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
ウェブ最適化からはじめる機械学習 8章
Search
Masafumi Abeta
August 18, 2021
Programming
0
45
ウェブ最適化からはじめる機械学習 8章
「ウェブ最適化からはじめる機械学習」輪講会で発表した資料です。
Masafumi Abeta
August 18, 2021
Tweet
Share
More Decks by Masafumi Abeta
See All by Masafumi Abeta
Pythonのパッケージマネージャー「uv」
abeta
0
140
GPTモデルでキャラクター設定する際の課題
abeta
0
250
GPTをLINEで使えるようにして布教した
abeta
0
140
【Nishika】プリント基板の電子部品検出
abeta
0
270
初心者向けChatGPT入門
abeta
0
210
GPT Short Talk
abeta
0
110
拡散モデルについて少しだけ
abeta
0
44
動的計画モデル
abeta
0
140
物体追跡
abeta
0
270
Other Decks in Programming
See All in Programming
自分のために作ったアプリが、グローバルに使われるまで / Indie App Development Lunch LT
pixyzehn
1
120
20250326_生成AIによる_レビュー承認システムの実現.pdf
takahiromatsui
17
5.5k
今から始めるCursor / Windsurf / Cline
kengo_hayano
0
110
List とは何か? / PHPerKaigi 2025
meihei3
0
550
アプリを起動せずにアプリを開発して品質と生産性を上げる
ishkawa
0
290
The Evolution of Enterprise Java with Jakarta EE 11 and Beyond
ivargrimstad
0
930
Boost Your Performance and Developer Productivity with Jakarta EE 11
ivargrimstad
0
110
爆速スッキリ! Rspack 移行の成果と道のり - Muddy Web #11
dora1998
1
150
RailsでCQRS/ESをやってみたきづき
suzukimar
2
1.5k
아직도 SOLID 를 '글'로만 알고 계신가요?
sh1mj1
0
360
マルチアカウント環境での、そこまでがんばらない RI/SP 運用設計
wa6sn
0
580
Kubernetesで実現できるPlatform Engineering の現在地
nwiizo
2
1.7k
Featured
See All Featured
Dealing with People You Can't Stand - Big Design 2015
cassininazir
367
25k
Building Your Own Lightsaber
phodgson
104
6.3k
How To Stay Up To Date on Web Technology
chriscoyier
790
250k
jQuery: Nuts, Bolts and Bling
dougneiner
63
7.7k
A better future with KSS
kneath
238
17k
Rebuilding a faster, lazier Slack
samanthasiow
80
8.9k
Fireside Chat
paigeccino
37
3.3k
Build The Right Thing And Hit Your Dates
maggiecrowley
34
2.6k
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
118
51k
The Psychology of Web Performance [Beyond Tellerrand 2023]
tammyeverts
46
2.4k
Why Our Code Smells
bkeepers
PRO
336
57k
CSS Pre-Processors: Stylus, Less & Sass
bermonpainter
356
30k
Transcript
XX University ウェブ最適化ではじめる機械学習 8章 2021.08 Abeta
2 8.1 短期的な評価と⻑期的な評価 8.1.1 リピートユーザを考慮した最適化 8.2 解空間のデザイン 8.3 ウェブサイト以外への応⽤
3 8.1 短期的な評価と⻑期的な評価 8.1.1 リピートユーザを考慮した最適化 8.2 解空間のデザイン 8.3 ウェブサイト以外への応⽤
4 8.1 短期的な評価と⻑期的な評価 8.1.1 リピートユーザを考慮した最適化 8.2 解空間のデザイン 8.3 ウェブサイト以外への応⽤
5 ユーザが⽇常的に使うツールで、ユーザの即時的な反応のみに着⽬すると、⻑期的な収益が下がる場合がある。 例)googleで広告表⽰を多くした→ユーザの使い勝⼿が悪くなり⻑期的には減収。 ⻑期的スパンで計測される指標も考慮する必要あり。 ⻑期的指標の評価には時間がかる。 ⼀つのアプローチとして、短期的な指標・特徴量から⻑期的指標を予測する機械学習モデルを作成することが ある。 𝜃 = 𝛼
+ 𝛽! 𝑥"#$%&%'()*% + 𝛽+ 𝑥,()#-)./(.%01()2-23
6 8.1 短期的な評価と⻑期的な評価 8.1.1 リピートユーザを考慮した最適化 8.2 解空間のデザイン 8.3 ウェブサイト以外への応⽤
7 バンディット問題ではユーザの状態は1つ、すなわち考慮されていなかった。ユーザの⾏動は新規やリピータ といった「状態」によって異なると考えられる。 ユーザの状態を扱う⼀つのアプローチとして強化学習がある。強化学習では最初から状態の遷移確率 𝒫(𝑠4 |𝑠45! )が含まれている。
8 8.1 短期的な評価と⻑期的な評価 8.1.1 リピートユーザを考慮した最適化 8.2 解空間のデザイン 8.3 ウェブサイト以外への応⽤
9 今回は解空間の検討を⼈間で⾏った(HLS空間、彩度100%)。これは⾊に対する知識を⽤いて暗黙にいくつ かの仮定を置いている。⼈間が思いつかないような選択肢を排除してしまっている。 ⼀⽅で、解空間の制約を無くすと解空間が膨⼤となって問題を解けない。 ⼀つのアプローチとして、解空間を⼩さい空間に圧縮してしまう⽅法がある。具体的には変分オートエンコー ダが使⽤できる。
10 8.1 短期的な評価と⻑期的な評価 8.1.1 リピートユーザを考慮した最適化 8.2 解空間のデザイン 8.3 ウェブサイト以外への応⽤
11 今回の⼿法の特徴 • ⼈間との相互作⽤をもとにソフトウェアの最適な状態を探す • ブラックボックス関数の最適化 適⽤のための条件 • 提供するサービスを即座に変更できること •
サービスに対するユーザの反応が常に計測できること IoTによってユーザの反応が即座に得られるようになると期待できる。反応に応じて提供するものを変更する ことで、提供物がサービス化していると考えられる。