G検定 【ディープラーニングG検定対策】機械学習の具体的手法
G検定シラバス「機械学習の具体的手法」の範囲の対策。
上記に加え以下も調べておく必要あり。
・t-SNE(t-distributed Stochastic Neighbor Embedding ：t分布型確率的近傍埋め込み)
・・次元削減アルゴリズムの一つ
機械学習
G検定 
AI、データサイエンス ディープラーニング概要
前回までは、AIの歴史やディープラーニングのブレイクスルー前の話が主だった。
今回からディープラーニングの話に突入。
ディープラーニングの基本構造の由来はニューラルネットワーク。
ニューラルネットワーク自体は隠れ層を持つことで非線形分類ができるようになったもの。
単純パーセプトロンと比べると複雑なことができるとはいえる
AI、データサイエンス 機械学習の評価手法
前回は、機械学習の各種手法について取り扱った。
実際に学習するに当たって、以下の手法や考え方がある。
学習データの扱い方
評価指標
機械学習にて手元のデータを学習することで、そのデータの分類、回帰ができるようになるが、重要なのは未知のデータに対しての予測能力である。
しかし、機械学習にとっての未知は、人間にとっても
AI、データサイエンス 機械学習の手法
機械学習の手法は大きく分けて以下となる。
機械学習の手法そのもの
機械学習の評価手法
今回は「機械学習の手法そのもの」について記載する。
学習種類は大きく分けて以下。
教師あり学習
教師なし学習
強化学習
教師あり学習とは以下と定義されている。
与えられたデータ(入力)と元に、そのデータがどんなパターン(出力)になるの
AI、データサイエンス 人工知能の問題点 その2
前回の続き。
ただし、今回の問題点はディープラーニングにより解決されているものも含まれる。
知識獲得のボトルネック
特徴量設計の問題
シンギュラリティ(技術的特異点)
機械翻訳の歴史は以下となる。
1970年代後半：ルールベース機械翻訳
1990年代以降：統計的機械翻訳
コンピュータが「意味」を理解しているため、
AI、データサイエンス 第3次AIブーム(機械学習・深層学習の時代)
機械学習、ディープラーニング(深層学習)の時代に突入。
昨今のAIによる恩恵の時代。
機械学習とは、プログラム自身が学習する仕組みであり、
その学習はサンプルデータが多いほど良い。
2000年以降はビッグデータと共に注目を浴びる。
(ビッグデータで大量のサンプルを集められるので相乗効果に期待)
AI、データサイエンス 第1次AIブーム(推論・探索の時代) その2 行動計画
前回に「推論・探索の時代」の続き。
行動計画、自動計画、プランニングという領域があるらしいので超簡単に調査＆記載。
ロボットの行動計画も探索で実施可能。
特に古典プランニングの以下は「積み木の世界」を例とされることが多い。
AI、データサイエンス 人工知能(AI)って何？
動機は凡そ以下。
・自動車業界のADAS/ADの領域で必要な知識として問われる場面が多発。
・流行りものなのでまずは簡単に調べてみよう。
・具体的な手法等は一旦置いておいて、大雑把に把握しておきたい。
先に結論を書くと以下。
・定義の話はあるようで、カッチリ決まっているわけでは無い。