機械学習 - 授業概要

Transcript

1. 授業概要 ⼭本 祐輔 名古屋市⽴⼤学 データサイエンス研究科 yusuke_yamamoto@acm.org 第1回 機械学習発展 （前半パート）
2. シラバス情報 科目名 機械学習発展 2 開講学期 3年次 前期 科目区分 選択 担当教員 山本祐輔・小山先生
3. 初回授業のメニュー 1. 機械学習の概要 3. はじめての機械学習 2. 講義の進め方 今のAIは何ができる？ 「決定木」を 体験してみよう 何をどうやって学ぶのか？ 13
4. 機械学習の概要 1 今のAIは何ができるのか？ 14
5. ⼈⼯知能の研究（技術）トピック 人工知能 推論 探索 機械学習 知識表現 … 15
6. ⼈⼯知能の研究（技術）トピック 人工知能 推論 探索 機械学習 知識表現 … 機械学習 大量のデータの背後に潜む法則性（モデル）を 自動的に取得し、予測や分類に役立てる技術 16
7. ⼈⼯知能の研究（技術）トピック 人工知能 推論 探索 機械学習 知識表現 … 教師あり学習 教師なし学習 強化学習 ・クラスタリング ・データ圧縮 ・分類 ・回帰 ・順序回帰 … 機械学習 17 …
8. 機械学習の流れ ⼤量のデータ （正解ラベル付き） 前 処 理 特徴 抽出 学習 （モデル構築） 機械学習（ML）アルゴリズム 学習済み モデル ML 学習フェーズ 18
9. 機械学習の流れ ⼤量のデータ （正解ラベル付き） 前 処 理 特徴 抽出 学習 （モデル構築） 機械学習（ML）アルゴリズム 学習済み モデル ML 推論 特徴 抽出 ？ 前 処 理 未知データ （ラベルなし） 予測結果 推論フェーズ MLアルゴリズム 学習フェーズ 19
10. 機械学習の流れ ⼤量のデータ （正解ラベル付き） 前 処 理 特徴 抽出 学習 （モデル構築） 機械学習（ML）アルゴリズム 学習済み モデル ML 推論 特徴 抽出 ？ 前 処 理 未知データ （ラベルなし） 予測結果 推論フェーズ MLアルゴリズム 学習フェーズ 29
11. 機械学習の流れ ⼤量のデータ （正解ラベル付き） 前 処 理 特徴 抽出 学習 （モデル構築） 機械学習（ML）アルゴリズム 学習済み モデル ML 推論 特徴 抽出 ？ 前 処 理 未知データ （ラベルがない） 予測結果 推論フェーズ MLアルゴリズム 学習フェーズ ？ 機械学習のミソ データの特徴を捉えた & 汎用的に 使えるモデルをどう学習するか？ 30
12. 講義の進め方 2 何をどうやって学ぶのか？ 31
13. 講師の紹介 32 ⼭本祐輔（me） ⼩⼭先⽣ yusuke_yamamoto@acm.org oyama@ds.nagoya-cu.ac.jp
14. 講義のトピック 機械学習 教師あり学習 教師なし学習 強化学習 ・クラスタリング ・データ圧縮 ・分類 ・回帰 33
15. 講義のトピック 機械学習 教師あり学習 教師なし学習 強化学習 ・クラスタリング ・データ圧縮 ・分類 ・回帰 … … 34 発展的内容 ・⼀般化線形モデル ・カーネル法 ・ガウス回帰 ・ニューラルネットワーク ⼭本担当 ⼩⼭先⽣担当 …
16. 機械学習技術のコアは数学であるが˟ 数理的内容の学習は，初学者にはハードルが高い 35
17. 最近のツール事情 # Python 1 import sklearn.ensemble.GradientBoostingClassifier as GBDT 2 data = pd.read_csv(“data.csv”) 3 model = GBDT() 4 model.fit(data) ほとんど何も書かなくても動くので便利 中身も理解せず，正しく動かせているか分からず 利用しているユーザ（学生）が多い 36
18. 授業の⽬的（⼭本担当パート） 「機械学習」の仕組みを直感的に理解し， 実問題に応用するための足掛かりを得る 37
19. 講義の⽬標（⼭本担当パート） 機械学習 教師あり学習 教師なし学習 強化学習 ・クラスタリング ・データ圧縮 ・分類 ・回帰 … 本講義の学習目標 • 代表的な機械学習がどのように動くかを直感的に理解する • 既存ライブラリを使い例題に対して機械学習を適用できる … 38 （山本担当パート）
20. 講義計画 39 回 トピック 1 ガイダンス 2 pandas⼊⾨ 3 決定⽊からはじめる機械学習 4 クラスタリング1：k-means & 階層的クラスタリング 5 クラスタリング2：密度ベースクラスタリング 6 分類1：K近傍法 & 教師あり機械学習のお作法 7 分類2：サポートベクターマシン 8 分類3：ニューラルネットワーク⼊⾨
21. 講義計画（⼩⼭先⽣担当会） 40 回 トピック 9 ⼀般化線形モデル 10 半正定値カーネル 11 ⾮線形サポートベクトルマシン （オンデマンド遠隔講義） 12 ガウス過程回帰 13 多層ニューラルネットワーク （オンデマンド遠隔講義） 14 誤差逆伝搬法 （オンデマンド遠隔講義） 15 最近の機械学習の話題
22. この授業でやらないこと（⼭本担当パート） lドメインに特化した機械学習手法 （画像処理，自然言語処理，情報検索，etc.） l前提知識の復習（線形代数，微積，確率etc） lディープラーニングの詳細解説 41
23. 講義スタイル（⼭本担当パート） Hands-onデモ with Python 0：00 1:30 0：50 座学 機械学習技術の 適⽤体験 機械学習の理論や ⼿法の直感的理解 （数学的にもフォローする） （⾼度なプログラミングスキルは不要） 42
24. ⼭本パートで使⽤するもの 配布スライド（座学用） Google Colaboratory （プログラミング環境を 構築する必要はない） 43
25. 授業資料 44 https://mlnote.hontolab.org/
26. 成績評価 レポート: 100% ・実際にコードを⾛らせて機械学習の動作や結果を考察 ・アルゴリズムの動作⼿順を頭で追う練習など 45
27. 成績評価 46 ⼭本担当回 50% ⼩⼭先⽣担当回 50% + （レポート課題） （レポート課題）
28. 参考図書（初学者向け） 画像出典2: https://www.amazon.co.jp/dp/B07GYS3RG7/ 画像出典1: https://www.amazon.co.jp/dp/B00MWODXX8 47
29. 参考図書（こってり学ぶ） 画像出典: https://www.amazon.co.jp/dp/432012362X 画像出典: https://www.amazon.co.jp/dp/4621061224 48
30. すばらしいコンテンツ 49 https://chokkan.github.io/mlnote/index.html http://codh.rois.ac.jp/ 機械学習帳 ROISデータセット
31. 今後の予定 50 回 実施⽇ トピック 1 04/13 ガイダンス 2 04/20 pandas⼊⾨ 3 04/27 決定⽊からはじめる機械学習 4 05/11 クラスタリング1：k-means & 階層的クラスタリング 5 05/18 クラスタリング2：密度ベースクラスタリング 6 05/25 分類1：K近傍法 & 教師あり機械学習のお作法 7 06/01 分類2：サポートベクターマシン 8 06/08 分類3：ニューラルネットワーク⼊⾨