1. 第9回:機械学習の初歩2(テキスト分類、強化学習)
  2. 機械学習2
  3. 前回(Session 8)のwrap up
  4. 今日のpick up questions(1)
  5. 今日のpick up questions(2)
  6. 今日のpick up questions(3)
  7. Cost trend of technologies regarding Internet of Things
  8. From terminals to sensors
  9. 今日のpick up questions(3)
  10. もし、AlphaGoが対局中に火事になったら
  11. AlphaGoは燃えてしまうまで碁を打ち続ける
  12. いまのAIは本質的にイミを理解していない
  13. アウトプットを目的としない経験がイミを創る
  14. 単細胞生物にすら意志はある
  15. 知覚と意思の問題は既存のAIの進歩とは別の話
  16. AIにまつわる誤解を解く必要がある
  17. 今日のpick up questions(4)
  18. 画像認識・識別は深層学習がもたらした最大のインパクトの1つ
  19. 医療用画像の解析により病気を検知
  20. 一筆見ただけで贋作を見破る
  21. レアな遺伝病を顔写真だけから診断する
  22. ジェスチャーだけでキカイへの指示が可能に
  23. 歩き方だけからその人が誰かや認知症が判定可能に
  24. 画像検索の意味が根本的に変容
  25. 顔認証技術が急速に進化
  26. 顔認証技術のユニコーン企業が誕生
  27. 双子まで明確に判別する
  28. 政府と連携し、大量データでアルゴリズムを強化
  29. 利便性を強みとする認証方式が飛躍的に精度を高めてデファクトになる可能性
  30. 機械学習初歩2(強化学習)
  31. 今日のpick up questions(5)
  32. ルールベースと機械学習(1)
  33. ルールベースと機械学習(2)
  34. ルールベースと機械学習(3)
  35. ルールベースと機械学習(4)
  36. ルールベースと機械学習(5)
  37. ルールベースと機械学習(6)
  38. ルールベースと機械学習(7)
  39. 特徴量の生成
  40. テキストデータの特徴(1)
  41. テキストデータの特徴(2)
  42. 知恵袋の質問の自動カテゴリ分類(1)
  43. テキストデータの特徴量化
  44. 単語を特徴量として利用する(1)
  45. 単語を特徴量として利用する(2)
  46. 特徴量の数=学習データの中にある単語数
  47. 知恵袋の質問の自動カテゴリ分類(2)
  48. 知恵袋の質問の自動カテゴリ分類(3)
  49. 良い特徴量をつくってあげないと高い精度はでない
  50. 知恵袋の質問の自動カテゴリ分類(3)
  51. 良い特徴量をつくってあげないと高い精度はでない
  52. bag of wordsの限界
  53. 課題
  54. 再掲:課題は「ヤフーに訪れたユーザーの性別の推定」
  55. 再掲:使える情報はヤフーの各サービスの訪問記録
  56. 再掲:課題用のデータ
  57. 特徴量の工夫 その1(1)
  58. 特に男女で利用傾向が異なるサービス
  59. 特徴量の工夫 その1(2)
  60. 特徴量の工夫 その1(3)
  61. 特徴量の工夫 その2(1)
  62. 特徴量の工夫 その1(2)
  63. 特徴量の工夫 その2(1)
  64. なぜ0 or 1の特徴量のほうが正解率がよかったのか
  65. 特徴量の工夫 その2(2)
  66. 特徴量の工夫 その2(3)
  67. 特徴量の工夫 その3(1)
  68. このデータでは男女の訪問時間に以下のような差があった
  69. 特徴量の工夫 その3(2)
  70. 以下の修正を行ったプログラム
  71. 何時、ではなく何時何分という特徴量でもいいのではないか?
  72. 特徴量の工夫 その3(2)
  73. 1回ごとの訪問履歴をそのまま特徴量にするのはダメ
  74. 正解率のまとめ
  75. 正解率67.9%の方(1名)
  76. 正解率70.3%の方(2名)
  77. 正解率71.9%の方(1名)
  78. 正解率71.8%はサービスに実際に使えるか?
  79. 強化学習
  80. 再掲:機械学習の手法(1)
  81. 再掲:機械学習の手法(2)
  82. 強化学習は機械に試行錯誤させる手法
  83. 報酬がもらえた行動は強化される(1)
  84. 報酬がもらえた行動は強化される(2)
  85. 報酬がもらえた行動は強化される(3)
  86. これを強化学習という
  87. DeepMind社の囲碁AI AlphaGoがトップ棋士を破る
  88. ドローン自動飛行
  89. 将来、こんなことも可能になる?
  90. 強化学習の身近な利用例:広告の出し分け
  91. 画像ごとにクリック確率が異なる
  92. 教師あり学習(回帰問題)でクリック確率を予測するのは難しい
  93. 強化学習の枠組みでとらえる
  94. このような問題設定を多腕バンディット問題という
  95. 多腕バンディット問題を解くための強化学習の手法
  96. ε-Greedy法(1)
  97. ε-Greedy法(2)
  98. ε-Greedy法(3)
  99. ε-Greedy法(4)
  100. ε-Greedy法(5)
  101. ε-Greedy法(6)
  102. ε-Greedy法(7)
  103. ε-Greedy法(8)
  104. 課題
  105. 今日の課題は「より多い広告クリック回数の獲得」
  106. 問題の詳細
  107. 課題A:最適なεをさがせ
  108. 課題のヒント
  109. 課題A:最適なεをさがせ
  110. 課題のヒント
  111. 課題A:最適なεをさがせ
  112. 課題9-1
  113. 課題B:「環境」「行動」「報酬」の強化学習のフレームワークで解決できる問題を考える
  114. 課題9-1
  115. まとめ
  116. 質疑応答(1)
  117. 質疑応答(2)
  118. 質疑応答(3)