[PYTHON] Introduction à l'apprentissage automatique

À partir de ce moment, nous vous enverrons un contenu de conférence.

Introduction à l'apprentissage automatique

Qu'est-ce que l'intelligence artificielle et l'apprentissage automatique?

Intelligence artificielle: selon Yutaka Matsuo de la Société d'intelligence artificielle "L'intelligence artificielle, de type humain, ou la technologie qui la fabrique"

Les détails varient d'un expert à l'autre, mais ils définissent presque le même contenu.

Apprentissage automatique: analyse de données spécifiques → apprentissage → jugement → prédiction C'est une méthode qui utilise un algorithme qui

Comme le montre la figure ci-dessous, l'apprentissage en profondeur fait partie de la classification de l'intelligence artificielle, et de manière plus détaillée.

image.png

Exemple pratique d'intelligence artificielle

Fondamentalement, il fonctionne semi-automatiquement en réponse aux commandes humaines.

Intelligence artificielle et apprentissage en profondeur

Apprentissage en profondeur: type de technologie d'apprentissage automatique qui imite le cerveau d'un organisme vivant. C'est une technologie qui utilise un réseau de neurones.

En extrayant instantanément des éléments tels que le rouge, le grand et le brillant de l'image Il est possible de réaliser des traitements bien au-delà des humains.

Pourquoi attire-t-elle l'attention? La technologie d'apprentissage en profondeur a été développée en 2012 et a été supérieure à celle des humains jusqu'à présent. Le taux d'erreur de l'analyse d'image a été considérablement amélioré. Au-delà des humains en 2015 Parce que c'est arrivé.

Raisons de l'attention portée à l'apprentissage automatique

Avec une nouvelle technologie appelée apprentissage automatique Analyse de grandes quantités de données complexes à des vitesses dépassant de loin les humains C'est parce qu'il est devenu possible de réduire le coût et le temps conventionnels.

Ces dernières années, la vitesse de traitement des ordinateurs s'est améliorée,

En lisant des modèles à partir d'une grande quantité de données, il est possible d'acquérir les données requises.

L'apprentissage automatique est l'un des sujets de recherche de «l'intelligence artificielle» qui possède la même intelligence que l'homme. Dans un large éventail de domaines tels que l'image, la voix, le marketing, le langage naturel, les soins médicaux, etc. Il attire l'attention car c'est une technologie qui peut être utilisée.

Qu'est-ce que l'apprentissage automatique?

Une explication simple de «l'apprentissage automatique» est «d'apprendre de manière itérative à partir de données et de trouver les modèles cachés». Apprenez (créez une base de données) des éléments et des motifs tels que des carrés, des sphères et des nuances, et utilisez ces contenus d'apprentissage Nous détecterons la réponse.

Par exemple, pour qu'un ordinateur reconnaisse une pomme, il doit obtenir un modèle commun à partir d'un grand nombre de photos de pommes.

Et il existe trois méthodes principales d'apprentissage automatique pour réaliser l'apprentissage automatique.

Problème de mise à la terre du symbole

Même si vous connaissez le motif que "les pommes sont rouges et ont un rayon d'environ 5 cm" Il identifie à tort une boule rouge de 5 cm comme une pomme. De cette façon, le problème est que les caractères (symboles) ne peuvent pas correspondre à la réalité.

Méthodes d'apprentissage automatique

Apprendre avec un enseignant

"L'apprentissage enseigné" est l'une des méthodes typiques de l'apprentissage automatique. Dans ce cas, «enseignant» fait référence à «l'étiquette de réponse correcte attachée aux données».

Le mécanisme est après l'apprentissage avec des «données d'apprentissage» et en donnant une réponse en utilisant une méthode appelée «algorithme d'apprentissage automatique». Regardez la bonne réponse, «l'étiquette de réponse correcte» et faites correspondre les réponses.

Les données dans lesquelles les «données d'apprentissage» et «l'étiquette de réponse correcte» sont combinées sont appelées «données d'apprentissage étiquetées (données de l'enseignant)».

image.png

L '«étiquette correcte» est l'étiquette de réponse pour les données. "5" est attaché comme étiquette de réponse correcte aux données d'image des caractères manuscrits des données ①. Et les données ② sont des données d'image vagues d'un cheval, et «cheval» est l'étiquette de réponse correcte.

La technologie permettant de reconnaître les images de cette manière est appelée "reconnaissance d'image" et est une spécialité de l'apprentissage profond.

D'autre part, les données ③ ne sont pas une image mais du texte, et l'étiquette de réponse correcte est également le texte "Natsume Soseki". Cette technique est appelée "traitement du langage naturel". Lors de l'apprentissage du traitement du langage naturel, il est nécessaire de préparer un ensemble de données pour chaque langue.

Le flux d'apprentissage avec un enseignant est le suivant.

1, entrez plusieurs données d'enseignant sur l'ordinateur et apprenez le modèle de modèle des données 2, entrez d'autres données d'enseignant dans le modèle formé et vérifiez la sortie. 3, prédire comment les nouvelles données seront classées à partir du modèle formé La base de l'apprentissage supervisé est de pouvoir distinguer.

Problème de classification

Données (1) à (3) qui prédisent finalement la catégorie

Problème de retour

Un problème qui prédit des valeurs numériques telles que le loyer sur la base de données quantitatives telles que des données ④ est appelé un «problème de retour».

Apprendre sans professeur

Alors qu'il y a un enseignant appelé l'étiquette de réponse correcte dans l'apprentissage supervisé Il n'y a pas d'enseignant dans l'apprentissage non supervisé. Dans l'apprentissage non supervisé, l'ordinateur lui-même trouve des similitudes et des régularités à partir des données données. Apprenez le modèle.

Par conséquent, dans le cas d'un apprentissage non supervisé, il n'y a pas de réponses correctes ou incorrectes.

image.png

Vous pouvez voir qu'il y a trois groupes aux points de la figure. Pour que l'ordinateur reconnaisse ces trois groupes Nous utilisons une technique appelée clustering, qui consiste en un apprentissage non supervisé. Le clustering permet le regroupement de données.

L'apprentissage non supervisé est utilisé pour dériver la loi des données et la regrouper. Dans l'analyse réelle, plusieurs méthodes sont souvent utilisées en combinaison, comme indiqué ci-dessous.

Clustering

Une caractéristique majeure est que les données peuvent être regroupées en fonction du degré de similitude entre les données d'entrée.

Analyse des composants principaux

L'analyse en composantes principales est une technique utilisée pour résumer (réduire les dimensions) d'une grande variété de données. Il a l'avantage de faciliter la compréhension des tendances et des caractéristiques des données.

Analyse d'association

C'est une méthode pour trouver une règle de données telle que "Les données qui s'appliquent à un modèle s'appliquent également à un autre modèle". L'analyse d'association est utilisée pour des recommandations telles que «Les personnes qui voient ce produit achètent ce produit» que vous pouvez voir dans les boutiques en ligne.

De cette manière, l'apprentissage non supervisé est utilisé pour dériver et regrouper les règles de données. Dans l'analyse réelle, plusieurs méthodes sont souvent utilisées en combinaison.

Renforcer l'apprentissage

L'apprentissage intensifié est une méthode pour maximiser les profits et est un apprentissage automatique autonome qui ne nécessite pas d'étiquettes correctes ou de grandes quantités de données. Récemment, il est souvent combiné avec un apprentissage en profondeur, comme des programmes de compétition tels que des jeux. Il est utilisé pour les programmes de contrôle des robots marcheurs.

Les mots-clés suivants apparaîtront dans l'apprentissage amélioré.

Pour expliquer, dans l'apprentissage par renforcement, un agent (sujet agissant) acquiert et observe un environnement donné et agit. Et nous maximiserons la valeur de la récompense (résultat) obtenue par le changement d'environnement dû à l'action. Les agents apprennent de manière autonome en répétant les décisions par essais et erreurs afin d'obtenir des récompenses de plus grande valeur.

image.png

En tant que légende, apprenez et développez de meilleurs résultats dans des jeux de société tels que Go.

Recommended Posts

Introduction à l'apprentissage automatique
Une introduction à l'apprentissage automatique
Super introduction à l'apprentissage automatique
Introduction à la rédaction de notes d'apprentissage automatique
Présentation de la bibliothèque d'apprentissage automatique SHOGUN
Introduction à l'apprentissage automatique: fonctionnement du modèle
Une introduction à OpenCV pour l'apprentissage automatique
Une introduction à Python pour l'apprentissage automatique
[Python] Introduction facile à l'apprentissage automatique avec python (SVM)
[Super introduction à l'apprentissage automatique] Découvrez les didacticiels Pytorch
[Mémorandum d'apprentissage] Introduction à vim
[Super introduction à l'apprentissage automatique] Découvrez les didacticiels Pytorch
Introduction au Deep Learning ~ Règles d'apprentissage ~
Apprentissage par renforcement profond 1 Introduction au renforcement de l'apprentissage
Introduction au Deep Learning ~ Rétropropagation ~
Introduction à l'apprentissage automatique à partir de Simple Perceptron
Introduction à l'apprentissage en profondeur ~ Approximation des fonctions ~
Introduction au Deep Learning ~ Propagation vers l'avant ~
Introduction à l'apprentissage profond ~ Expérience CNN ~
Comment collecter des données d'apprentissage automatique
Introduction à MQTT (Introduction)
Introduction à Scrapy (1)
Introduction à Scrapy (3)
[Introduction] Renforcer l'apprentissage
Premiers pas avec Supervisor
Introduction à Tkinter 1: Introduction
Introduction à l'apprentissage automatique avec scikit-learn - De l'acquisition de données à l'optimisation des paramètres
Introduction à PyQt
Introduction à Scrapy (2)
[Linux] Introduction à Linux
Introduction à Scrapy (4)
Introduction à discord.py (2)
Apprentissage automatique pour apprendre avec Nogisaka 46 et Keyakizaka 46 Partie 1 Introduction
[Memo] Apprentissage automatique
Classification de l'apprentissage automatique
Exemple d'apprentissage automatique
scikit-learn Comment utiliser le résumé (apprentissage automatique)
Enregistrez les étapes pour comprendre l'apprentissage automatique
Introduction au Deep Learning ~ Pliage et mise en commun ~
Comment profiter de Coursera / Machine Learning (semaine 10)
Introduction à Machine Learning-Hard Margin SVM Edition-
Introduction aux bases de Python de l'apprentissage automatique (apprentissage non supervisé / analyse principale)
Avant l'introduction à l'apprentissage automatique. ~ Technologie requise pour l'apprentissage automatique autre que l'apprentissage automatique ~
Mémo d'apprentissage Python pour l'apprentissage automatique par Chainer Chapitre 10 Introduction à Cupy
[Introduction au style GAN] Apprentissage unique de l'animation avec votre propre machine ♬
Mémo d'apprentissage Python pour l'apprentissage automatique par Chainer Chapitre 9 Introduction à scikit-learn
Résumé du didacticiel d'apprentissage automatique
Apprentissage automatique sur le surapprentissage
Essayez de prédire la demande de puissance par l'apprentissage automatique
Apprentissage automatique ⑤ Résumé AdaBoost
Apprentissage automatique: supervisé - AdaBoost
Régression logistique d'apprentissage automatique
[Introduction à l'apprentissage automatique] Jusqu'à ce que vous exécutiez l'exemple de code avec chainer
[Introduction à StyleGAN2] Apprentissage indépendant avec 10 visages d'anime ♬
Premiers pas avec le Web Scraping
Introduction aux baies non paramétriques
Mémo d'étude Python & Machine Learning ②: Introduction de la bibliothèque
Machine de vecteur de support d'apprentissage automatique