可能なものも分離可能 ? 隠れ層で線形分離可能な形式に変換 隠れ層??層 出?層 5? 0 1 1 Σ ???? Σ ???? ?1 1 1 1 ?2 Σ ??? ?B ?C ?+ 0 0 0 1 1 0 1 1 0 0 1 0 1 0 2 1 0 1 1 0 × ? ? × 0 1 0 1 × × ? ? 0 1 0 1 × × ?? 2 線形分離不可 隠れ層で変換 (?線形) 線形分離可能 教師データ 特徴量 表現学習 50 Ian Goodfellow, Deep Learning (The MIT Press,2016) p166~171を元に作成 線形出?を持つ２層ネットワークは、?分な数の隠れユニットがあ れば、コンパクトな定義域を持つどんな連続関数でも、任意の精度 で?様に近似できる。 C.M.ビショップ「パターン認識と機械学習 上」丸善出版 2012 p231
- 51. テスト 51
- 52. 過学習していないか 本番環境でも性能を発揮するか？ ? 学習データに過剰適合していると、本番データで精度が落ちる 学習に使わなかったデータでチェックする出典:Python Machine Learning 2nd Edition Sebastian Raschka 2017 Packet Publishing 52
- 53. どちらが重要？ 要件を満たす性能が出ているか？ ? おそらくだいたい正しい、許容される間違いの種類とレベル Confusion Matrix 判定結果 + - 正解 + True Positive ?落とし - 偽陽性 False Negative Confusion Matrix 判定結果 + - 正解 + True Positive ?落とし - 偽陽性 False Negative 検診 ドーピング 53
- 55. ?々な学習?法 ?きく分けて３つの?法に分類できます ? 教師あり学習 ? 回帰 (例:今年のデータから来年の売り上げ予測) ? 分類 (例:過去のカードデータから不正使?を検知) ? 教師なし学習 ? クラスター (例:購買履歴を元に顧客をセグメント分け) ? 次元削減 (例:3次元の?体を2次元の写真に) ? 強化学習 最終結果を元にフィードバック 今桜で説明したのはこちら
- 56. クロージング 56
- 57. 今後の活動予定 6? 越境するテクノロジー本格始動 ? 「ゼロからはじめる機械学習」 ? セミナー ? “(仮)システムエンジニアのためのAIの始め?” 6?末 ? コミュニティー (準備中) ? 「ゼロからはじめるブロックチェーン」 ? セミナー ? “(仮)ブロックチェーン超??” ? コミュニティー (計画中) 57