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!

NHK人工知能第2回感じる

いまNHKEチャンネルで松尾豊准教授のAI講座の第2シリーズをやっている。大変役に立つ番組だ。第一シリーズは見逃してしまったのだがWEBで12回各回2分間講座が見られる。第2回をメモったのでここに紹介する。

NHK人工知能第2回感じる

いまNHKEチャンネルで松尾豊准教授のAI講座の第2シリーズをやっている。
大変役に立つ番組だ。第一シリーズは見逃してしまったのだがWEBで12回2分間講座が見られる。
第2回をメモったのでここに紹介する。
2019/01/17
「人間ってなんだ」(センサーとアクチュエーター)
「感じる」→認識するKey→Deep Learning
ニューロンネット100億以上
筋電義手(筋電位)
筋肉の電気信号と義手の動きの関係性をパターン認識
「リアルタイム学習」→様々な状態を学習
0.2秒の遅れ つかむ(大人にはできない)→(高校生にはできる)
人間の感じ方には年齢にも関係する?
身体性 身体の中に相当な機能が入っている
体にも知能がある?
身体が拡張された未来・人間の「感じ方」も変わる!?
面白がっていたこと自体が面白い(松尾豊准教授)
脳指令(アクチュエーター・出力)
感覚の入力(センサー)
入力と出力の関係から世界の構造を解き明かす
子供の行動こそ「感じる」とは何かを知る第一歩?
意志とは?
神経学者ベンジャミン・リベットの実験
無意識的な脳活動(0.35秒後)意識的な決定(0.2秒後)動作(時間軸)
モラベックのパラドックス
一見難しく見えるタスクより一見難しくないタスクのほうが難しい。
巨大なニューラルネットワークに学習させ自動的に判断させる。
子供の知能さえAIが再現できれば自らが学び大人の知能を持つにいたる!
「実際に脳内で起こっていること」
センサーからの入力:年・月・日・時・分・秒センサーID=03に0.76のインプットがあった
センサーからの入力:年・月・日・時・分・秒センサーID=01に0.55のインプットがあった
___________・
___________・
___________・
アクチュエーターへの出力:年・月・日・時・分・秒アクチュエーターID=26に0.16のアウトプットがあった ・
___________・
___________・
___________・
これらの情報から「世界が3次元であることを見つけ出している」
人間は単純なデータの出入力の連続で複雑な世界の構造を理解していく?
人間の知能は2階建て→言葉を扱うのが2階
           知覚・行動が1階
人間が作れるのではないか?(身体がないと人間の知能はない?)
人間の脳が世界中のセンサーと直接つながる時代が来る!?
「模倣学習」
AIも複雑なことを効率的に身に着けることを目指している
「深層教師あり学習」「深層強化学習」
「転移学習」という新たなディープラーニングです。
現状から学ぶだけではなく
過去に学んだ色々な前提を使う。
過去の経験を通して学んだ速度をどんどん速めてほしい。
あるところで身につけたことを他のどこかで利用するというのは人間ができること。
→いかに効率的に学習するか
→野球の大谷選手はそれを非常にうまくやっている
複雑なことを単純な構造に分解するのが下手→運動音痴
→Disentanglement(もつれをひも解く)
→感じて分解分析する能力が勝敗を決める?
「音」
音声の個性を感じて聞き分ける
ノイズが会話のコンテンツに
音声のレイアウト(配置)を感じて聞き分ける
「モダリティー」人間は複合的に理解している→世界の構造を見つけ出す→早く脳はマルチモーダル(複合的)に世界を感じている
「聴覚」を制御すれば身体能力まで制御できる!?
「好奇心」人間は飽きる→世界の探索
人がもう制御できるという領域はもういいということ。外の知らない世界に打って出る。
知らない→予測が当たらない世界
以上

↑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!

Coursera machine Learning参加断念

Coursera machine Learning参加断念

次のような理由でコース参加をあきらめた。
様々な基本知識の欠落、時期尚早。
英語力不足。
基本数学知識の欠落。
オブジェクト指向言語の未収得。
5ヶ年計画で目標はAIのリテラシーが分かればよい。
大仰にする必要なしの結論からだ。
これで5年かけて徐々に計画を進めるとの方針が決まった。

↑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!

数学ソフトウェアパッケージOCTAVEを使ってみた

この言語は線形代数が得意で行列、複素数、三角関数など数学の問題を解くのに便利である。50年前を思い出しながら行列演算をやってみた。

数学ソフトウェアパッケージOCTAVEを使ってみた

online seminar「機械学習」(Stanford U. Andrew Ng先生)で使っているといわれる、OCTAVEを使ってみた。
この言語は線形代数が得意で行列、複素数、三角関数など数学の問題を解くのに便利である。
関数をプロットするのも得意でアイキャッチ画像を見ていただければわかると思う。
このソフトウェアはMATLABとほぼ互換性があるということだ。
インストールも簡単である。
最新Versionは4.4.1でCLIとGUI版両方を持っている。
50年前を思い出しながら行列演算をやってみた。
簡単にできた。

plotした関数

行列演算の様子


↑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-Year Plan revise up (ver3.0)

Microsoft wordの翻訳システムを使いました。ご了承ください。5-Year Plan revise up (ver3.0)

Microsoft wordの翻訳システムを使いました。ご了承ください。

5-Year Plan revise up (ver3.0)

Since Qiita’s article was on the CEO Tani, he was able to revitalize the five-year plan to become an AI engineer.
Thank you for the article.

layout: “post”
Title: “Five-year plan ver3.0”
date: “2018-12-31 16:28”

Minimum knowledge required for AI engineers
First,I saw the minimum knowledge required by AI engineers in six parts.
Here, the future When doing business as an AI engineer, be sure to understand the overall picture of the basic knowledge of the six content.

(1) Programming skills
– Python
– numpy、pandas、matplotlib, Scikit. Translation-Learn TensorFlow and keras

Especially in this It is good to be proficient in pandas.
This is a convenient library for data preprocessing, although data preprocessing is essential for machine learning.

(2) Mathematics
– Differential、Linear algebra, vectors, matrices, probabilities, etc.

(3) Knowledge of statistics
– Stdev, Variance, probability distribution, estimation, test, etc.

(4) Basic knowledge of machine learning

Supervised learning and unsupervised learning
pretreatment, feature design, learning and evaluation
Single regression, multiple regression analysis, least squares method, Perceptron, logistic regression
Decision tree, random forest, support vector machine, K-means
Implementation skills and knowledge of deep learning
scikit-learn
Knowledge of frameworks such as TensorFlow and Keras.
The flow to make a model that has been studied in Scikit-learn.
1. Data collection and preprocessing of data completion of missing values and removal of outliers.
2. Feature design (selection of feature quantity)
3. Model development (model selection and learning)
4. Model evaluation… cross test, evaluation by mixing matrix, etc.
(5) Knowledge of working with databases using SQL。
-Select, insert, UPDATE, Delete, where, like, limit, SUM, AVG, Max, GROUP by, having, order by, table join, view, subquery, case, and so on.

(6) Cloud Knowledge
-Knowledge of cloud infrastructure such as AWS and GCP and Azure.

Large Although it may seem that there are many other than six, it is recommended to squeeze it into two (1) and (4) first of all at once.
The reason is that the program is actually written and visible, making it easier to learn.
Because it is self-taught and it is frustrated when entering from the theory first.

The recommended way to study artificial intelligence by yourself
I introduced the necessary knowledge in the previous section, but how do I learn them?
In order to learn from (1) to (6), we recommend that you acquire knowledge in the following sequence.

Phase1 python Learn about machine learning programming and artificial intelligence.
Phase2 machine learning programming.
Phase3 Challenge to Kaggle.
Phase4 SQL, scraping and cloud technologies.
Phase5 Use machine learning skills to produce products.
Phase6 Teach (maybe I don’t think this).

I believe that learning from each phase is the most rewarding and enjoyable way to learn.

Phase In 1, we refer to the programming beginners.
If you are new to programming, come to the phase Please read through the first.

Phase2, based on what we actually learned in Phase 1, we will explain how to study machine learning programming.
Already If you are doing machine learning programming using Scikit-learn, you may skip it.

Phase3 describes how to learn practical programming through competitions like Kaggle. (I don’t think so either)

Phase4 In doing machine learning, retrieving data from the database is often done. SQL Knowledge is mandatory. In addition to SQL, this section introduces techniques such as scraping (data collection) and cloud technology. (First from Access)

Phase5 Use machine learning skills to get your product production. Those who reach this level often learn through the product.

Phase6 Teaching six people may clarify what you didn’t know. So it is also a good idea to teach your friends about machine learning and deepen your understanding.

Since then, I will explain how to tackle these in each of the six phases, while introducing the recommended books.

# Development Environment Construction
・Ipython, Python, atom settings on your PC
・Atom debugging with Python alone
・Copy and paste the Web practice problem in WSL and Emacs
・Design and develop a Web top page
・Under the top page (index.html) developed demo.py demo.html Demo.css demo.js
・each demoxx.py design, demoxx.html design, Representative .css design
Standardized module names
Create a module list

2. Git, GitHub configuration-selection of collaborators
・Learning GitHub (Binder stuff)

3. Document Planning
・Create a module list
・Python Program Journal Organization
・HTML Journal Organization
・JS Program and Journal Organization

4. Development plan

1. Python acquisition plan
2. Actual Practice
3. Python Programming (Command prompt and on WSL)
4. Debugging
5. Model Building
6. Ipyton Debug (Jupyternotebook on WSL) developed it under Atom Environment (NumPy, pandas Acquisition)

Ipython, Pyton, atom settings on PC

– Toshiba Dynabook Satellite B554/K use
-Documentation
-Test in development environment
– Blog up

# Git, GitHub configuration-selection of collaborators

-GitHub Learning
-Request for collaborators

# Document Plan formulation

– Five-year Plan
-One year schedule
-Three-year schedule
-Final Plan

# reading Plan

-Qiita document conning (in progress)
-Why make object-oriented (purchased)
-New Linux textbooks (purchased-read after referring to the actual machine)
-Everyone’s python (purchased-in-progress, early)
-Nikkei Linux (purchase)
-Making from scratch deep Learning-theory and implementation of learning in Python (pre-purchased)
-Access Learning (create Address Book and learn about MySQL query)
-Copy and paste in Qiita document study (in progress)
-(Programming (Python), Statistical machine learning, deep learning (deep Learning), Mathematics for machine learning, probability and statistics)
-Easy to learn mathematics for understanding machine learning
-Ipython Interactive Computing and Visualization Cookbook (purchased-last)
-Other

↑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!

四則演算の他、余り、べき乗の計算を追加した

ブラウザーのアドレスフィールドから「+」の文字を入力するとoperatorとして認識されない。

四則演算の他余りべき乗の計算を追加した

ブラウザーのアドレスフィールドから「+」の文字を入力するとoperatorとして認識されなくて「Illeagal operator」となるため英字一文字の入力することにした。ついでに余りとべき乗も追加した。
a:add
s:subtract
m:multiply
d:divide
r:reminder
p:power
である。
アイキャッチ画像は10の2乗を計算しているところ。

↑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!

ApacheとNginx(エンジンエックス)、どちらを使うべき?

負荷が高い場合や静的ページに同時アクセスされることが多い場合はNginx(エンジンエックス)を使うと良いでしょう。

ApacheとNginx(エンジンエックス)、どちらを使うべき? ApacheとNginxについて、どちらもシェアが高く信頼できるWebサーバーであることは間違いありません。 それでは結局のところ、どちらを使うべきなのでしょうか。 負荷が高い場合や静的ページに同時アクセスされることが多い場合はNginxを使うと良いでしょう。 反対に、負荷が高くなく同時アクセスが少ない場合や早期セットアップが必要な場合はApacheが良いでしょう。 Nginxは処理が早く、消費メモリが少ないという良い事ずくめですが、1つの処理が長すぎるとシステムコールキューにリクエストがたまってしまいパフォーマンスが低下してしまいます。 その為、動的処理や動画コンテンツの配信やデータベース処理等の重い処理をする場合にはApcheが良いとされています。 Nginxについてあとがき: NginxはApacheに引けを取らない、とてもパワフルなWebサーバーです。日本語での情報も増えてきましたし、開発にかかる工数も少ない部類に入ります。 インストールも難しくないので、気になった方はまずはダウンロードして使ってみてはいかがでしょうか?

いま話題のWebサーバー「Nginx」とは?

を参照させていただきました。

スキルセットのFlaskとは?

【Python】フレームワークFlaskの基本をマスター

を参照させていただきました。

↑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!

AI(機械学習)の納品

検証とは、検証データに対する結果をみることではなく、仮運用をはじめた後に得られる結果を見ることである。

AI(機械学習)の納品

「検証とは、検証データに対する結果をみることではなく、仮運用をはじめた後に得られる結果を見ることである」
そのため、お客様と考えていくべき納品フローはこのようになります。

機械学習案件を納品するのは、そんなに簡単な話じゃないから気をつけて
を参照。

↑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!