AIプロジェクト入門 ①AIの基礎知識とプロジェクト事例
このシリーズでは、スキルアップAI社の「AIプランニング・プロジェクト推進基礎講座」より、ビジネスパーソンが知っておくべき内容を抜粋してお送りします スキルアップAIは、それ以外にも入門、データ分析、AIエンジニア基礎、ビジネス、クラウド、AIエンジニア応用といったカテゴリで様々な講座を用意しています。 スキルアップAI株式会社 https://www.skillupai.com/open/
会員限定
割引情報をチェック!
すべての動画をフルで見よう!
初回登録なら7日間無料! いつでも解約OK
いますぐ無料体験へ
このシリーズでは、スキルアップAI株式会社の「データサイエンティスト基礎講座」より、ビジネスパーソンが知っておくべき内容を抜粋してお送りします。データサイエンティスト検定™ リテラシーレベルにも対応した内容となっています。
スキルアップAIは、入門、データ分析、AIエンジニア基礎、ビジネス、クラウド、AIエンジニア応用といったカテゴリで様々な講座を用意しています。
スキルアップAI株式会社
https://www.skillupai.com/open/
より理解を深め、他のユーザーとつながりましょう。
72人の振り返り
36271
営業
線形回帰について学ぶことができました。初めて聞く言葉が多くて少し戸惑いはありました。
1
k-akira
営業
線形回帰の理解と何が予測できるかがわかった
1
mihokado
販売・サービス・事務
線形回帰について学ぶことができました。初めて聞く言葉が多くて少し戸惑いはありました。でも、世の中はこのような形で予測をして成り立っているのだということも分かっておもしろいです
0
chikako_k
IT・WEB・エンジニア
明日の天気予報で、明日の売上が予測できるのは、とても良いと思いました。
0
yasunori-hpe
コンサルタント
線形回帰の数学式でシグマの前の1/2は右記の式を微分すると分子に2の整数が出てくる。やがて約分されるので意図的に1/2にしていると説明しているが、理解できない。
だったら2を残しても良い気がするが…
0
makidayo
IT・WEB・エンジニア
線形回帰についてわかりやすかった。
0
yokoishida
コンサルタント
予測に使ってみようと思いました。
0
whamu
その他
線形回帰は一次関数に近づける学習法。パラメーターは複数設定できて、評価基準との2乗誤差の和で性能評価する。
0
atoka
マーケティング
概要について分かったように思うが、担当業務にどのように生かすべきか考えたい。
0
takumi_1453
経営・経営企画
線形回帰
例題:小売店で商品の売上と来店客数の関
係を調査
→来店客数から商品売上予測するモ
デルを作る
↓
・来店客数と商品売上の分布に直線を引く
・機械学習では直線を以下のように表現
yハット(x;w)=wEXPTx=w0+w1x1
→この手法を線形回帰と呼ぶ☆☆☆
yハット(x;w)
→モデルの出力(目的変数)
→ある重みwのときに、入力(説明変
数)xに対する出力
*推定値なのでyに対してハットを付
けて表示
w=(w0、w1)EXPT
→パラメータ、学習により適切な値を取
得(最適化)する
x=(1、x1)EXPT
→モデルへの入力(説明変数)
wEXPTx
→ベクトルwの転置と入力ベクトルxの積
=スカラー値となる
来店客数以外に、売上に影響する要因も考慮して予測したい(気温、湿度、知名度etc)
→説明変数を多次元に拡張
w0+x1w1
↓
wEXPTx=Σwixⅰ=w0+w1x1・・wPxP
モデルの評価基準
■パラメータwを最適化するために、評価
基準を設定
■二乗誤差を評価基準とする☆☆☆
■wは二乗誤差の総和が小さくなるように
最適化される
*誤差は+値、−値があるのでそのまま
足さずに二乗する
■二乗誤差の総和ED
・N個の学習データのもとで二乗誤差の
総和EDは次式で定義される
ED=1/2Σ(yハット(xEXP
(n);w)-yEXP(n))EXP2
xEXP(n):n番目のデータの説明変数
yEXP(n):n番目のデータの目的変数
=教師
学習結果
■モデルを得たら直観に反していないか必
ずチェック
→可視化してデータに重ねてみる、係数
をチェックする、など
パラメータの解釈
■線形回帰のパラメータは偏回帰係数と呼
ばれる☆☆☆
■偏回帰係数は、係数に対応した変数以外
の変数を固定し、その変数だけを動かし
たときに得られる目的変数の変化量を意
味する
y=w1x1+w2x2+w3x3・・・
固定→
■目的変数と説明変数をそれぞれ平均0、
標準偏差1に変換(標準化)した上で求
めた偏回帰係数を標準化偏回帰係数と呼
ぶ
・標準化偏回帰係数は同じ土俵で比較可
能
・係数が大きいx→yに影響が大きい
・係数が小さいx→yに影響が小さい
モデルの性能を表す指標
■決定係数
・予測によるバラつき(二乗誤差)が目
的変数のバラつきに比べてどれほど小
さいかを表す
・0以上1以下の実数をとり、1に近いほ
ど高性能
■重相関係数
・正解値(教師)と推定値(モデルの出
力)を用いて算出した相関係数
・重相関係数を二乗した値と決定係数は
結果的に等しくなる
まとめ
■各説明変数に重みを掛けて足し合わせる
シンプルなモデル
■適用例
気温から売上を予測する など
■モデル 線形回帰
評価基準 二乗誤差
最適化 最小二乗法
0
miura_ka
販売・サービス・事務
概要について分かったように思うが、業務にどのように持ち帰るか考えたい。
0
masato_86
専門職
内容がわかりやすかった。
0
yukofunada
販売・サービス・事務
応用問題でまだよく分かっていなかったところを理解することができました。
0
hr-sakai
その他
データが数式で表現できることを知った。今後、学習していきます。
0
yasu_1234
メーカー技術・研究・開発
線形回帰は基本だけど、表現できる事象は少ないと思う。
0
hitomi_aaaa
販売・サービス・事務
数学が嫌いなのでそこでもう嫌だな、、と見た目でなってしまったのでそんな難しいことじゃないはずと考え地道に習得していこうと思いました。身の回りのこれに活かせるのでは?というイメージすら数式が出てきてそこでつまづき浮かばなくなりました。
0
inyourmind
建設・土木 関連職
線形回帰では説明できる事象は少ないと感じています。
0
kenjiro_fujita
コンサルタント
売り上げ予測を線形解析を用いて構築する。
0
takamasa59
金融・不動産 関連職
線形回帰の考え方、計算式について理解した、
0
hfkd156036
金融・不動産 関連職
線形回帰を理解できた。
0
grateful
専門職
線形回帰を学びました。
0
koichi_seya
その他
モデルを用いた予測がどのようなロジックで行われているか一例を学べた。
0
naoki_sasano
メーカー技術・研究・開発
線形回帰とその評価手法についての考え方について理解できた。偏回帰係数についての考え方も理解できたが、具体的な求め方を示してほしかった。また説明変数の探索方法の説明も聞きたかった。
0
e_co
販売・サービス・事務
線形回帰について理解できたと思うが、実践で使う場面を考えたい。
0
user-name01
販売・サービス・事務
線形回帰の基本的なことがわかった。今後、書籍などで深く学習を進めたい。
0
haruka-
その他
線形回帰の基本的な用語と考え方を知った。実際データを取り扱わないと自分の知識として結びつくのは難しそう。
0
iso_ken
専門職
線形回帰で解析的に導出するという点では機械学習というイメージとつながった
0
7031
経営・経営企画
線形回帰の理解と何が予測できるかが分かるようになりました。
0
sui_
販売・サービス・事務
視聴回数が増えると納得度合いが上がってきました!
0
s-ma
経営・経営企画
線形回帰モデルの活用例について理解が深まった
0
sakurai_shingo
人事・労務・法務
業務で活用できそう。
0
kitano_wataru
IT・WEB・エンジニア
相関が低いデータの学習には向いていなさそうな感じがした。
0
cs1960
販売・サービス・事務
大変勉強になりました。
0
fukashi_uehara
メーカー技術・研究・開発
線形回帰について概要を勉強できた。
0
pinguino
販売・サービス・事務
新たに学ぶことばかりで理解が追いつかないので、再度視聴したい。
0
choko0504
メーカー技術・研究・開発
一般的なデータサイエンスの手法である線形回帰について学ぶことができた。一番利用シーンが多いと思われるので実務で利用する機会があれば活用したい。
0
stani
専門職
データ分析に線形回帰を使いバラツキを抑えることが重要である。
0
shirojpn
メーカー技術・研究・開発
線形回帰は、2次元までは、頭で理解できるが、3次元以降はどうしても
頭の理解がついていかなくなる。ただ、今回の説明はわかりやすかった。
また、線形回帰は解析法で値が求まるという説明は、更になるほどと思った。
0
take515
メーカー技術・研究・開発
線形回帰の基本的事項について確認できた。
0
t_htn
経営・経営企画
回帰分析の考え方が把握できた。
回帰分析の考え方を用いて、
目的に応じた影響度の高い要因を検討するように
したいと思う。
0
moco_fuwa
その他
少し難しい内容でしたが、繰り返し理解しようと思います。
0
ken222
営業
データから予測を立てる場合、線形回帰を使うことをイメージしシンプルな予測モデルを作ることを考えたい。
0
ta-mo-
IT・WEB・エンジニア
線形回帰のイメージがつきました。実際はきれいな線形にはならず、因子が何かを検討し、分類する必要があるのでは、と考えます。
0
michiyomichiyo
その他
数式の出し方がまだ理解しきれていないが、線形回帰についての理解のきっかけとなった
0
tsukamotoya
営業
興味が湧いてきました。学習をすすめてまいります。業務や日常において、どのように活用できるのか、考えながら復習していきます。
0
h-kozawa
メーカー技術・研究・開発
数学的観点での機械学習説明であり少々難しいものでしたが、イメージはつかめたと思います。
0
k_yuna
販売・サービス・事務
大変勉強になりました。
0
512177
資材・購買・物流
必要に応じて、データの利活用を考えたい
0
vz3000
IT・WEB・エンジニア
線形回帰の概要、計算式について理解を深めることができた。
0
yoshikazu-1103
営業
仕事の中で、件数とそれに伴う実績など『件数が多ければ実績もそれに伴っているか?』いろいろな観点から実装してみたいと思います。
0
k_k_ai
メーカー技術・研究・開発
最小二乗法と線形回帰の機械学習の関係が良く理解できました
0
vegitaberu
人事・労務・法務
単回帰分析のメカニズムを復習することができたと思います。と同時に、こんな単純な分析は、実際にはないと思いますので、ここでつな図数、先に進みたいと思います。
0
test_test___
メーカー技術・研究・開発
線形回帰について概要を知った。実際に使ってみてより理解を深めたい
0
70sp1208
その他
AIを習得するには、今回学んだ統計の知識も重要であることがわかった。学生時代に習ったことがこういった場面で活かされることを知り、もう一度復習してAIについて理解を深めたい。
0
watanabe-tat
専門職
重相関係数を使って、重回帰分析の決定係数を判断したい。
0
madogiwazoku
その他
素人には難しすぎました。頭が痛いです。鼻血もでそうです。
0
hi-std
IT・WEB・エンジニア
線形回帰について学ぶことができました。
0
i_mura888
金融・不動産 関連職
将来予測に役立ちます。
0
pomu77
IT・WEB・エンジニア
専門的な用語が多くて難しかったが、理解出来ました。
0
sesesese
その他
パラメータの値に意味を見出せるところが素人にはありがたい。
0
shin_yako
販売・サービス・事務
参考になりました。実務での活用を検討します
0
gary-a
マーケティング
マーケティングの分析手法の一つとして活用を考えていきたいです。例えば製品について機種毎の市場価格の分析など
0
pon0829
その他
前提がこれですと説明されても
それがなぜなのか?がわからないので
理解が容易にできない
0
kazumi_100pot
金融・不動産 関連職
線形回帰については、理論としては理解できるのですが、しっかりと頭に入ってこない感じがします。もう一度復習してみたと思います。
0
yasupii
その他
線形回帰のパラメーターの影響度について、その値の大きさで評価できそうだと直感的に思っていました。本講座で、単純にその大きさを比べるのではなく、標準化をしておくことが必要だと学びました。そのことを忘れずに活用したいと思います。
0
taka1962
販売・サービス・事務
線形回帰はエクセルでもできるので、今後積極的にやってみたいと思います。
0
kuro-a
IT・WEB・エンジニア
数式の表現がとっつきにくい感じを出していましたが、なにを議論しているのかを確認するだけの下地になるかなと思いました
0
konbass8
金融・不動産 関連職
線形回帰のグラフは理解できた。一方で計算式はやや難しく理解が追いつかなかったので復習したい
0
matute
IT・WEB・エンジニア
線形回帰を用いて、売上に対する相関ある変数を定量的に可視化して導きだすのに有効だと感じた。
0
suzuqp
IT・WEB・エンジニア
線形回帰の基礎を復習できた。
0
kk1000
販売・サービス・事務
始めて学ぶ内容だったので理解まで追いついていませんが、
様々な予測に使えることはイメージできました。
0
k--g--
その他
単回帰分析と重回帰分析の差異(結果の評価)に気づくことが出来ました。
0