機械学習⑦教師あり学習の代表的な手法／データサイエンス入門

stani

0

参考にさせていただきます。

7031

0

手法を選択し、分析データを最適に分類や回帰し、意味のある分析をしたいと思いました。

koichi_seya

0

ニューラルネットワークと行列の活用イメージが理解できた

matute

0

教師あり学習にはさまざまな手法があることを学んだ。どの様な場合にどの手法を選べばよいのか、実践を通して学んでいきたい

mainichi365

0

勉強になりました。ありがとうございました。

user-name01

0

機械学習の様々な方法を学んだ。決定木やニューラルネットワークの考え方は機械学習に限らず、活用できそうだと感じた。

36271

0

ニューラルネットワークについては新しい知識として面白いと思いました。

yasupii

0

機械学習には色々な種類があり、回帰や分類に応じて、何が使えるのかが異なることが分かりました。またニューラルネットワークは複雑なモデルが作れる反面、なぜその予測が導かれたかの説明が難しいことも分かりました。その辺りを踏まえて、どのような機械学習の手段を使うのかを考えていきたいと思います、

choko0504

0

ニューラルネットワーク等、機械学習の有名な手法について学習することができた。利用する機会があれば利用したい。

kenjiro_fujita

0

ニュラルネットワークの仕組みを理解することができた。

wada00

0

機械学習の教師あり学習の手法の仕組みが理解できた。

ken222

0

教師あり学習の代表的な手法をしっかり覚えたい。

hfkd156036

0

教師あり学習の手法の仕組みが理解できた。

sesesese

0

用語を順序だてて、理解できた

miura_ka

0

考え方を学習できた。一部の要素は問題解決の考え方とも近く覚えやすかった。

ck27

0

機械学習において手法が複数あり、自分の扱いたいデータにより
使うものを考えながら使用していく必要があるが
実際に使うことで慣れていきたい

take515

0

教師あり学習の代表的手法の概要について確認できた。

shirojpn

0

教師有り学習のその他の代表的な手法の概略を理解する事が出来た。
実際に活用する際の理解の手助けになったと思う。

kk1000

0

どのような場合にどの学習モデルを使えばいいのか、まだイメージが湧かなかったです。

tsuyoshi_asano

0

ニューラルネットワークを用いた予測の結果は理由を説明しづらいのに、Open AIやAnthlopicなどはPolitical Correctnessをユーザー(又は批評家?)求められる訳だが、こういう場合は隠れ層を増やして望ましくない結果をはじくのか、どのように処理を追加しているのか気になった。

また、学習結果が望ましくないケースは人の数だけ常にあり得るので、誰の倫理観をどのように注入して学習していくのか、というのは興味深い。

vegitaberu

0

基本は理解できていたと思う部分でしたが、忘れてかけていた部分を復習できました。ただ、実践で使う場面がほとんどないので、実際に使う部分を作っていけたらと思っています。

madogiwazoku

0

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。

pomu77

0

回帰と分類するために使われる機械学習の手法について理解できました。。

h_kawa

0

アンサンブル学習、バギング、ランダムフォレスト、ディープラーニング、ニューラルネットワークなど教師あり機械学習の手法について学んだが、どのような場合にどの学習モデルを使えばいいのか、それぞれの長所と短所についてさらに理解が必要と感じた。

suzuqp

0

手法の違いが少し理解できました。やりたいことが分類なのか回帰なのか明確にして利用したいです。

taka1962

0

決定木の考え方は、日常の業務で無意識に使っている手法だとわかりました。この講義で、その考え方を理論的に習得することができたので、いままで以上に活用したいと思います。

k_k_ai

0

今までわかっていなかったk近傍法、決定木、ランダムフォレストなどの手法の
具体的なイメージが分かって良く理解することができました。
学会の発表で良く聴く言葉なので、講演内容の理解が深まると思います。

michiyomichiyo

0

一度聞いただけでは理解しきれないので何度か見直ししていこうと思う

haruka-

0

様々な機械学習の手法があると学んだ。検証方法を複数組み合わせる方法など新たな学びがあった。

test_test___

0

教師あり学習の様々な手法とその特徴について知ることができた。

s-ma

0

教師あり学習の手法について理解が深まった

i_mura888

0

AIモデル作成の際に役立つ

inyourmind

0

「ディープ」に定義がないというのは意外だった。

cs1960

0

大変勉強になりました。

moco_fuwa

0

教師あり学習の代表手法の概要を学習できた

fukashi_uehara

0

ニューラルネットワークについての概要を理解する事が出来ました。今後はその応用についても学んでいきたいと思います。

makidayo

0

ディープラーニングについてより深く理解することができて有益でした。

atsushi_komaki

0

ＤＳ検定リテラシーレベルのために。

yokoishida

0

ニューラルネットワークの具体例なかったのでイメージが湧きません。

toshi-iwai

0

バキングをブートストラップして決定木で学習するとか色々奥が深いので復習したいと思います。

4ktake

0

言葉の意味が理解できるようになってきた

pinguino

0

よく理解できた。実際に使う際には、適切な手法を選択できるようにしたい。

sakurai_shingo

0

業務に活用できそう。

hi-std

0

何度か復習をする必要があると思った

sawa-jun

0

教師あり学習の手法について学ぶことができました

tsukamotoya

0

決定木（けっていぎ・ディシジョンツリー・decision tree）とは、後述する分類木と回帰木を組み合わせたもので、ツリー（樹形図）によってデータを分析する手法です。機械学習や統計、マーケティングや意思決定などさまざまな分野で用いられます。業務に活かせるように努力致します。

70sp1208

0

ニューラルネットワークの仕組みについて、完全ではないが、仕組みを理解した。ただ、ニューラルネットワークに限らずＡＩを理解するには、数学の知識が必須で、数学を勉強しなければならないことを実感した。

yuki_nagato

0

機械学習の教師あり学習の手法の仕組みが理解できた。

saito0722

0

どの層の顧客に商品の需要があるか想定するとき

w_axl

0

興味がわいてきました　　更に詳しく学びたい欲求が出てきました

blueheater

0

日頃の業務において、見込みや予測を立てる場合に活用してみる。

jis46

0

初めて聞く単語ばかりで１回では理解できなかった。時間のある時に振り返りたいと思います。

ks070341

0

アンサンブル学習、バギング、ランダムフォレストなど知らない手法について学ぶことが出来た。業務の自動化にあたり，これらの特性を踏まえた適用がイメージされた。

h-kozawa

0

書籍で文字面のみ認識していましたが、今回明確に各手法の使い方・差異が理解できました。

hhmorimoto

0

機械学習手法について改めてわかりやすく説明いただき理解が深まりました
実務でも活用していきたいと思うと共に、更に勉強していきたいと思いました

lonfri

0

アンサンブル学習、バギング、ランダムフォレスト、ディープラーニング、ニューラルネットワークといった言語とその内容について
曖昧だったことが理解できた。

hiromichikawato

0

ありがとうございました。

e_co

0

実際にどの手法を用いれば最適なのか、場面場面で選択できるよう知識を深めたい。

takumi_1453

0

ハードな内容でした。。
後の説明を聞くと決定木とランダムフォレストを同列に手法として紹介するのは適切でない気がしますが、このあたりからも個々の手法開発が優先されていて全体像の整理が後回しになっている現状が伺えますね。


教師あり学習
　回帰専用
　→線形回帰
　分類専用
　→サポートベクトルマシン
　　ロジスティック回帰
　　（一応回帰にも使えるが制約多い）
　回帰・分類両対応
　→決定木
　　ランダムフォレスト
　　アダブースト
　　k近傍法
　　ニューラルネットワーク

k近傍法
　・新しい点に対しk個の近傍点を抽出
　・多数決（分類）や平均（回帰）を取る
　・kの値は交差検証法（or ホールドアウト法）で決める（汎化誤差が最小になる値）
　★年収と年齢から持家・借家の予測
　・「学習」過程が無いシンプルな仕組み
　データ点が多くなると計算時間がかかる

決定木
　・説明変数の軸に平行な境界線を複数引いて分類または回帰を行う
　・学習結果は木で表現
　・境界線は不純度が小さくなるように選ぶ
　（不純＝分類・回帰対象が混在する状態）
　・木の深さは交差検証法などにより決める
　★年収と年齢から持家・借家の予測
　・仕組みがシンプル・木構造なので予測結果の理由を説明しやすい
　・境界線を引きすぎる（枝を伸ばしすぎる）と過学習になりやすい
　★（回帰）延べ床面積、2階建てか、駅から徒歩5分圏内か、築十年未満か
　　→住宅価格を予測
　★（分類）キノコの形状、色などの特徴
　　→毒キノコの予測

アンサンブル学習
　・複数の教師あり学習の手法による学習済モデルの予測結果を組合せて汎化性能を改善
　・多様な組合せほど頑健な結果を得やすい
　・例　決定木＋ロジスティック回帰＋サポートベクトルマシン
　・代表的な手法の1つがバギング
　・バギング　bootstrap aggregating
　　・ブートストラップサンプルを用いて複数の学習器を並列に学習させる
　　・学習データN個からランダムサンプリングしたデータを各学習器の多数決（分類）や平均（回帰）から予測値を求める
　　・ブートストラップサンプル
　　　・ランダムサンプリング手法の1つ
　　　・N個のデータXからランダムにN個のデータを復元抽出し、新たにデータ集合X'を作る
　　　・L回の試行によりサイズNのデータ集合をLセット生成する
　　・ランダムフォレスト
　　　・バギングの1つ
　　　・学習器には決定木を使用
　　　・決定木の終端でないノードで境界線を引く際に用いる特徴をランダムに選択する事で多様な決定木を生成する（少しずつ違うモデルがたくさんできる事が大切）

ニューラルネットワーク
　・人間の神経回路網をモデル化
　・ノード（円）と線（エッジ）で表現
　・入力層x→ノード→隠れ層（重み掛け）→隠れ層（重み掛け）→、、、→出力層y
　・パラメータはエッジ上に存在＝線の数
　・NWを複雑にするほど表現力が高まり高性能モデル作りやすい
　・複雑なほどパラメータが多くなり学習に時間がかかる
　・層の数やノードの数など事前の検討要素が多い
　→事前に要検討の変数をハイパーパラメータと呼ぶ
　・予測結果に対して説明がしにくい
　・層の深いNNWをディープニューラルネットワークと呼ぶ
　　・ディープニューラルネットワークを用いた学習手法をディープラーニング（深層学習）と呼ぶ
　　・ディープの定義は無い

ta-mo-

0

教師あり学習の方法について、線形回帰、ロジスティック回帰以外に、様々あり、決定木は興味深い。そういう考え方があるのだと理解できた。

iwc_co

0

最初に方の内容は、事前学習がなかったためか、非常に理解しにくかった。とくに機械学習では何がポイントか理解に苦しんだ。もっと理解を深め必要がある。

grateful

0

ニューラルネットワークを学びました。

masato_86

0

アンサンブル学習、バギング、ランダムフォレストについては理解が進んだ

shin_yako

0

参考になりました。実務の活用を考えます

minamt

0

deep learning のオライリー本とかを読んでましたが、説明があるとやっぱりわかりやすいですね。

sales_supdoctor

0

教師あり学習の手法はビジネスシーンに合わせて回帰か分類が必要な場合に決定木、ランダムフォレスト、SVMなどの手法を選ぶことが多いと感じる。ニューラルネットワークでの結果は各ファクターの決め方によって様々な結果になりあるので、説明できる設定が難しいと感じた

y-arano

0

教師あり学習の代表的な手法を学ぶことができた。

toshiazeo

0

良く理解出来ました。

yoshikouc

0

業務で活用するには、目的と揃えられるデータとが大切だと思ってましたが、どの形で分析するかで結果が違ったりでなかったりすることがわかりました。

isobe2615p

0

だんだん込み入ってきたので、復習をよくしようと思います

fu-fu-fu

0

この動画でデータサイエンスについて学んだ。K近傍法、決定木、アンサンブル学習などの基本が学べた。特にニューラルネットワークの中の、ディープニューラルネットワークを用いたものがディープラーニングだということが理解できたので、AIに必要な膨大なデータ処理の基礎学習ができたかと思う。

dansagami

0

機械学習にも種類があることが理解できた。ディープラーニングの定義がないことが意外だった。

nakashi49

0

機械学習の教師あり学習の手法、決定木、ニューラルネットワーク、ディープラーニングに関する概要を理解することができた。
今回のラーニングパスを一通り学んだ後、別途振り返りで復習することで、更に理解を深めて行きたいと思う。

kyo1227

0

アンサンブル学習、バギング、ランダムフォレストについては、理解が不十分と感じるので、復習しておきたいです。

fu-atoreichi-ma

0

k近傍法は近傍のデータを用いて予測する手法。
決定木は軸に並行な境界線を複数引くことにより分類または回帰を行う手法。
アンサンブル学習は複数の学習済モデルの予測結果を組み合わせることで 汎化性能を改善する手法。
アンサンブル学習という枠組みにはバギングがあり、その中の一つとしてランダムフォレストがある、といった階層関係になる。学習器には決定木が用いられる。ランダムフォレストでは必ず決定器が用いられる。
ニューラルネットワークは人間の脳内にある神経回路網をモデル化したもの。ニューラルネットワークの層を深くしたものは ディープニューラルネットワークと呼ばれる。何層以上であればディープなのかの定義はなく、個人裁量に委ねられる。ディープニューラルネットワークを用いた学習手法は一般にディープラーニングと呼ばれる。実務に特化した体系的なカリキュラムにおいて学びを進めることで知見が身につき、試行錯誤するうちに最適手法に辿り着けるものと考える。柔軟な思考回路を形成し関係者と切磋琢磨しながら楽しく課題解決を目指したい。

isshikit

0

今回の受講においてまず以下のような内容を学ぶことができました。
線形回帰
ロジスティック回帰
決定木
サポートベクターマシン（SVM）
k近傍法（k-NN）
ニューラルネットワーク

教師あり学習の基礎から各手法の理論的背景、実装方法、メリット・デメリット、適用事例までを学びましたが、実際ピンとこないところが多々ありますので、今後の業務や日常に活用していくためには漠然とですが以下を考えています。

今後もこのような講習を受講し、少しでも実践的なスキルを磨く。
受講を継続することで知識のアップデートを行う。
上記の様な行動でスキル向上を目指す。

hrkudo

0

教師あり学習の例がわかりました。

konitan1152

0

Ｋ近傍法や決定木を使った分類は業務上に幅広く活用対象があると思われます。予測について利用対象がイメージするのは難しいです。実際の活用を行いながら理解を深めていく必要がありそうです。

tnakajima1998

0

決定木の構造が大変分かりやすく説明されていたため、理解が進みました。

kamiyama-shohei

0

アンサンブル学習等、わかりやすく理解できた。

aokitaka-tci

0

教師あり学習の代表的な手法として、アンサンブル学習、バギング、ランダムフォレスト、ディープラーニング、ニューラルネットワークなどの概要につき理解した、実践でどのような場合にどのモデルを使えばいいのかなど更に深く理解する必要があると感じた

mutame

0

教師あり学習の例がわかりました。

inagaki_tomomi1

0

難しい内容でした。復習したいと思います。

homma_nanami

0

機械学習の手法について理解を深めることができました。

db88

0

機械学習するためには、まず事象をデータ化することが必要であることを理解しました。

gobau

0

教師有り学習の様々な手法を学ぶことが出来た。適切な学習手法を選択できるよう理解を深めたい。

toshiton

0

教師あり学習の代表的な5つの手法を学んだ。特にアンサンブル学習のバギングに興味を持った。少しずつ違う学習器を並列にして、それぞれの予測値の多数決や平均を集計して精度向上を図る考え方はとても参考になりました。これまでは、単一モデルで検討していましたが、複数のAIモデルを組み合わせて、総合判断できるシステムにも取り組んで行きたいです。

xiu14

0

決定木の組み立てと使い方について、興味深く学習しました。

mori_1991

0

教師あり学習の特徴を学ぶことができた。

myu-tan

0

アンサンブル学習、バギング、ランダムフォレスト、決定木の関係性について理解できた。
具体的に活用するには、繰り返し学習する必要があると感じた。