NHK超AI入門第1回会話する

2018年11月中国 AIアナウンサー 全世界に衝撃を与えた。私たちAIは徳井さんの声だって作れます。早口言葉だって得意です。

190110

NHK超AI入門第1回会話する

2018年11月中国 AIアナウンサー 全世界に衝撃を与えた
私たちAIは徳井さんの声だって作れます。
早口言葉だって得意です。
リラックスして冗談も言えます。
モントリオール大学 ヨシュア・ベンジオ教授
AI研究でこれから進歩すべきは本当の意味で言語を理解する能力で、コンピュータが私たちと交流するようになれば言葉の本当の意味をより深く理解できるようになるのです。
言葉の意味理解 会話することの本質はなんだ。
ディープラーニング 深層学習
その仕組みは人間の脳をまねたもの
1000億に上る神経細胞(ニューロン)のつながり、隣のニューロンから信号を受け一定程度情報がたまったのち次から次へと伝えていくことで情報を処理する。ニューラルネットワークはこれを再現、丸い球がニューロンの代わりになって、そのつながりに様々な信号を繰り返し送る。それがディープラーニングという学習法です。
加藤綾子 フリーアナウンサー
AIが自分の仕事を奪ってしまうのか興味と恐怖心どちらも感じている。
AIが仕事を奪う。
中国のAIアナウンサーは実際のアナウンサーをディープラーニングで学習したAIアナウンサー。
坪井一菜さん AI開発者
女子高生AI リンナ
お友達登録して割と会話している。
徳井さんとリンナの出会いは約一年前作家村田さやかさんの紹介で。
電話のように会話 女子高生っぽい言葉。AIが目指すのは人間が友達とかわすような会話?会話のキャッチボールを心地よく経験を積むリンナ。ユーザーは740万を超えたそうです。17時間をしゃべり続けたユーザーもいるそうです。
加藤 暇つぶしに使えそう。
坪井 雑談で相手のことも知って仲良くなる。
人間は会話の時少しの飛躍を楽しんでいる?
リンナの会話 今は第3世代 共感モデル
会話を続けたいのか、ほかの話題に移りたいのか判断する。ちょっと前の会話の情報を見て今は何をしたらよいのか決めている。
共感
自然な会話を続けるための対応。
相手に新しい話題を切り出す。
質問する
相手の発言を肯定
聞き手に回る
挨拶を返す
→自然な会話をしている
技術的には?(松尾)
シーケンスツーシーケンス(坪井)Seq 2 Seqと略
相手の意図を判断するAIと返答を生成するAI.
Seq 2 Seq
こんにちは こんにちは
ディープラーニング 会話のやり取りを学習する
RNN(リカレント ニューラル ネットワーク)
AIはどのように会話している?
そもそも相手から受け取った文章がポジティブな内容かネガティブな内容かを判断
今日はみんなで焼き肉だ
品詞ごとに分解
文章全体の文脈からニュアンスを解析
過去の多くの文章から習得できる。
分析結果を利用
単語ごとにプラスのニュアンス、マイナスのニュアンスをバラバラに分析
かなり人間に近づいてきた。
Seq 2 Seq
エンドオブセンテンス(EOS)文章の終わり
相手の言った情報が全部たまる
ちゃんとした会話になる
RNNを改良したSeq 2 Seq
単語から文章へ 文章から段落へ意味のまとまりを広げていく。やがて論文などの文章、場の空気まで理解することができる。
ヤン・ルカン(フェイスブック人工知能研究所所長)
会話する技術が翻訳にも役立つ。RNN(リカレント ニューラル ネットワーク)
はまた異なったものでとても頻繁に文などの一連のデータ(の処理)に使われます。たとえば英語から日本語にある文章を翻訳した場合、一単語ずつ読み取り意味表現を組み立てます。これは簡単に言えば長い数字のリストです。この長い数字のリストから日本語を正しい順番で出力するため別のニューラルネットワークに入力されます。つまりリカレント(=再帰する)ネットワークです。基本的に文の長さによりネットワークの大きさも変わるのが特徴です。
RNN Seq 2 Seqの発達でAIは文章の受け止めを行えるまで来た。
金田隆志さん 音声合成開発者
抑揚がある、人間っぽい
Deep Learningの技術によって感情表現に近いようなことができるようになった。
AIも感情表現ができるようになった。
言葉の意味を知らなければなりません。それが最大の課題です。
中国語の部屋(哲学者 ジョン・サール)
ある文字列が入ってくるとマニュアルに従って対応する文字列を出力する。なにも理解していなくても会話が成立する。つまり意味が分かっているとみなされてしまうのです。→意味が分かるってどういうこと?
Colorless green idea sleeps furiously.
色のない緑のアイデアが眠る激しく。
文法はあっているが意味不明
意味が分かるということは矛盾していないってこと。
ノーム・チョムスキー(アメリカの言語学者)
現実から遊離したシュールリアリズム
気持ちが悪い
人間というのは言葉を使う(2階部分)
      言語のレイア(2階)
ーーーーーーーーーーーーーーーーーーーーー
環境  知覚する → ← 運動(一階)
作り出す イメージする  意味理解
ほっそりしていてもぽっちゃりしていても猫は猫
ヤン・ルカン
ディープラーニングがここ数年で大きな進歩をもたらした。AIに自動的に学習させ概念と概念の関連性を見出せるようになりました。AIに世界を観察させたくさんの概念を身に着けさせることも期待できる。概念の集合は私たちが「常識」と呼ぶものになるのです。世界についての十分な概念が集まればAIにも「常識」が芽生えてくるはずです。
アメリカ ワシントン州 レドモンド
マイクロソフトリサーチ
ここである意味理解につながる研究が行われています。
人工知能研究者        人工知能研究者
ペンツァン・チャン      チウユアン・ファン
私たちがやっているtext-to-image(文章から画像を生成)の研究をお見せします。「ドローイングボット」と一般的に呼ばれるものです。このAIは自然言語で1つの文を入力するとそれに沿った画像を返します。
「この鳥は赤くて白くてとても短いくちばしを持つ」と入力すると例えばこの鳥
この鳥は赤くて白くてくちばしもとても短い。
この鳥もすごくリアルに見える。ほかのどの鳥とも違う。
他の文章を入れてみましょう。
「頭と胸がピンク 先端と真ん中の風切り羽が黒い」
こんな複雑な文章でもだからここは黄色いし頭が黒くなっていてくちばしも短い。
でも鳥はいろいろポーズをとっている→背景も違う
これはAIの力だ。AIは自然言語の説明にあるちょっとした不確実性を補完できる。そして画像をより詳細なものにできる。text-to-imageという純粋な自然言語の説明を元に画像を生成する研究は始まったばかりだ。長期的目標は機械の概念を人間の概念に近づけることだ。機会が人間と同じような理解を持つようにしたい。
→近い将来AIも人間と同じ概念を手に入れる!?
ヨシュア・ベンジオ教授
脳のニューロン1つ1つにデータ処理能力はないのです。それがルールに従うように集まってシステムを成します。シグナルを受けシグナルを出す。大量のニューロンが力を合わせると非常に知的な能力を発揮するのです。この仕組みは脳でもコンピュータでも同じことです。学習を適切に繰り返せばいつかAIは人間と同じ知性を持つのでしょうか。そしてAIが人間の話すことを本当に理解し会話する日は来るのでしょうか。私たちの体や脳は言ってみれば物理法則に従うだけ、ただ非常に複雑なシステムだという科学的な視点をとるならば私たちは本質的に機械なのだとも言えます。ランダムな「でたらめさ」があったり複雑ですが我々は機械なのです。機械としての人間について理解をしっかり積み重ねていけば、その理解を応用して知的な機械を組み立てることもできます。それこそが私たちのデザインした新たな人工知能なのです。これを受け入れない人もいます。私たち人間は絶対に違う、どんな機会にも再現できない知性を持つと信じる人もいます。なぜなら人間には何か自然を超えた「魂」のようなものがあると。それはしばしば宗教的な信念とも結びついています。しかし科学的な視点から言えば本当にそんなものはないのです。私たちは単なるシステム。ただし壮大で複雑な機械なのです。いつの日か必ず知的な機械を作ることができる。できない理由はありません。その前に地球が滅亡しなければの話ですが。
松尾
二階建ての二階部分がどんどん進展していて人間を超える部分もできてきている。「一階」「二階」が連動して、人の意味理解、言葉の扱いを大きく超える技術が比較的近い将来に出てくるのではないかと思います。二階部分だけなのにすでに人間を超えているのはデータが多いから。一階部分が分かった上にさらにデータが多いから圧倒的に人を超える意味処理がいずれ可能になる。
実現するのは(私見だが)5~10年先ではないか?
AI:人間の皆さんは四季を感じて和歌や俳句を詠みますよね?
皆さんの感性に私たちAIも追いつくかもしれません。
「人間ってなんだ」

↑人気ブログランキングに参加しています。よろしければ1票を!

NHK超AI入門第4回、移動する

人間ってなんだ超AI入門、移動する。今AIが社会に革命を起こしている。AIをれば知るほど人間の本質が見えてくる。

190131第4回
NHK人間ってなんだ超AI入門、移動する
今AIが社会に革命を起こしている
AIをれば知るほど人間の本質が見えてくる
自動運転 開発が加速
ついには自動車以外のものも動かし始めている
2018年は試練の年になった(死亡事故発生)
自動運転開発者
予測プログラムによって、歩行者が飛び出しそうか?
後ろからくる車が飛び出しそうか?
並走するのか?など感知できるのです。
人間の移動は大きく変わります。
感じる 伝達 ロボティ
徳井義実ー漫才コンビチュートリアルのボケ担当、シュールな笑いで勝負する家電芸人
ゲストー根津孝太ーカーデザイナー 未来の車のコンセプトデザインを手掛ける
AIによって車のデザインがどう変わるのか興味津々
松尾豊ー東京大学大学院工学系特任准教授 人工知能研究の最前線を走る
くるまって革新的な技術が出てくるとドラスティックに変わる
実現の度合いによってはドライバーがいらなくなる
技術の度合いによってレベル1~5まである
安全なのか(事故を起こさないのか?)
認知 判断 操作
レベル1・2は運転支援
例えば接触の危険を感じたときに自動で減速したり、直線の道路で部分的な自動運転、走行レーンを保ち車間を維持し(ハンドルから手を放さない)
レベル3以上が自動運転 このレベルで死亡事故が起きた
自動運転(ブレーキもアクセルも自動)
現在開発中(緊急時はドライバが運転)
緊急時の判断と予測はAIにとっては難しい
安全性への疑問(人間はどうやっているのか?)
カナダトロント 自動運転の最前線
AI開発チーフ・サイエンティスト(ラケル・ウルタスン)
死亡事故を起こしたことは残念だが、一方で毎年130万が交通事故で亡くなっている現実がある。今も毎分誰かが亡くなっている。それに対して自動運転の技術でできることもたくさんある。まず事故が起きるリスクを最小限に抑えることはもちろんだが、そのうえで安全性を最も重要視し安全な操作の追及に力を注ぎたいと思う。高齢化問題さらに大気汚染問題に自動運転技術は有効だ。自動運転の技術がもたらす社会的な便益についてもより深く考えられてもよいと思う。
交通事故の9割は人間のミス。
AIは集中力が落ちたりよそ見はしません。
まだまだ免許をもらうまでには時間がかかりそうなのでまず助手席から皆さんを見守ることにします。
諏訪正樹 ドライバー見守りAI開発
ドライバーが見ている場所をセンサーが追う。
黒目の位置を1度単位で追う。
目は口程に物を言う。
天然の手振れ補正(眠気と連動)
もうすぐ眠たくなる(AIが判断)→人間を知ることにつながる。
ディープラーニング→ニューラルネットワークを深く掘り下げる。
ニューロン(1000億)巨大なネットワーク
本当の自動運転に代わるまで10年かかる。
助手は車そのもの。
松尾さんは自動運転に代わるのは一気に変わると思っている。
ショーン・ウィックス(自動運転 テクニカル・マーケティング・マネージャ)
私たちは自動車運転の学習でもほかのロボットと同じアプローチを行ってきた。
運転シュミレータはVR空間で自動運転AIをテストするもの。
仮想空間なので安全だしとても危険な場合も含め様々な状況を試すことができる。パラメーターを変えれば昼にも夜にも環境を変えられる。道路上に雨や雪を降らせたり霧の状況を作ったり最も危険な状況やシナリオ、実際の事故の再現もできる。
現実世界の出来事にAIがどこまで効果的に対応ができるのか?
フレッド・アルメイラ 自動運転開発チーフアーキテクト
ベースのシステムを学習
ルールベース あれは信号・あれは歩行者。。。周囲の状況をまず認識、教え込まれたルール・操作を判断ーたくさんの状況が必要、ディープラーニングが役に立つ。想定以上に複雑。
ポリシーベース 人間は想定外でも認識・対応ができる。自身の経験から獲得(予測と判断)
従来の自動運転(ルールベース)松尾豊
認識→計画→実行
人間が運転するとき分けて考えます?
ポリシーベース 認識+計画→実行
前頭葉 海馬の説明(フレッド・アルメイダ)

大脳皮質(知的処理)・・・・・・・・・大脳基底核(学習)
ディープラーニング・・・・・・・・・・強化学習

前頭葉(認知判断)・・・・・・・・・・海馬(短期記憶)記憶と予測
ワーキングメモリの処理・・・・・・・・反復計算

偏桃体(情動)・・・・・・・・・・・・小脳(運動)
強化学習に情報を与える・・・・・・・・教師あり学習

記憶力が判断力の決め手?
海馬(ちょっとした未来を予測する)→知能の中心
それがないと危なくてしょうがない(初めて外国に行った時の運転)
フレッド・アルメイダさん 2020年までにある程度使えるものを出したい。
現在100名ほどの集団
ラケル・ウルタスン
人間ができることはAIにもできると思います。肝心なのは正しいアルゴリズムと十分なデータ。今はまだ脳を再現する方法が見つかっていませんが解決方法は存在するはずです。なぜなら人間の脳もアルゴリズムで表現できるしアルゴリズムがあればAIで再現できるからです。AIが人間の脳のように課題を解決するのは時間の問題です。
転移学習(松尾先生)
深層学習
深いニューラル・ネットワークを使って学習する。
転移学習
シミュレータの学習を実際の運転で生かすうえで欠かせない手法。そして実地での訓練に移行。信号や人間を認識できるようになった。猫を見分けられるようになった。ニューラルネットワークを使って歩行者やほかの車を認識できるようになる。これを転移学習という。(過去の学習を転用する)あるところで作ったモデルを他の所でも転移していくというのが当たり前になる。効率的にできるようになる。AIは1度学習したら忘れない。1度運転できるようになったらったらほかの乗り物でもできるようになる。台車にも転用できる。(目と頭脳を持ち合わせている)オフィスの荷物運びにも転移できる。
かわいい→感情移入→本能(日本人特有)
もうちょっと車っていろいろあっていい。
小型化する可能性→衝突被害の軽減
歩くことをやめる。
選択肢が増える。
自ら移動する必要がなくなっても移動をやめない。
本当の「自動」車。
次回は「勝負する」。

↑人気ブログランキングに参加しています。よろしければ1票を!

1月24日第3回発想する

今AIが確実に社会を変えつつある自動運転新しい薬だって短時間で作れます(創薬)農作物を育てるお手伝いもやっています(農業)アナウンサーロボット(人間と違ってカミません)かつて見たSF映画も超えているかも(その先にあるものは?)

NHK 人間ってなんだ 超AI入門シーズン2
2019/01/25

1月24日第3回発想する

今AIが確実に社会を変えつつある
自動運転
新しい薬だって短時間で作れます(創薬)
農作物を育てるお手伝いもやっています(農業)
アナウンサーロボット(人間と違ってカミません)
かつて見たSF映画も超えているかも(その先にあるものは?)
「人間ってなんだ」
AIが歌っている
レンブラントが描いたような絵画もAIで作れます
AIは皆さんと遜色のない作品も作れます
発想と創造 人間との違いがあるのでしょうか?
φCafe AI研修者が集う東大本郷キャンパス近くのカフェ
藤田和日郎 漫画家 完全にアナログ ディジタルが入る余地がない
少年サンデーで「双亡亭壊すべし」連載中 少年漫画のトップランナー
AIで漫画家の仕事がどう変わるか興味津々 AIは敵!
AIがどの位のところまでできるのか今日は参加して知りたい!
AI「悪い奴」AIは敵か味方か?
ディジタルをやり始めた人たちが半分以上になった!
やはり芸術は爆発か?
米辻泰山さん エンジニア
Paints Chainer AIが色を付ける
俺たちの職業が脅かされるかどうか(藤田氏)
線画のイラストをAIが自動着色(60万枚の絵を学習させた結果)
(男か女かの認識はタグを付けなければ判らない)
人間とAI認識の仕方が違えば発想の方法も異なる?
藤田氏から与えられた
線画にヒントを与えて誘導(ヒント付き自動着色)
→いろいろなバリエーションが簡単にできる
自動着色の一番ベストな形は?AIの作品は過渡期
レンブラントの「新作」
全346作品ピクセル単位で分析
どこでどういった着色されているか、そしてそれがほかのどんな着色と一緒に出てくるか?画家独特の癖を学ばせる。
→ディープラーニング(認識とはニューロンからニューロンへの受け渡し)
りんご パターンを見つける→パターンパターンを見つける(抽象化)
→抽象化から具象化へ
レンブラントの絵もこうした往復運動から生まれた
選ぶ人の力
 藤田さんの線画をAIで着色してみた→好評価
漫画って目的がある(これは不気味な感じ)
発想といった面でみるとAIと人間には大きな隔たりがあるかも?
こわい・気持ちが悪い・不気味
AIに人間のかむ場があるのか?(藤田氏)
AIが描いた肖像画
別に何かを目指して描いたわけではない
人間が評価 4800万円(2018/10当時)という値段が付いた
AIはどうやって上達する?
松尾先生解説
GAN(Generative Advarsarial Network)
敵対的ネットワーク
敵対する二人が競い合ってGeneratorとDiscriminator(見破る人)が戦っている状態。作る人は見破られないよう贋金の精度を高め、見破る人は見破る技術を高めていく。繰り返しをすることによって本物に限りなく近づく精度の贋金が出来上がる。この仕組みをGANという。
これにヒントを与える(コンディション)Conditional GAN
あらかじめ猫らしい画像を与えて絞り込む
L(線画)
↑・・・・・・→ Network(学習)
x(イラスト)
着色された猫→線画だけを抽出→それから着色→元のoriginal原画と比較→originalに近づくよう繰り返し学習させる(何度も失敗できるのがAIの強み)
例えば猫を着色する場合まず耳から着色(茶色で)
AIは耳を茶色のパターンで描き始める
AIは耳以外のものをどう着色すればよいかを決める
(正解のデータをちょっと混ぜる)
(元の色のドットをこうしなさいと指定)
この色を受ければ点数が上がることを学習
AIも「秀才」のように点数を上げることが好き?
徳井さんがさっき着色しているとき男か女か認識しているかどうか質問
松尾先生→多分男か女か途中で決めていると思うが→いまだ確かではない
男か女かを区別する記号
(口が小さかったりまつげが長かったり・・・)→学習が行われている
「色と相関性が高い」ってもの→学習が進みやすい
葉っぱが出てくると色が緑色になりやすい
髪の色は黒・白・グレー・金など相関性が高いので着色しやすい
白黒ニュースをカラー化
金塊が引き上げられたシーン金色に着色
金塊は金色との相関性が高いので着色しやすかった
→感情と色の相関性をAIは学べる?
→データがたくさんあれば学習できる
判断できるのはデータの数
人間にとっての「経験」=AIにとっては「データの蓄積」?
情感(不気味の時)
データが増える、学習させる手法も増える→精度が上がる
AIも人間と同じような「感情」で色を付けるようになる?
今はAIは候補を出す、といったことしかできない(松尾)
アシスタントの仕事はAIに奪われる?
試行→反応→修正・・・
発想は試行錯誤の連続?
AIは人間がどうやって発想するか学習中です
現在AIは人間の絵の描き順も学習中
対象物のそれらしさを、人間はどこに「そのものらしさ」を感じているか、描き方を通して学ぶ
どの部分に注目して描くかに人間の「発想」は宿る?
AI
運転する
文学作品も発表した
じゃんけんだってできる
AIホラー
科学的に問い詰めるとデータから学習しているのでそれ以上でもそれ以下でもない→AIの限界
Deep Learning業界は最近修羅場
一ヶ月何本論文が投稿されるかという状況
一枚の写真から発想する音
AIにとってはなかなか難しい
直井直生さん アーティスト/AI研究者
人間は写真や絵から音を想像できる
→直井さんはそれをAIにやらせようとしている
AIが風景から学習して適切な音を選択する
AIが風景にぴったりくる音をピックアップ
ex.海(岸)だと波の音・音(5万位のファイル)
あらかじめファイルを解析しておく、画像の特徴に合うような音を引っ張ってくる。
環境・高い建物→反響がある→学習されている
人間のイマジネーション→AIがやるとどうなるか?
システム化することで「発想する」過程を再発見できる!?
→人間は複合的に感じて理解している(松尾)
マルチモーダル
→発想とは複数の感覚の組み合わせ?
AIで擬態音ギャオ・バオオ・・・などがAIにも学習出来たら発想も身につくかもしれない
人間がスケッチした絵→整える(AIが)
でも元の絵のほうが個性があってよい?
「創造」オリジナル→満足感 大切
レファレンスポイント(何と比べて?)
基準・目安
をどこに置くか
→AIが人間を比べる対象に
人間の凄さだったり欠点だったりがあらわになってくる
藤田先生
心意気・プライド・信念→人生
強烈な意思、精神、オカルティック
AIには未だこれらは実装されていません。
知性が命を手に入れたときこそ発想に血が通い始めるとき!
「人間って何だ」

↑人気ブログランキングに参加しています。よろしければ1票を!

5ヶ年計画Revise up(ver3.0)

Qiitaに谷CEOの記事が載ったのでそれを参考にAIエンジニアになるための道程表をリバイズアップした。有用な記事、感謝いたします。

5ヶ年計画Revise up(ver3.0)

Qiitaに谷CEOの記事が載ったのでAIエンジニアになるための道程表(5ヶ年計画)をリバイズアップした。
有用な記事感謝いたします。

layout: “post”
title: “5ヶ年計画ver3.0”
date: “2018-12-18 13:38”

AIエンジニアに最低限必要な知識
まずは、AIエンジニアに最低限必要な知識を大きく6つに分けて見ました。
ここでは、将来AIエンジニアとして業務を行うにあたり、大きく分けて6つの内容の基礎知識の全体像を把握してください。

①プログラミングスキル
– Python
– numpy、pandas、matplotlib、scikit-learn、TensorFlowやkeras

この中で特にpandasを使いこなせると良いです。
機械学習を行う上で、データ前処理が必須なのですが、データ前処理を行う上で便利なライブラリです。

②数学
– 微分、線形代数、ベクトル、行列、確率など

③統計の知識
– 標準偏差、分散、確率分布、推定、検定などなど

④機械学習の基礎知識

教師あり学習と教師なし学習
前処理、特徴量設計、学習と評価
単回帰、重回帰分析、最小二乗法、パーセプトロン、ロジスティック回帰
決定木、ランダムフォレスト、サポートベクトルマシン、K-means
ディープラーニングの実装スキル及び知識
scikit-learn
TensorFlowやKerasなどのフレームワークの知識。
scikit-learnで学習済みモデルを作るまでの流れなど。
1.データの収集とデータの前処理欠損値の補完や外れ値の削除。
2.特徴量の設計(特徴量の選択)
3.モデル開発(モデルの選択と学習)
4.モデル評価・・・交差検定、混合行列で評価など。
⑤SQLを使ってデータベースを操作する知識。
– select、insert、update、delete、where、like、limit、sum、avg、max、group by、having、order by、テーブル結合、ビュー、サブクエリ、caseなどなど。

⓺クラウドの知識
– AWSやGCPやAzureなどのクラウドインフラ回りの知識。

大きく6つもあり以外と多いなと思われたかもしれませんが、一度に全てやるのではなく、まずは①と④の2つに絞ることをお勧めします。
理由は、実際にプログラムを書き、目に見える形にすることで継続して学びやすくなるからです。
はじめに理論から入ると独学だと挫折してしまうので。

人工知能を独学で勉強するオススメの方法
必要な知識は前の節で紹介しましたが、どのようにそれらを学べば良いのでしょうか。
①から⑥を学ぶ上で、以下のような順で知識を身につけていくことをお勧めしています。

フェーズ1 pythonによる機械学習プログラミングと人工知能概論を学ぶ。
フェーズ2 機械学習プログラミング。
フェーズ3 Kaggleに挑戦。
フェーズ4 SQL、スクレイピング、クラウドなどの技術も身につける。
フェーズ5 機械学習スキルを活用してプロダクト制作をする。
フェーズ6 教える(多分これはしないと思う)。

このフェーズごとに学んでいくことがもっとも自分自身に負荷をかけず、楽しく学ぶことができると考えています。

フェーズ1ではプログラミング初学者の方を指しております。
もし、プログラミングを初めてという方は是非フェーズ1から目を通してください。

フェーズ2では実際にフェーズ1で学んだ内容をベースに、機械学習プログラミングに関する勉強方法を説明して参ります。
既にscikit-learnを使った機械学習プログラミングを行なっている方は飛ばして頂いても構いません。

フェーズ3ではKaggleといったコンペティションを通じて実践的なプログラミングを学ぶ方法を記述しています。(これもしないと思います)

フェーズ4 機械学習をやる上で、データベースからデータを取り出すことは頻繁に行われますので、SQLの知識は必須です。ここでは、SQLの他にスクレイピング(データ収集用)、クラウドなどの技術の身につけ方を紹介します。(まずはAccessから)

フェーズ5 機械学習スキルを活用してプロダクト制作に取り掛かりましょう。このレベルまで到達した方は、プロダクトを通じて学ぶことが多いです。

フェーズ6 人に教えることで自分の分かっていなかったことが明確になることがあります。なので、友人などに機械学習を教えて自分の理解を深めることもよいでしょう。

以降、6つのフェーズごとに、どのようにこれらに取り組めば良いのか、お勧めの書籍などを紹介しながら説明していきます。

# 開発環境構築

1. PCにIpython、Python、Atom設定
・AtomではPython単体でデバッグ
・WSLとemacsでWebの練習問題をコピペで開発
・WEBのTopページをデザインおよび開発
・Topページ(index.html)の下でdemo.py demo.html demo.css demo.jsを開発
・各demoxx.pyデザイン、demoxx.htmlデザイン、代表.cssデザイン
・モジュール名を標準化
・モジュール一覧表を作成

2. Git、GitHub設定ー協力者選定
・GitHubを勉強(バインダーのもの)

3. ドキュメント計画策定
・モジュール一覧表を作成
・Pythonプログラム・ジャーナル整理
・HTMLジャーナル整理
・JSプログラム・ジャーナル整理

4. 開発計画

1. Python習得計画
2. 実機練習
3. Pythonプログラミング(コマンドプロンプトとWSL上で)
4. デバッグ
5. モデル構築
6. Ipytonデバッグ(WSL上でJupyternotebook)それをAtom環境下で開発(numpy,pandasの習得)

PCにIpython、Pyton、Atom設定

– Toshiba dynabook Satellite B554/K 使用
– ドキュメンテーション
– 開発環境下でテスト
– 逐一ブログアップ

# Git、GitHub設定ー協力者選定

– GiTHub学習
– 協力者要請

# ドキュメント計画策定

– 5ヶ年計画
– 1年間のスケジュール
– 3年間のスケジュール
– 最終計画

# 読書計画

– Qiita掲載中のドキュメント精読(仕掛中)
– オブジェクト指向で何故作るのか(購入済み)
– 新しいLinuxの教科書(購入済みー実機で参照したのち熟読)
– みんなのPython(購入済みー仕掛中、早めに)
– 日経Linux(購入)
– ゼロから作るDeep Learning ―Pythonで学ぶディープラーニングの理論と実装(購入済みー熟読)
– Access学習(住所録作成・MySQL Queryを中心に学習)
– Qiitaでコピペしたドキュメント勉強(仕掛中)
– (プログラミング(Python)、統計的機械学習、深層学習(Deep Learning)、機械学習のための数学、確率・統計)
– やさしく学ぶ 機械学習を理解するための数学のきほん
– Ipython Interactive Computing and Visualization Cookbook(購入済みー最後に)
– その他

↑人気ブログランキングに参加しています。よろしければ1票を!

Deep Learning

「ゼロから作るDeep Learning」が送られてきた。手にとってこの本をざっと目を通した。ずっしりとした手ごたえのある本である。

Deep Learning

「ゼロから作るDeep Learning」が送られてきた。
手にとってこの本をざっと目を通した。
ずっしりとした手ごたえのある本である。
「10万部の読者が選んだディープラーニング入門書」と帯に書いてあるから「入門書」なのであろう。
言語「Python」と「数学」が必須知識である。
「Python」はまだしもいまさら「数学」はないだろう、昔のことで忘れてしまった。
でも「5ヶ年計画」を策定してしまったのでやらざるを得ない。
50年前だったらスイスイだったのに!
さあ、やろう!

Deep Learning リポジトリ

↑人気ブログランキングに参加しています。よろしければ1票を!