人工知能キーワード
機械学習=Deep Learningではない。
人工知能の明確な定義はなし。言ったもん勝ち
機械学習イメージ
機械学習で必要な数学を学ぶためのオススメ参考書
http://www.mathema.jp/books/zemi_math.html
微分積分キャンパス・ゼミ
線形代数キャンパス・ゼミ
統計学キャンパス・ゼミ
機械学習で利用される数学アルゴリズムには2つの流派があり
| 流派 | 難易度 | 抽象度 | 例 |
| 線形代数ベース | 低 | 比較的具体的 | SVM, DeepLearning, 重回帰分析 |
| 確率統計ベース | 高 | 高 | MCMC, HMM, ベイズ統計(超難) |
どちらでも、基本的に同じことが実現できる。
違いは確率統計ベースの方が、不確実性まで予測できる点
例) 家賃予測の場合
線形代数ベース→〜万
線形代数ベース→〜%の確率で〜万
機械学習は学習で挫折しない為に、まず線形代数ベースから取り組むべき。
機械学習で必要な数学知識を身につけるには、以下セミナーが有用
www.kikagaku.co.jp
機械学習における予測の考え方
上記のデータが学習済みの場合、、、
3が入力された場合の予測を内挿
5が入力された場合の予測を外挿
と言う。機械学習の予測は、基本的に内挿で行うべき。
外挿は予測結果が精度は低くなる。
基本的には与えたデータの範囲で予測すべき
学習データに異常データがあった場合の対処
除外する
他データの平均値で補完
機械学習の現状
経験則＆勘で行われている。
何故、この方法がいいかは?は解明されないケースが多い。
実際にデータを学習し結果を見る必要があり。
Deep Learning(以降DLと記載)と、それ以外の機械学習の違い
DLは特徴量も自動抽出するのが特徴。
必ずしも、DLを採用すべきではない。扱うデータにより採用すべきアルゴリズムは変わる。
例)画像認識の場合
従来は、グレースケール処理(モノクロ変換)等、特徴量抽出の為の操作が必要であったが、DLの場合は、これらが不要
機械学習カテゴリ
| 教師あり | 入力と答えのセットで学習 |
| 教師なし | クラスタリング(顧客データの属性分け)、次元削減(大量データから密度の高い部分のみ抽出・主成分分析とも言う) |
| 強化学習 | 思考錯誤を通じ、「価値を最大化するような行動」を学習。例)ルンバ |
強化学習=DLではない。
強化学習については以下書籍に良い解説あり。
https://www.amazon.co.jp/実装-ディープラーニング-藤田一弥/dp/4274219992
データサイエンスとデータエンジニアリングの違い
データサイエンス→研究・数学
データエンジニアリング→プログラミング
