MachineLearning をテンプレートにして作成

開始行:
*機械学習 Machine Learning ~ 機械学習（Machine Learning：ML） とは、データサイエンス、... 生成系AI（Generative AI）に利用されている Transformer も... -Discriminative AI：認識系AI / 識別系AI（文字・音声・画像... -Generative AI：生成系 AI（文章生成・楽曲生成・画像生成） 機械学習においてコンピュータに与えるのは、学習ルールと、... このときコンピュータの中に自動的に出来上がる「入力と出力... 従来、物事の判別は人手によるプログラミング（ if 条件文）... 機械学習で可能になるのは大きく３つ、「予測」「発見」「生... -予測：過去のデータから未知のデータに対する予測を行う（教... -発見：過去のデータから未知のパターンを発見する（教師なし） -生成：過去のデータと条件入力から「それらしい」パターンを... //モデルの生成には、以下のような手法があり、どの手法を用... ~ ***CONTENTS #contents2_1 ~ **はじめに ***機械学習の位置づけ 「機械学習」の周辺には、データサイエンス、データマイニン... 機械学習と[[データマイニング>DataMining]]の関係ですが、機... 両者の目的の違いから言うと、機械学習の主目的（昨今の話題... ~ ***機械学習のイメージ 従来のAI（エキスパートシステム）と何が違うのか、そのイメ... #image(ML.jpg) ~ ***機械学習の応用先 -予測：数値予測、ニーズ・意図予測、マッチングなど -識別：情報の判断・仕分け・検索、音声・画像の認識、異常検... -実行：作業の自動化、表現生成、行動の最適化など ~ ~ **機械学習のタイプ 機械学習には、大きく４つのタイプがあります。 ~ ***教師あり学習｜Supervised learning 教師あり学習とは、学習のときに正解のラベルを使う手法で、'... 今最も実用化が進んでいるのがこの分野です。要するに、大量... ~ ***教師なし学習｜Unsupervised Learning 教師なし学習とは、学習のときに正解のラベルを使わずに、機... ~ ***半教師あり学習｜Semi-supervised learning 半教師あり学習とは、学習の際に少量の正解ラベルつきデータ... ~ ***強化学習｜Reinforcement learning 強化学習とは、正解ラベルの代わりに「報酬」を使う手法です... ~ ~ **教師あり学習の手法 大きく２種類、主にカテゴリを予測する「分類（クラス分類）... ~ ***分類 分類（クラス分類）とは、あるサンプルが与えられたときに、... -''ロジスティック回帰''　＞　詳細：[[LogisticRegression]] &small(注）「回帰」という文字を使いますが、「分類」の手法... -''サポートベクターマシン''　＞　詳細：[[SupportVectorMac... -''決定木''　＞　詳細：[[DecisionTree]] -''ランダムフォレスト''　＞　詳細：[[RandomForest]] -''ニューラルネットワーク''　＞　詳細：[[NeuralNetwork]] &small(ディープラーニングはこの技術の応用（中間層を増やし... ~ ***回帰 回帰とは、あるサンプルが与えられたときに、そのサンプルに... -''線形回帰''　＞　詳細：[[LinearRegression]] -非線形回帰 -以下、回帰の手法としても用いられます --サポートベクターマシン --ランダムフォレスト --ニューラルネットワーク ~ ~ **教師なし学習の手法 ***クラスタリング クラスタリングはサンプルを自動的にグループ分けする手法で... クラスタリングでは「いくつに分けるか」という「分類数」の... -''k-means''　＞　詳細：__[[k-means]]__ ~ ***次元削減（次元圧縮） 次元削減とは文字通り「データの次元数を減らす」ことですが... 一般に、説明変数（特徴量）が多いと、対象を捉えて識別する... -''主成分分析（PCA）''　＞　詳細：__[[Statistics/PCA]]__ -ニューラルネットワーク（オートエンコーダー系） ~ ~ **用語解説 ***説明変数と目的変数 関数モデルを '''y = f(X) ''' と書いた場合の、X が説明変数... -説明変数：explanatory variable 物事の原因となる変数。一般に X を使います。文献によってい... --特徴量　　feature / attribute --予測変数　predictor variable --独立変数　independent variable -目的変数：target variable 物事の結果（予測）となる変数。一般に y を使います。文献に... --ラベル　　label --応答変数　response variable --従属変数　dependent variable -付記：X vs Y の組み合わせは、以下のパターンが多いようで... --説明変数 vs 目的変数 --特徴量 vs ラベル --予測変数 vs 応答変数 --独立変数 vs 従属変数 ~ ***学習用データとテストデータ 機械学習（教師あり）では、手持ちのデータを「学習用データ... 　手持ちのデータを全て学習用データとして使うと、そのデー... 　データの分割には、以下のような方法があります。 -Hold-out：全体を一定の比率（例えば７：３）で分割 -Cross Validation：全体をn個に分割して、n-1個を学習用、1... -Leave One Out：上記の特殊版。１個だけテストデータとして... ~ ***目的関数と損失関数 教師あり学習では、入力 x に対して成分 w を用いて目的関数 ... 　目的関数の最適化問題を解くことは、すなわち、損失関数（... 　例えば回帰問題では、一般に以下のような「二乗損失」を用... -目的関数：'''y = f ( w, x )''' -損失関数：'''L ( y , f ( w, x ) ) = ΣSUB{i}; ( ySUB{i}; ... ''参考''：損失関数、評価関数、誤差関数、コスト関数、目的... https://zenn.dev/nekoallergy/articles/machinelearning-func ~ ***活性化関数 ニューラルネットワークにおいて線形変換（重み付き入力の総... -中間層で用いる活性化関数 --''ステップ関数（形式ニューロン）'' 結果が閾値θよりも大きいか否かで、出力が単純に０または１の... ''' f( x ) = 0（x≦θ）, 1（x>θ）''' --''線形結合（単純パーセプトロン）'' 結果の値にバイアスを加えただけです。出力は線形連続になり... ''' f( x ) = ax + b''' --''シグモイド関数'' 入力した値が大きければ大きいほど1に近づき、小さければ小さ... '''f( x ) = 1 / ( 1 + exp(-x) )''' --''tanh関数'' 出力が−１から１なので出力がゼロになることでシグモイド関数... '''f( x ) = ( exp(x) - exp(-x) ) / ( exp(x) + exp(-x) )''' --''ReLU（ランプ関数）'' 入力が 0以下のときは 0、1より大きいときは入力をそのまま出... ''' f( x ) = 0（x＜θ）, x（x≧θ）''' あるいは　'''f( x ) ... -出力層で用いる活性化関数 --''ソフトマックス関数'' 各出力 f( xSUB{i}; ) の値をすべての '''i''' について合計... ''' f( xSUB{i}; ) = exp(xSUB{i};) / ΣSUB{j}; exp(xSUB{j};... --''恒等関数'' 最もシンプル、入力値をそのまま出力するものです。 '''f( x ) = x ''' ~ ***最適化アルゴリズム（オプティマイザ） ニューラルネットの文脈では、最適化とは「出力の誤差が最小... -[[SGD>Google:最適化 SGD]]：Stochastic Gradient Descent　... -[[Momentum>Google:最適化 SGD]] -[[Nesterov Accelerated Gradient>Google:最適化 Nesterov A... -[[Adaptive Learning Rate>Google:最適化 Adaptive Learning... Momentum法と異なり、学習率を自動調整することを目指したの... Adagrad, RMSProp, Adadelta, Adam, Adamax, Eve, -[[YellowFin>Google:最適化 YellowFin]] ~ ~ **APPENDIX ***関連ページ -[[DataScience]] -[[ArtificialIntelligence]] -[[ArtificialIntelligence/Links]] -[[Data]] -[[Statistics]] -[[DataVisualization]] -[[MachineLearning]] --[[DecisionTree]] --[[k-means]] --[[LinearRegression]] --[[LogisticRegression]] --[[MultipleCorrespondenceAnalysis>Statistics/MCA]] --[[NeuralNetwork]] --[[PrincipalComponentAnalysis>Statistics/PCA]] --[[RandomForest]] --[[SupportVectorMachine]] -[[DataMining]] -[[Python]] --[[Pandas]] --[[scikit-learn]] -[[GoogleColaboratory]] -[[Orange]] -[[OpenData]] ~ ~

終了行:
*機械学習 Machine Learning ~ 機械学習（Machine Learning：ML） とは、データサイエンス、... 生成系AI（Generative AI）に利用されている Transformer も... -Discriminative AI：認識系AI / 識別系AI（文字・音声・画像... -Generative AI：生成系 AI（文章生成・楽曲生成・画像生成） 機械学習においてコンピュータに与えるのは、学習ルールと、... このときコンピュータの中に自動的に出来上がる「入力と出力... 従来、物事の判別は人手によるプログラミング（ if 条件文）... 機械学習で可能になるのは大きく３つ、「予測」「発見」「生... -予測：過去のデータから未知のデータに対する予測を行う（教... -発見：過去のデータから未知のパターンを発見する（教師なし） -生成：過去のデータと条件入力から「それらしい」パターンを... //モデルの生成には、以下のような手法があり、どの手法を用... ~ ***CONTENTS #contents2_1 ~ **はじめに ***機械学習の位置づけ 「機械学習」の周辺には、データサイエンス、データマイニン... 機械学習と[[データマイニング>DataMining]]の関係ですが、機... 両者の目的の違いから言うと、機械学習の主目的（昨今の話題... ~ ***機械学習のイメージ 従来のAI（エキスパートシステム）と何が違うのか、そのイメ... #image(ML.jpg) ~ ***機械学習の応用先 -予測：数値予測、ニーズ・意図予測、マッチングなど -識別：情報の判断・仕分け・検索、音声・画像の認識、異常検... -実行：作業の自動化、表現生成、行動の最適化など ~ ~ **機械学習のタイプ 機械学習には、大きく４つのタイプがあります。 ~ ***教師あり学習｜Supervised learning 教師あり学習とは、学習のときに正解のラベルを使う手法で、'... 今最も実用化が進んでいるのがこの分野です。要するに、大量... ~ ***教師なし学習｜Unsupervised Learning 教師なし学習とは、学習のときに正解のラベルを使わずに、機... ~ ***半教師あり学習｜Semi-supervised learning 半教師あり学習とは、学習の際に少量の正解ラベルつきデータ... ~ ***強化学習｜Reinforcement learning 強化学習とは、正解ラベルの代わりに「報酬」を使う手法です... ~ ~ **教師あり学習の手法 大きく２種類、主にカテゴリを予測する「分類（クラス分類）... ~ ***分類 分類（クラス分類）とは、あるサンプルが与えられたときに、... -''ロジスティック回帰''　＞　詳細：[[LogisticRegression]] &small(注）「回帰」という文字を使いますが、「分類」の手法... -''サポートベクターマシン''　＞　詳細：[[SupportVectorMac... -''決定木''　＞　詳細：[[DecisionTree]] -''ランダムフォレスト''　＞　詳細：[[RandomForest]] -''ニューラルネットワーク''　＞　詳細：[[NeuralNetwork]] &small(ディープラーニングはこの技術の応用（中間層を増やし... ~ ***回帰 回帰とは、あるサンプルが与えられたときに、そのサンプルに... -''線形回帰''　＞　詳細：[[LinearRegression]] -非線形回帰 -以下、回帰の手法としても用いられます --サポートベクターマシン --ランダムフォレスト --ニューラルネットワーク ~ ~ **教師なし学習の手法 ***クラスタリング クラスタリングはサンプルを自動的にグループ分けする手法で... クラスタリングでは「いくつに分けるか」という「分類数」の... -''k-means''　＞　詳細：__[[k-means]]__ ~ ***次元削減（次元圧縮） 次元削減とは文字通り「データの次元数を減らす」ことですが... 一般に、説明変数（特徴量）が多いと、対象を捉えて識別する... -''主成分分析（PCA）''　＞　詳細：__[[Statistics/PCA]]__ -ニューラルネットワーク（オートエンコーダー系） ~ ~ **用語解説 ***説明変数と目的変数 関数モデルを '''y = f(X) ''' と書いた場合の、X が説明変数... -説明変数：explanatory variable 物事の原因となる変数。一般に X を使います。文献によってい... --特徴量　　feature / attribute --予測変数　predictor variable --独立変数　independent variable -目的変数：target variable 物事の結果（予測）となる変数。一般に y を使います。文献に... --ラベル　　label --応答変数　response variable --従属変数　dependent variable -付記：X vs Y の組み合わせは、以下のパターンが多いようで... --説明変数 vs 目的変数 --特徴量 vs ラベル --予測変数 vs 応答変数 --独立変数 vs 従属変数 ~ ***学習用データとテストデータ 機械学習（教師あり）では、手持ちのデータを「学習用データ... 　手持ちのデータを全て学習用データとして使うと、そのデー... 　データの分割には、以下のような方法があります。 -Hold-out：全体を一定の比率（例えば７：３）で分割 -Cross Validation：全体をn個に分割して、n-1個を学習用、1... -Leave One Out：上記の特殊版。１個だけテストデータとして... ~ ***目的関数と損失関数 教師あり学習では、入力 x に対して成分 w を用いて目的関数 ... 　目的関数の最適化問題を解くことは、すなわち、損失関数（... 　例えば回帰問題では、一般に以下のような「二乗損失」を用... -目的関数：'''y = f ( w, x )''' -損失関数：'''L ( y , f ( w, x ) ) = ΣSUB{i}; ( ySUB{i}; ... ''参考''：損失関数、評価関数、誤差関数、コスト関数、目的... https://zenn.dev/nekoallergy/articles/machinelearning-func ~ ***活性化関数 ニューラルネットワークにおいて線形変換（重み付き入力の総... -中間層で用いる活性化関数 --''ステップ関数（形式ニューロン）'' 結果が閾値θよりも大きいか否かで、出力が単純に０または１の... ''' f( x ) = 0（x≦θ）, 1（x>θ）''' --''線形結合（単純パーセプトロン）'' 結果の値にバイアスを加えただけです。出力は線形連続になり... ''' f( x ) = ax + b''' --''シグモイド関数'' 入力した値が大きければ大きいほど1に近づき、小さければ小さ... '''f( x ) = 1 / ( 1 + exp(-x) )''' --''tanh関数'' 出力が−１から１なので出力がゼロになることでシグモイド関数... '''f( x ) = ( exp(x) - exp(-x) ) / ( exp(x) + exp(-x) )''' --''ReLU（ランプ関数）'' 入力が 0以下のときは 0、1より大きいときは入力をそのまま出... ''' f( x ) = 0（x＜θ）, x（x≧θ）''' あるいは　'''f( x ) ... -出力層で用いる活性化関数 --''ソフトマックス関数'' 各出力 f( xSUB{i}; ) の値をすべての '''i''' について合計... ''' f( xSUB{i}; ) = exp(xSUB{i};) / ΣSUB{j}; exp(xSUB{j};... --''恒等関数'' 最もシンプル、入力値をそのまま出力するものです。 '''f( x ) = x ''' ~ ***最適化アルゴリズム（オプティマイザ） ニューラルネットの文脈では、最適化とは「出力の誤差が最小... -[[SGD>Google:最適化 SGD]]：Stochastic Gradient Descent　... -[[Momentum>Google:最適化 SGD]] -[[Nesterov Accelerated Gradient>Google:最適化 Nesterov A... -[[Adaptive Learning Rate>Google:最適化 Adaptive Learning... Momentum法と異なり、学習率を自動調整することを目指したの... Adagrad, RMSProp, Adadelta, Adam, Adamax, Eve, -[[YellowFin>Google:最適化 YellowFin]] ~ ~ **APPENDIX ***関連ページ -[[DataScience]] -[[ArtificialIntelligence]] -[[ArtificialIntelligence/Links]] -[[Data]] -[[Statistics]] -[[DataVisualization]] -[[MachineLearning]] --[[DecisionTree]] --[[k-means]] --[[LinearRegression]] --[[LogisticRegression]] --[[MultipleCorrespondenceAnalysis>Statistics/MCA]] --[[NeuralNetwork]] --[[PrincipalComponentAnalysis>Statistics/PCA]] --[[RandomForest]] --[[SupportVectorMachine]] -[[DataMining]] -[[Python]] --[[Pandas]] --[[scikit-learn]] -[[GoogleColaboratory]] -[[Orange]] -[[OpenData]] ~ ~

ページ名: