![Python機械学習プログラミング
読み会
第1章
「データから学習する能力」をコンピュータに与える
1
[第2版]
基盤 江口春紀](https://image.slidesharecdn.com/python-machine-learning-2nd-edition-01-180905090109/85/2-Python-1-1-320.jpg)
[第2版] Python機械学習プログラミング 第1章
- 2. 目次 ● データを知識に変える「知能機械」 ● 3種類の機械学習 ● 基本用語と表記法 ● 機械学習システムを構築するためのロードマップ ● 機械学習にPythonを使用する 2
- 6. 教師あり学習 (分類) 6 ● スパム ● 非スパム ● スパム ● 非スパム ?
- 8. ● 回帰分析 ● 回帰分析は、複数の説明変数と連続値の応答変数が与えられ、 結果を予測できるようにそれらの変数の関係を探るもの。 ● 線形回帰の概念図 教師あり学習 (回帰) 8説明変数(勉強時間) 応答変数 (テストの点数)
- 9. 教師あり学習 ● 特徴 ● ラベル付けされたデータを使う ● 直接のフィードバック ● 成果予測と未来予測 9
- 10. ● 強化学習の目標 ● 環境(environment)とのやりとりに基づいて、 性能を改善するシステム (agent)を開発すること。 ● Agent ● 環境とのやり取りを通じて強化学習を使用することで 一連の行動を学習できる。 ● 環境とのやり取りを通じて報酬を 最大化しようとする。 強化学習 10
- 11. ● チェスエンジン ● 報酬（即時的なフィードバック） ● 相手の駒を取る（正の報酬） ● 自分の駒を取られる（負の報酬） ● 報酬（遅延的なフィードバック） ● 勝ち（正の報酬） ● 負け（負の報酬） 強化学習 11 即時的・遅延的なフィードバックに基づいて 報酬を最大化する
- 12. 強化学習 ● 特徴 ● 意思決定プロセス ● 報酬系 ● 一連のアクションを学習 12
- 13. 教師なし学習 ● 特徴 ● ラベルと目的変数なし ● フィードバックなし ● データから隠れた構造を見つけ出す 13 クラスタリング(clustering)をする
- 14. 教師なし学習 ● 概念図（クラスタリングの例） ● 特徴量であるx1, x2の類似性に基づき データを3つのグループに分割している。 14
- 15. 教師なし学習 ● データ圧縮のための次元削減 ● 特徴量の前処理において使用されるアプローチのうちの 1つ。 ● 圧縮することで、データの可視化にも役立つ。 15
- 16. 基本用語と表記法 ● Irisデータセット ● Setosa, Versicolor, Virginica の3種類のあやめのデータセット 16 特徴量 （属性、計測値、寸法） サンプル （インスタンス、観測） 花びら 品種ラベル （ターゲット） がく
- 19. 前処理 19 色 色調花の明度 高さ 幅 ● 特徴抽出とスケーリング ● 特徴選択 ● 次元削減 ● サンプリング
- 20. 学習 ● モデル選択 ● それぞれのモデルにはそれぞれの特性があるので、 数種類のアルゴリズムを比較する。（ノーフリーランチ定理） ● 交差検証 ● 汎化性能を推定してモデルの評価を行う。 ● 性能指標 ● 正解率(accuracy)、検出率(sensitivity / recall)等 を指標にする。 ● ハイパーパラメータ最適化 ● モデルの性能の調整を行う。 20
- 21. 評価と予測 ● 汎化誤差の評価 ● モデルにテストデータセットを適用して性能を測る。 ● 未知データの予測 ● 学習や評価に使用した前処理を適用する。 21
- 22. 機械学習にPythonを使用する ● 使用しているパッケージ ● Numpy=1.12.1 ● SciPy=0.19.0 ● scikit-learn=0.18.1 ● matplotlib=2.0.2 ● pandas=0.20.1 22
- 23. 第1章のまとめ ● 機械学習の主な概念 ● 教師あり学習、教師なし学習、強化学習 ● 機械学習のロードマップ ● 前処理、学習、評価、予測 ● Pythonの環境構築 23