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
面倒くさいこと考えたくないあなたへ〜Tpotと機械学習〜
Search
tereka114
March 16, 2022
Programming
0
170
面倒くさいこと考えたくないあなたへ〜Tpotと機械学習〜
tereka114
March 16, 2022
Tweet
Share
More Decks by tereka114
See All by tereka114
KDD2023学会参加報告
tereka114
2
350
Prompting Large Language Models with Answer Heuristics for Knowledge-based Visual Question Answering
tereka114
0
260
Mobile-Former: Bridging MobileNet and Transformer
tereka114
0
880
DER: Dynamically Expandable Representation for Class Incremental Learning
tereka114
0
120
Jupyter Notebookを納品した話
tereka114
0
220
Multi Scale Recognition with DAG-CNNs
tereka114
0
85
How to use scikit-image for data augmentation
tereka114
0
120
Chainerを使ったらカノジョができたお話
tereka114
0
110
Colorful image colorization
tereka114
0
98
Other Decks in Programming
See All in Programming
TCAとKMPを用いた新規動画配信アプリ 「ABEMA Live」の設計
tomu28
2
130
Milestoner
bkuhlmann
1
420
Ruby Pattern Matching
bkuhlmann
0
930
Amazon SQSコンシューマー疎結合への旅 - 出張! #DevelopersIO IT技術ブログの中の人が語る勉強会 #3
quiver
0
340
Micro Frontends for Java Microservices - Utah JUG 2024
mraible
PRO
1
110
Elm 0.19.0 Changes
bkuhlmann
0
510
Docker_OSS_ホスティング入門
satokoki645
0
110
業務ツールとして使うPostman
msys75
0
120
Code Reviews
bkuhlmann
4
910
Ruby GitHub Packages
bkuhlmann
0
650
Goのエラースタックトレースの歴史と今後
sonatard
10
2k
GraphQLサーバの構成要素を整理する #ハッカー鮨 #tsukijigraphql / graphql server technology selection
izumin5210
4
920
Featured
See All Featured
KATA
mclloyd
16
12k
Fight the Zombie Pattern Library - RWD Summit 2016
marcelosomers
228
16k
The Cost Of JavaScript in 2023
addyosmani
21
3.9k
The Mythical Team-Month
searls
217
42k
YesSQL, Process and Tooling at Scale
rocio
165
13k
How to Create Impact in a Changing Tech Landscape [PerfNow 2023]
tammyeverts
21
1.6k
Building Better People: How to give real-time feedback that sticks.
wjessup
356
18k
How to train your dragon (web standard)
notwaldorf
75
5.2k
[RailsConf 2023] Rails as a piece of cake
palkan
28
4k
Imperfection Machines: The Place of Print at Facebook
scottboms
261
12k
Ruby is Unlike a Banana
tanoku
96
10k
Music & Morning Musume
bryan
41
5.6k
Transcript
面倒くさいこと考えたくない あなたへ 〜TPOTと機械学習〜 Acroquest Technology株式会社 山本 大輝(@tereka114)
自己紹介 1. 山本 大輝(@tereka114) 2. Acroquest Technology 株式会社 3. 画像処理、データ分析
4. 「のんびりしているエンジニアの日記」 (http://nonbiri-tereka.hatenablog.com/)
機械学習にデータを入れたい?
何を考えますか?
データの加工方法?
確かにそうでしょう。
一覧化しました。
機械学習において考えないといけないこと 1. 前処理 1. 前処理の種類 2. 特徴選択 3. 特徴量加工 2.
モデル 1. どんなモデルを作るか 1. Logistic Regression, 2. Random Forest 3. パラメータ 1. Ex. SVM(C, kernel ,eps etc) 4. 評価 1. Log loss, mse, rmse
考えること多すぎ!
めんどくさい
機械学習において考えないといけないこと 1. 前処理 1. 前処理の種類 1. Z変換 2. モデル 1.
どんなモデルを作るか 1. Logistic Regression, 2. RandomForest 3. パラメータ 1. SVM(C, kernel ,eps etc) 4. 評価 1. Log loss, mse, rmse
自動化します。
そう、TPOTで
What is TPOT? 1. TPOTは自動的にモデル選択、パラメータの選択を 遺伝的プログラミングを使って、最適化します。 1. 遺伝的プログラミングの実装はDEAPを使っている。 2. で、何ができるの?
1. 入力した特徴量から最適化する。 2. 最適化したコードを吐き出す。 3. コマンドラインとしても実行可能
TPOT 概要
TPOT 概要 前処理 モデル構築 パラメータの最適化
TPOT Example
TPOT Example データ作成 学習する スコア計算する ファイルにExport Pipeline
TPOTクラス 1. TPOT自身は、TPOTのコードをexportする他に predict, fit, fit_transform, score等のメソッドを持つ。 2. TPOTはscikit-learnを継承していないが、基本的に scikit-learnと同じインターフェースとして使える。
3. 内部は全てscikit-learn 4. TPOT便利
生成コード ここを変更する。
内部では・・・? 1. TPOTの前処理や分析は全てscikit-learnのクラスを 使っている。 1. Feature Selection等 2. 遺伝的プログラミングのコードはDEAPライブラリに よる作成なので、パラメータ(generation)等は似て
いる。
まとめ 1. TPOTを使った簡単な機械学習に挑戦した。 2. 遺伝的プログラミングを使った最適化によって良い 処理を生成する。 3. 簡単にコードを生成し、使える。
御清聴ありがとうございました!