[PYTHON] Sie werden in 100 Tagen Ingenieur. ――Tag 84 ――Programmieren ――Über maschinelles Lernen 9

Klicken Sie hier bis gestern

Diese Zeit ist eine Fortsetzung der Geschichte über maschinelles Lernen. Ich möchte auf tiefes Lernen eingehen.

Über tiefes Lernen

Ich werde erklären, was Sie zum ersten Mal mit maschinellem Lernen tun können, aber was Sie mit maschinellem Lernen tun können Grundsätzlich gibt es drei.

· Rückkehr ・ Klassifizierung ・ Clustering

Grob gesagt wird es zu "Vorhersage", aber der Teil dessen, was "vorherzusagen" ist, ändert sich.

・ Return: Numerische Werte vorhersagen ・ Klassifizierung: Kategorien vorhersagen ・ Clustering: Fühlen Sie sich gut an

Beim maschinellen Lernen gibt es ein Lernmodell, das etwas vorhersagt. Eines dieser Lernmodelle ist das "neuronale Netzwerk".

Über das Neuronale Netz (NN)

Es ist ein mathematisches Modell, das darauf abzielt, die Eigenschaften von Neuronen in der Gehirnfunktion auszudrücken. Es hat eine hirnähnliche Struktur.

Die Struktur ist in eine Eingabeebene, eine Zwischenschicht (verborgene Schicht) und eine Ausgangsschicht unterteilt.

Angenommen, Sie möchten das Geschlecht vorhersagen, männlich oder weiblich. Es wird zu einem Modell für die Klassifizierung kategorialer Werte, und der numerische Wert der erklärenden Variablen wird der Eingabeebene zugewiesen. Nach einer schönen Berechnung in der mittleren Ebene, als Ergebnis in der Ausgabeebene Es gibt numerische Werte wie 0.XX für Männer und 0.YY für Frauen aus.

Grundsätzlich wird es an der Größe des Zahlenwertes gemessen Die Kategorie mit der höchsten Zahl ist der vorhergesagte Wert.

Wenn dies der Mechanismus des "neuronalen Netzes (NN)" ist und zum "tiefen neuronalen Netzwerk (DNN)" wird Es gibt zwei oder mehr versteckte Ebenen.

Lernen mit "Deep Neural Network" ist "Deep Learning (DL)" "Deep Learning" ist eine Form des maschinellen Lernens.

Wie das neuronale Netzwerk funktioniert

Wie in der obigen Abbildung gezeigt, hat es eine Form, die die Gehirnstruktur imitiert, jedoch in jedem Einheitsteil Die numerische Berechnung erfolgt mit einer Funktion namens "Aktivierungsfunktion".

Erhält eine Nummer von der vorherigen Ebene und gibt sie an die nächste Ebene weiter. Die zu diesem Zeitpunkt verwendeten Funktionen sind wie folgt.

Step function: Gibt bei jedem Schwellenwert 0 oder 1 zurück Sigmaid function Gibt einen stetigen Wert von 0 bis 1 zurück Relu function: Gibt den Wert zurück, wenn er größer oder gleich 0 ist, und gibt 0 zurück, wenn er kleiner als 0 ist.

Wir werden mehrschichtige Berechnungen durchführen, indem wir eine Aktivierungsfunktion angeben, die sich so anfühlt.

Ein hochdimensionaler Ausdruck ist möglich, indem die Anzahl der verborgenen Schichten erhöht wird. Verarbeitung von Lerndaten Es wird gesagt, dass ein gewisses Maß an Genauigkeit erreicht werden kann, ohne die Merkmalsmenge im Detail anzugeben.

Nachteile des tiefen Lernens

Mit einem normalen Modell können Sie berechnen, welcher Artikel beigetragen hat usw. Es gibt einen Punkt, den man beim tiefen Lernen nur schwer verstehen kann.

Darüber hinaus erfordert es im Vergleich zu anderen Modellen viel Rechenaufwand und verbraucht viel Rechenaufwand. Daher sind bei Verwendung langer Daten viele Rechenressourcen erforderlich.

Über das abgeleitete Modell des neuronalen Netzwerks

** Convolution Neural Network (CNN) **

Mit einem neuronalen Netzwerk, das zum Erfassen von Funktionen wie Bildern geeignet ist Wir haben eine "Faltschicht" und eine "Poolschicht" in das traditionelle Netzwerk eingeführt.

"Faltung" ist eine mathematische Operation, die eine Funktion auf irgendeine Weise auf eine andere anwendet. "Pooling" dient zum Extrahieren eines numerischen Werts aus numerischen Daten.

Dieses "CNN" hat eine hohe Leistung bei der Bildanalyse gezeigt.

In den letzten Jahren wurde bei Objekterkennungsaufgaben eine Leistung auf nahezu menschlichem Niveau erzielt. Ihre Fehlerrate nimmt mit den aktuellen Bildklassifizierungsaufgaben von Jahr zu Jahr weiter ab Wir haben einen Rekord mit einer Fehlerquote von weniger als 3%.

Dies ist sogar mehr als menschliche Leistung für dieselbe Aufgabe Da es sich um eine niedrige Zahl handelt, übertrifft sie die menschliche Genauigkeit.

Weil es die Möglichkeit gibt, auf diese Weise eine Leistung zu erzielen, die die menschliche Genauigkeit übersteigt Es ist eine Übersetzung, die Aufmerksamkeit erregt.

Zusammenfassung

Wenn ein Nicht-Ingenieur plötzlich versucht, tiefes Lernen zu verstehen Ich denke, die Hürden sind ziemlich hoch.

Besonders wenn es um die Umsetzung geht.

Verstehen Sie zunächst den groben Mechanismus und die Bedeutung der Wörter Wenn Sie das können, sollten Sie weitermachen.

Lassen Sie uns vorerst Wörter unterdrücken, die mit tiefem Lernen zusammenhängen.

16 Tage bis Sie Ingenieur werden

Informationen zum Autor

HP von Otsu py: http://www.otupy.net/

Youtube： https://www.youtube.com/channel/UCaT7xpeq8n1G_HcJKKSOXMw

Twitter： https://twitter.com/otupython