機械学習⑧機械学習の難しさ／データサイエンス入門

y-arano

メーカー技術・研究・開発

難しかったですがしっかりと理解したいと思います。

haruka-

その他

過学習に陥っていると気づけることが重要

ta-mo-

IT・WEB・エンジニア

機械学習の結果を説明するのは難しいと感じた。
結果はブラックボックスのイメージになるので、本コースで説明する例を説明頂いたと思う。
ただ、それが本当に説明になっているのか、が課題になるように思う。

yokoishida

コンサルタント

チャットBotでかなり遊んだので機械の実力はわかる気がする。本人大まじめの答えが、人間には知ったかぶりか無教養のおしゃべり人間に思えることが多々ある。

w_axl

メーカー技術・研究・開発

根拠が説明できないのは　なかなか悩ましいですね
技術が進歩して　根拠や理由も解説できるようになることを期待しています

pinguino

販売・サービス・事務

気を付けるべき点を知った上で上手に活用したい。

70sp1208

その他

動画を視聴して改めて機械学習の難しさがわかった。実際に実務に携わっておらず、馴染みが薄いこともあるが、せっかくの機会なので、是非機械学習の概念を習得していきたい。

vz3000

IT・WEB・エンジニア

機械学習の結果を説明する難しさが理解できた。未学習・過学習の状況、帯域的説明や局所的説明などを適切に判断していけるよう経験を積んでいきたい。

tsuyoshi_asano

経営・経営企画

学習結果としてMost Likelyな答えを機械的に出しているのに、ヒトの主観で「望ましくない結果」をはじく必要があるのはなかなか難しい問題。AIが判別できない問題を裁く仕事はAIに代替できないのかもしれない。

inyourmind

建設・土木　関連職

「未学習」と違って「過学習」は質が悪いということがわかった。

naoki_sasano

メーカー技術・研究・開発

過学習と未学習という事象があることを知った。過学習を防ぐための正則化について詳しく学習したいが、推奨される書籍は何か？

i_mura888

金融・不動産　関連職

学習後の精度が想定した値と異なる時にどう対処すれば良いかの参考になります。

nakashi49

営業

機械学習の難しさについて、代表的な現象である過学習などを例に、その概要が理解できた。特に、差別的なタグ付けをAIが識別することは困難である、というトピックは、AIの重要な課題の一つとして、ビジネス応用において、しっかり意識する必要性を強く感じた。

hrkudo

IT・WEB・エンジニア

過学習や未学習、次元の呪いの概要を理解した。

tsukamotoya

営業

大事なことですね。ゴリラのタグ付は怖いですね。業務や日常において活用できることを学習致しました。

michiyomichiyo

その他

説明できることの重要性が分かった

atsushi_komaki

金融・不動産　関連職

ＤＳ検定リテラシーレベルのために。

h-kozawa

メーカー技術・研究・開発

機械学習の基礎について、復習の機会となりました。

user-name01

販売・サービス・事務

過学習の概念を学んだ。また、出力された結果を説明する方法にも言及していて、参考になった。

s-ma

経営・経営企画

説明できるAIの構築が難しいことを理解した

4ktake

人事・労務・法務

理解がより深まってきた。さらに学習したい。

grateful

専門職

機械学習であっても間違ってしまう事がある事を学びました。

sesesese

その他

何らかの方法でという説明が何回かありましたが、
その方法が知りたいです。

minamt

IT・WEB・エンジニア

ゴリラ問題は知ってたのですが、詳細を知れて良かったです。

fu-atoreichi-ma

その他

過学習は気付きにくく改善も難しい。抑制する技法は正則化。次元の呪いでビッグデータ化に伴い、学習の難しさは指数的に増加。
予測結果の説明も難しい。誤ったタグ付けの理由を予測結果として示すのはハードルが高い。
大局的な面と局所的な面の双方に留意しながら、アルゴリズムの限界について一定の理解を元に最適な学習手法を選択すべきと認識した。

yoshikana2020

販売・サービス・事務

難解でした。何となくでも理解できるようになるかなぁ。

kyo1227

営業

過学習の問題の基本的なところは理解しているつもりですが、正則化や次元圧縮まで含めてしっかりと説明できるようにしていきたいです。

hhmorimoto

メーカー技術・研究・開発

機械学習の難しさも理解した上で活用して行きたいと思います

masato_86

専門職

機械学習の予測の説明の難しさについて学んだ。

k--g--

その他

グーグルも間違えることがある、というのが良い教訓になりました。

shin_yako

販売・サービス・事務

参考になりました。仕事への活用を考えます

cs1960

販売・サービス・事務

大変勉強になりました。

dense

メーカー技術・研究・開発

批判を覚悟でコメントすると
ゴリラと判定されて、なんで人間は、怒ったり、いけないと思ったりするのでしょうか。
この感情を、生成AIも学べば、持つことができるようになるのでしょうか。

moveon-s

資材・購買・物流

機械学習についてもっと理解を深めないとG検定は合格できないと思いました。

yutahayasaka

その他

説明が難しい。理解まではたどり着けていないので、再度視聴したい。

suzuqp

IT・WEB・エンジニア

説明が難しかった。改善方法についても説明があるとよかった。

takumi_1453

経営・経営企画

■過学習と未学習

①汎化誤差と訓練誤差の比較
・汎化誤差の評価が訓練誤差に比べ非常に
　大きくなることがある
・訓練誤差も汎化誤差も非常に大きくなる
　場合もある
・原因と対処法

　→過学習
　　・訓練誤差が十分小さいにも関わらず
　　　汎化誤差が大きい場合、
　　　「モデルは訓練用データを過学習し
　　　　ている」状態
　　　＊練習問題は完全に解けるが実際の
　　　　テストで点が悪い）
　　　＊モデルの表現能力が高すぎる
　　　＊訓練用データの数が少ない

　→未学習
　　・訓練誤差と汎化誤差が共に高いまま
　　　「モデルは訓練用データを未学習し
　　　　ている」状態
　　　＊練習問題も本番テストも点が悪い
　　　＊データの性質とモデルが噛み合っ
　　　　ていない
　　　＊計算条件が不適切

②機械学習で問題になるのは過学習
・未学習
　→気づきやすく（汎化誤差求めるまでも
　　ない）改善もしやすい
・過学習
　→気づきにくく改善もしにくい
　→過学習の抑制法として正則化がある

■次元の呪い
・入力の次元数（説明変数の数）が
　増えると学習難易度が指数的に増える
　→難しさの例
　　＊学習時間が長くなる
　　＊十分な予測精度を出すために
　　　膨大なデータ量が必要
・近年のビッグデータ化に伴い次元（変
　数）は増加傾向
　→説明変数の数を減らす工夫が必要！！

■予測結果を説明すること
・機械学習モデルが予測した結果について
　結果になった根拠を説明する事が難しい
　＊モデルが複雑になりがちなNNWは特に
　　難しい
・予測結果説明のアプローチ
　→大域的（global）な説明
　　・モデル全体の解釈を試みる
　　　＊各説明変数の寄与度を用いて理由
　　　　を説明
　　　　（線形回帰の場合、パラメータが
　　　　　寄与度）
　　　＊NNWなどの複雑なモデルを決定木
　　　　や線形モデルなどのシンプルなモ
　　　　デルで近似したモデルで説明

　→局所的（local）な説明
　　・ある1つのデータの解釈を試みる
　　　＊予測に用いた入力データについて
　　　　各値の寄与度を算出し、その結果
　　　　を用いて説明
　　　＊入力データに関連が深い学習デー
　　　　タ等を提示する事によって説明

・差別的タグ付けを説明する事は困難
　アルゴリズムが勝手に写真に対して差別
　的タグ付け
　→アルゴリズムの変更では解決できず学
　　習用データセットから差別に該当する
　　ラベルを外す処置

sakurai_shingo

人事・労務・法務

業務に活かせます。よ

take515

メーカー技術・研究・開発

機械学習の難しさのポイントを理解した。

taka1962

販売・サービス・事務

AIを利用し何か新しい見方をしようとすれば、その見方を納得させるだけの根拠を示す必要性が高いので、この講義にあった対応方法を試していたいと思います。

hr-sakai

その他

次元の呪い。知らないうちにはまってたような気がする。どうしても精度の高い結果を求めすぎて、時間がかかってしまった事を思い出した。

e_co

販売・サービス・事務

機械学習の難しさを理解しました。
便利ですが、使う側の知識不足が重大なミスにも繋がる恐ろしさ、結果の説明の難しさを感じた。

stani

専門職

機械学習の向上には、機器の性能向上とひとの努力やルール化が重要である。

k_yuna

販売・サービス・事務

学びを深めることが出来ました。

koichi_seya

その他

設変変数が増えるほど、説明が難しくなることや、それに対する対応などわかりたすいモデルに近似する手法など勉強になった。

shirojpn

メーカー技術・研究・開発

機械学習の難しさ　特にニューラルネットワークにおける　グローバル、ローカルでの説明方法について理解が深まった。

moco_fuwa

その他

根拠付けをする難しさを理解できた

makidayo

IT・WEB・エンジニア

なぜ、その結果が出たのかの原因が特定できないというところが、機械学習の難しさなんだなと思うのと同時に、なぜそのような結果を出したのかを分析するのは楽しそうだと思った。わかるかわからないかはわからないが、突き止めたら面白そう。

watanabe-tat

専門職

機械学習の難しさは、その結果を説明することである。深層学習と近似した機械学習モデルで説明を代替する手法が想定される。また教師あり学習データを機械学習モデルで分類、アノテーションさせて、学習データの特徴を機械学習モデルのパラメーターで説明する手法も考えられる。

yoshikouc

販売・サービス・事務

未学習や過学習をしているという勘が働くことも大切だとすると実践を重ねないと難しいと思いました

hi-std

IT・WEB・エンジニア

機械学習の難しさがわかった

iso_ken

専門職

訓練誤差がどんどん減っていくことが楽しくなって、過学習はついついやってしまいがちである。目的である汎化誤差を小さくするということを忘れないようにしなければならない。

matute

IT・WEB・エンジニア

機械学習の結果を説明する難しさが理解できた。機械学習を進める際、未学習・過学習の状況を分析すると共に生成した機械学習結果を単に信じるのではなく、帯域的説明や局所的説明である程度説明できるようにしたい。

sales_supdoctor

金融・不動産　関連職

機械学習の難しさを痛感した。実務では、事前に関係ありそうなファクター間の関係を仮説してそこから局所的な解釈を考えた方がいいと考えます。

t_htn

経営・経営企画

機械学習の課題が把握できた。
データ分析業務で活用する場合は、この観点に留意し、
精度の高い分析に繋げたいと思う

temp_at

IT・WEB・エンジニア

過学習が気付きにくく対策もし辛い事は、聞いて始めて気付いた。

toshi-iwai

経理・財務

過学習が良くわからなかったので復習したいと思います。

ken222

営業

機械学習の難しさをしっかり理解したい。

hfkd156036

金融・不動産　関連職

過学習と未学習について理解できた。

512177

資材・購買・物流

誤差の認識をもってデータを取り扱うことが重要

test_test___

メーカー技術・研究・開発

機械学習も当然万能ではなく難しい点もあるということを改めて認識した。

iwc_co

建設・土木　関連職

具体的なイメージにつなぐことができなかった。

vegitaberu

人事・労務・法務

AI、機械学習の限界は、ぜひとも知っておきたいところです。ひと通りの復習はできたと思いますが、限界も、日々変わっていると思いますので、適宜、キャッチアップしていきたいと思います。

ks070341

その他

機械学習の難しさについて理解できた。対外的な問題も生じ得ることを覚えておきたい。