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
43
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
GPTモデルでキャラクター設定する際の課題
abeta
0
150
GPTをLINEで使えるようにして布教した
abeta
0
87
【Nishika】プリント基板の電子部品検出
abeta
0
160
初心者向けChatGPT入門
abeta
0
150
GPT Short Talk
abeta
0
94
拡散モデルについて少しだけ
abeta
0
12
動的計画モデル
abeta
0
110
物体追跡
abeta
0
200
特徴量記述
abeta
0
140
Other Decks in Programming
See All in Programming
RubyGems on ruby.wasm
kateinoigakukun
0
120
GitHub Actionsの痒いところを埋めるサードパーティーランナー
dora1998
2
250
An adventure of Happy Eyeballs
coe401_
1
140
2024 コーディング研修
ckazu
2
650
Introducing Kotlin Multiplatform in an existing mobile app - Workshop Edition | AndroidMakers Paris
prof18
0
180
酒飲んでたらテックリードになった話
spbaya0141
0
210
GNU Makeの使い方 / How to use GNU Make
kaityo256
PRO
13
4.3k
Exploring the Implementation of “t.Run”, “t.Parallel”, and “t.Cleanup”
akarin
1
160
Good first issues of TypeProf
mame
3
550
Try creating your own orderedmap
kazamori
1
280
Three ways to use AI on Android: The Good, the Bad and the Ugly
marxallski
0
120
CDKコントリビュートの最初の壁を越えよう! -簡単issueの見つけ方-
badmintoncryer
3
420
Featured
See All Featured
We Have a Design System, Now What?
morganepeng
43
6.8k
Rails Girls Zürich Keynote
gr2m
91
13k
Distributed Sagas: A Protocol for Coordinating Microservices
caitiem20
323
20k
RailsConf & Balkan Ruby 2019: The Past, Present, and Future of Rails at GitHub
eileencodes
126
32k
Six Lessons from altMBA
skipperchong
22
3k
Put a Button on it: Removing Barriers to Going Fast.
kastner
58
3.1k
The Success of Rails: Ensuring Growth for the Next 100 Years
eileencodes
34
6.1k
個人開発の失敗を避けるイケてる考え方 / tips for indie hackers
panda_program
67
14k
Fantastic passwords and where to find them - at NoRuKo
philnash
39
2.5k
The Pragmatic Product Professional
lauravandoore
26
5.9k
Bootstrapping a Software Product
garrettdimon
PRO
302
110k
The Straight Up "How To Draw Better" Workshop
denniskardys
228
130k
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。