![[DL輪読会]Revisiting Deep Learning Models for Tabular Data (NeurIPS 2021) 表形式デー...](https://cdn.slidesharecdn.com/ss_thumbnails/dl20220318dlfin-220322065433-thumbnail.jpg?width=560&fit=bounds)
More Related Content
What's hot (20)
Similar to 汎用础滨プログラミングシステム骋别苍を使ってみた (20)
![[Japan Tech summit 2017] MAI 001](https://cdn.slidesharecdn.com/ss_thumbnails/techsummit2017pdfmai001-171115034129-thumbnail.jpg?width=560&fit=bounds)
汎用础滨プログラミングシステム骋别苍を使ってみた
- 2. AI一家 mit@heart.ocn.ne.jp 2 自己紹介 ● 任意団体 AI一家 – 新横浜中心に活動 – 人工知能の勉強会などを行う予定です – 親子で活動しています ● 金子淳 – Python歴9年のソフトウェアエンジニア – シンクライアント開発をしていました – 日本ディープラーニング協会のE資格を取得 – 現在就職活動中！
- 3. AI一家 mit@heart.ocn.ne.jp 3 Genって何? (引用元) Liam Tung （ZDNet.com） 『MIT、「Julia」上で動作する初心者向け 汎用AIプログラミングシステム「Gen」を発表』 2019年7月1日更新 (最終閲覧日2019年11月25日) https://japan.zdnet.com/article/35139247/ ? MITの論文によると「Gen」という名称は、従来の確率的プログ ラミングでは考慮されていなかった、「汎用目的」（General purpose）での使用を可能にすることを念頭に置いて付けられ た。 ? 論文には「既存のシステムは汎用目的としては実用的ではな い」と記されている。 ? MITは、TensorFlowが「DLモデルに的を絞っている」という点 で、AIの持っている潜在的能力を完全に解放していない可能性 を指摘している。
- 4. AI一家 mit@heart.ocn.ne.jp 4 なるほど、分からん …「汎用目的」(General Purpose)ってどゆこと？ → チュートリアルあるのでやってみた ※ここで紹介するのは1つ目のチュートリアル冒頭の話 (私は3つ目のチュートリアルに苦戦中です)
- 5. AI一家 mit@heart.ocn.ne.jp 5 チュートリアルに入る前に 教師あり学習とは 「与えられたデータ(入力)を元に、そのデータがどんなパターン (出力)になるかを識別?予測する」こと (浅川伸一、江間有沙、工藤郁子、巣籠悠輔、瀬谷啓介、松井孝之、松尾豊著『深層学習教科書ディープラーニングG検定(ジェネラリスト)公式テキスト』株式会社翔泳社、2018、p.94) モデル (=何らかの数式 例: y=ax+b) 入力変数 x 予測値 y 実測値 t 性能指標 (=実測値と予測値が どれほど合っているか) パラメータ (例: 傾きa, 切片b) 学習 (=性能指標が良くなるように パラメータを調整) 例: マンション家賃例: ?部屋の大きさ ?駅からの距離 ?周辺のコンビニの数 等々
- 6. AI一家 mit@heart.ocn.ne.jp 6 問題設定: 妥当な線を引こう(単線形回帰分析) 左図のような実測値が与えられたら、 右図のように予測値の線を引きたくなるよね
- 8. AI一家 mit@heart.ocn.ne.jp 8 Genではこうやって解決できる(2/3) ②学習を行う ? チュートリアルではImportance Resamplingというアルゴリズムを使用 ? 生成関数が出力する予測値が実測値と近くなるように何度もサン プリングしてパラメータを推測する ←引数に生成関数、 入力変数、実測値、 計算量を渡すと、 traceを返す。 ←traceに推測したパラメータが入る ちなみに正解は slope = 1.2 intercept = 3.0 noise = 2.0
- 10. AI一家 mit@heart.ocn.ne.jp 10 もっといろいろできるぞ！(1/2) ● ポイントは「生成関数」を自由に書けるということ – 1. 入力変数を引数にとって – 2. パラメーターをどの確率分布から取得するか決めて – 3. モデル式を定義して – 4. 入力変数に対応した予測値を出力すればよい ● つまり「汎用目的(General Purpose)」な使い方が可能！
- 11. AI一家 mit@heart.ocn.ne.jp 11 もっといろいろできるぞ！(2/2) ● モデル選択 – さっきはデータが線形であると仮定したが、間違えてるかもしれないよ? – 複数のモデルを仮定してデータから1つを決めることを「モデル選択」といいます。 – モデル選択もパラメータの1つとして扱えばできる！ ● ノンパラメトリックベイズ – パラメータの数に上限がないモデルはどうすれば? – traceは階層構造にできるので生成関数を再帰的に呼び出せばできる！ ● エージェントモデル – 頑張ればできるぞ！(2つ目のチュートリアル参照) ● TensorFlow – GenTFを使えばTensorFlowも呼び出せるぞ！(3つ目のチュートリアル参照) – TensorFlowで実現できないようなパラメータを独自に導入できるかも！
- 12. AI一家 mit@heart.ocn.ne.jp 12 おわり ご清聴ありがとうございました。 興味があればAI一家の勉強会にも参加してね。 メールアドレス: mit@heart.ocn.ne.jp