ニューラルネットワークの考え方 | Logics of Blue
最終更新：2017年7月12日 ニューラルネットワークの考え方ついて説明します。 応用例としては時系列データを扱いますが、基本的な考え方は変わりませんので、ニューラルネットワークの仕組みを学びたいというだけの方でも読む意味はあるかと思います。 この記事ではニューラルネットワークの基本について説明したのちに、nnetやforecastパッケージを用いた、時系列データへのニューラルネットワークの適用を試みます。 なお、特に断りがない限り、定量データを予測する「回帰」問題のみを扱うことに注意してください。 コードはこちらに置いてあります。 スポンサードリンク 目次 ニューラルネットワークの考え方 nnetの使い方 飛行機乗客数のモデル化 ヤマネコ個体数データのモデル化 発展的な話題 リミットサイクル 予測区間の計算と図示 1．ニューラルネットワークの考え方 モデルの概要 ニューラルネットワークは
機械学習、深層学習のプラットフォームの整理 - Qiita
PaaSサービスの簡単な説明 各ベンダーの提供サービスには予め学習されたモデルの翻訳や画像・動画認識などが用意されています。 Google Cloud Platform Google社が提供する機械学習プラットフォームになります。 サイズを問わず、あらゆるデータの機械学習モデルを簡単に構築できるマネージド サービスです。 クラウド上に用意されたTensorFlowも使えます。 ※サイトより抜粋 機械学習の内容 ・Cloud Machine Learning Engine 教師ありの回帰・分類、教師なしのクラスタリングなどさまざまなデータから学習ができます。 使用アルゴリズムは非公開。 Azure Machine Learning Azure Machine Learning は、クラウドの予測分析サービスであり、分析ソリューションとして予測モデルを迅速に作成し、デプロイできるようにします。
活性化関数のまとめ（ステップ、シグモイド、ReLU、ソフトマックス、恒等関数） - Qiita
[参考]ゼロから作るDeep Learning 活性化関数とは 活性化関数は、入力信号の総和がどのように活性化するかを決定する役割を持ちます。これは、次の層に渡す値を整えるような役割をします。 一般的に、 「単純パーセプトロン」の活性化関数では、「ステップ関数」などが使われ、 「多層パーセプトロン（ニューラルネットワーク）」の活性化関数では、「シグモイド関数、ソフトマックス関数」や恒等関数が使われます。 また、これら「ステップ関数、シグモイド関数、ソフトマックス関数」を非線形関数と呼ぶのに対し、「y=cx」のような関数を線形関数と呼びます。 一般的に、ニューラルネットワークでは線形関数は使われません。この理由は、「なぜ多層パーセプトロンで線形関数を使わないのか？」で説明します。 一般的に、ソフトマックス関数と恒等関数は出力層で使われます。 ステップ関数 ステップ関数は、閾値を境にして出力が
CodeIQについてのお知らせ
2018年4月25日をもちまして、 『CodeIQ』のプログラミング腕試しサービス、年収確約スカウトサービスは、 ITエンジニアのための年収確約スカウトサービス『moffers by CodeIQ』https://moffers.jp/ へ一本化いたしました。 これまで多くのITエンジニアの方に『CodeIQ』をご利用いただきまして、 改めて心より深く御礼申し上げます。 また、エンジニアのためのWebマガジン「CodeIQ MAGAZINE」は、 リクナビNEXTジャーナル( https://next.rikunabi.com/journal/ )に一部の記事の移行を予定しております。 今後は『moffers by CodeIQ』にて、 ITエンジニアの皆様のより良い転職をサポートするために、より一層努めてまいりますので、 引き続きご愛顧のほど何卒よろしくお願い申し上げます。 また、Cod
機械学習で使う指標総まとめ(教師あり学習編) - プロクラシスト
こんにちは、ほけきよです！ 機械学習の基本は教師あり学習です。 でも、実際の現場ではいろいろ指標が出てきて「?」 ってなるので、一回本気でまとめてみることにしてみました！ 教師あり学習の分類 二値分類 用語一覧表 図解 事例 事例1:果物の分類 事例2:ガンかどうかの検査 ROC曲線の意味合い 指標まとめ 多クラス分類 precision, recall, F-measure accuracy logarithm loss 出力が数値(回帰) 用語一覧 二乗誤差(MSE, RMSE)と絶対誤差(MAE)の使い分け AICとBIC, wAICの使い分け 時系列問題 参考になりそうなサイト 教師あり学習の分類 今回は正解はカテゴリか意味を持つ数字かで場合分けをしてみた。 全体の指標のサマリーはこんな感じ(だと思っている。) ※他にも大事な指標があるよ&これは間違っているのでは？？ というコメン
ジニ不純度計算の高速化『集合知プログラミング』 - Null Thinking
プログラムの時間計算量とか空間計算量とかまともにやってこなかったせいで、ふわふわした知識しか持ち合わせていないのですが、 『集合知プログラミング』を読んでいたら、明らかに無駄な計算をしている部分を発見したので、修正してみました。 7.4.1 ジニ不純度(p.160~) ジニ不純度とは、決定木を作る際の分岐条件の決定に使われる指標で、ある確率分布に基づいた変数をランダムに当てはめた場合の誤差率の期待値と定義されています。なんのこっちゃ分からないですね、はい。Google先生に聞いてください。 ・元のプログラム(O(n^2)) def giniimpurity(rows): total=len(rows) counts=uniquecounts(rows) imp=0 for k1 in counts: p1=float(counts[k1])/total for k2 in counts:
集合知プログラミング勉強会 #TokyoCI #9 高度な分類手法：カーネルメソッドと SVM
第9回集合知プログラミング勉強会 ( http://atnd.org/events/38219 ) の発表資料です。
スパム投稿を「機械学習」で判別し、チェック件数を全体の1%に！Q&Aアプリの運営改革 | SELECK [セレック]
〜スパムコンテンツと戦え！「機械学習」でスパム投稿を見分けることで、チェック件数を全投稿の1%以下にした事例〜 SNSに代表されるようなWeb上のコミュニティを運営する上では、ユーザーと一緒にサービスを作っていくことが重要になる。しかしコミュニティが拡大していくと、ときにはスパム投稿のような好ましくないコンテンツにより、サービスの健全さやコンセプトが失われてしまうこともある。 家族の毎日の疑問と悩みを解決するママ専用Q&Aアプリ「ママリQ」を運営をする、コネヒト株式会社。 ▼2016年に出産されたママさんの6人に1人が利用するという「ママリQ」 同社では以前、スパムや誹謗中傷のような不適切な投稿を「目視」によってチェックしていた。そこに「機械学習（※）」を用いたアルゴリズムを適用することで、自動でそのような投稿を精査する仕組みを開発した。結果的に、人が目視で確認する作業を、大幅に削減できた
![スパム投稿を「機械学習」で判別し、チェック件数を全体の1%に！Q&Aアプリの運営改革 | SELECK [セレック]](https://cdn-ak-scissors.b.st-hatena.com/image/square/e226499383a5210a439001807c9f8a8b564886c2/height=288;version=1;width=512/https%3A%2F%2Fdpd29bjwmgbr8.cloudfront.net%2Fwp-content%2Fuploads%2F2017%2F04%2F29131550%2F113966fa-2c66-4638-9daa-534b8b85d830.jpeg)
クラスタリングの定番アルゴリズム「K-means法」をビジュアライズしてみた
集合知プログラミング を読んでいたら、K-means 法（K平均法）の説明が出てきました。 K-means 法はクラスタリングを行うための定番のアルゴリズムらしいです。存在は知っていたんだけどいまいちピンときていなかったので、動作を理解するためにサンプルを作ってみました。 クリックすると１ステップずつ動かすことができます。クラスタの数や点の数を変更して、Restart を押すと好きなパラメータで試すことができます。 こうやって１ステップずつ確認しながら動かしてみると、意外に単純な仕組みなのが実感できました。 (追記) HTML5 版の K-means 法を D3.js でビジュアライズしてみた も作成しました。Flash を表示できない環境ではそちらをご覧ください。 K-means 法とは K平均法 - Wikipedia に詳しく書いてあるけど、もうすこしザックリと書くとこんなイメージに
機械学習をやると、AIより人間の方が詳しくなる現象 - bohemia日記
こんにちは。ぼへみあです。 機械学習がすっかりブームになって、仕事や趣味でディープラーニングを使ったことがある人が増えていると思います。 特に画像分野でディープラーニングは成果を上げているので、特定のものを判別・識別するといった事例が多いかと思います。 そうした画像系のディープラーニング経験者なら経験する現象があります。 それは、 「その分野について、作ったAIよりも自分が詳しくなる」 という現象です。 おそ松さん見分けの第一人者になってしまった 以前取り組んだおそ松さんの6つ子をディープラーニングで見分けるネタでは、学習用データセットの作成のために、自力で5000枚以上のおそ松さんたちを見分ける作業を行いました。その結果、アニメを見ても、これは何松だ、と判断できるようになってしまいました。当時はおそ松さんを見分ける能力は誰にも負けない自信がありました。 なぜか学会でおそ松さんの話をする機
SVM、ニューラルネットなどに共通する分類問題における考え方 - HELLO CYBERNETICS
はじめに 分類問題の基本 分類における困難：線形分離不可能 非線形な分類問題 曲線、曲面によって境界を定める＝空間を捻じ曲げて線形な境界を定める 素朴な疑問とその回答 次元に自由度がある 分離できる可能性が上がる うまい曲げ方を見つける 学習とは空間の曲げ方を学ぶこと ニューラルネットワーク ニューラルネット最初期 ニューラルネット中期 ニューラルネット現在 過学習 サポートベクターマシン まとめ ディープラーニングの手法については以下の記事を参考に サポートベクターマシンについて数式ベースで理解したい方 はじめに 分類問題の基本 分類問題の基本はデータがプロットされた空間上に境界面を配置することです。 下記の図のように、2種類のデータを分類する際の境界の配置の仕方は一意に定まりません。 このどちらが良い配置の仕方であるのかも、通常は決定できません。 そのため、境界面を決定するための様々な
機械学習エンジニアが知るべき10のアルゴリズム
前回の投稿から大分時間が空いてしまいましたが、現在マーケティング部では、データサイエンスに関する知識を深めるために海外のデータサイエンス記事を翻訳するという取り組みを行っています。主に、KDnuggetsというサイトで紹介されている記事で人気のあるものを中心に選び、原著者より翻訳の許諾をいただけた記事を公開しております。不定期ですが、データサイエンスに関心のある皆様により良い情報を日本語でお届けできるように取り組んで参ります。 初回に取り上げたい記事はJames Le氏の「The 10 Algorithms Machine Learning Engineers Need to Know」です。機械学習の手法が網羅的に紹介されており、実用例も示されています。初めて機械学習に取り組む方のご参考になれば幸いです。 SOURCE https://gab41.lab41.org/the-10-alg
人工知能や機械学習プロジェクトを進める際に気をつけること - bohemia日記
こんにちは。ぼへみあです。 先日、Developers Summit 2017に行ってきました。 去年は登壇していましたが、今年は訳あってHololense体験コーナーで「Hololenseスゴイやろ」ってドヤ顔してましたが、セッションも少しだけ見てきました。 機械学習や人工知能系のセッションは、ブームのせいかどこも人がいっぱいでした。 特に気になったのは、「AI礼賛時代にエンジニアはいかにしてサバイブすべきか」というセッションでした。 speakerdeck.com 特に、機械学習をサービスに導入しようとするプロジェクトの陥りがちなポイントに触れられていて、共感したと同時にとても参考になりました。 そこで本記事では、当該セッションの内容に自分の経験を加えて、機械学習プロジェクトのコツを述べたいと思います。 ゆるく小さく始める 人工知能がブームになって、「よーし、ウチも人工知能やるぞー」と
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
人工知能と機械学習の違いって？
「機械学習：技術的負債の高利子クレジットカード」のまとめ