機械学習⑧機械学習の難しさ／データサイエンス入門

stani

0

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。

chikako_k

0

ゴリラとタグづけされた少女がかわいそうでした。修正が難しいことの解決方法が知りたかったです。

koichi_seya

0

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。

matute

0

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。

mainichi365

0

説明の難しさを感じる

user-name01

0

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。

iso_ken

0

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。

vz3000

0

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。

ken222

0

機械学習の難しさをしっかり理解したい。

k--g--

0

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。

hfkd156036

0

過学習と未学習について理解できた。

dense

0

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。

sesesese

0

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。

take515

0

機械学習の難しさのポイントを理解した。

hr-sakai

0

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。

shirojpn

0

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。

tsuyoshi_asano

0

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。

yutahayasaka

0

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。

vegitaberu

0

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。

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。

s-ma

0

説明できるAIの構築が難しいことを理解した

suzuqp

0

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。

taka1962

0

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。

michiyomichiyo

0

説明できることの重要性が分かった

test_test___

0

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。

haruka-

0

過学習に陥っていると気づけることが重要

i_mura888

0

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。

inyourmind

0

「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。

cs1960

0

大変勉強になりました。

moco_fuwa

0

根拠付けをする難しさを理解できた

fukashi_uehara

0

Googleフォトでは「ゴリラ」のラベル付けができないことが示されましたが、これは「最新の科学技術をもってしてもAIは黒人とゴリラを識別できない」という意味ではありません。AIのバイアスや誤作動により世間からバッシングされるのを恐れるテクノロジー企業は、技術的には可能な機能であっても、安全のためにあえて製品やサービスでは無効化することがあるからです。

makidayo

0

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。

atsushi_komaki

0

ＤＳ検定リテラシーレベルのために。

yokoishida

0

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。

toshi-iwai

0

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。

4ktake

0

理解がより深まってきた。さらに学習したい。

pinguino

0

気を付けるべき点を知った上で上手に活用したい。

sakurai_shingo

0

業務に活かせます。よ

hi-std

0

機械学習の難しさがわかった

70sp1208

0

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。

tsukamotoya

0

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。

w_axl

0

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

ks070341

0

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。

h-kozawa

0

機械学習の基礎について、復習の機会となりました。

hhmorimoto

0

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

moveon-s

0

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。

e_co

0

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。

ta-mo-

0

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。

iwc_co

0

具体的なイメージにつなぐことができなかった。

grateful

0

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。

masato_86

0

機械学習の予測の説明の難しさについて学んだ。

takumi_1453

0

■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

shin_yako

0

参考になりました。仕事への活用を考えます

minamt

0

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。

y-arano

0

難しかったですがしっかりと理解したいと思います。

sales_supdoctor

0

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。

yoshikouc

0

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

temp_at

0

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。

yoshikana2020

0

難解でした。何となくでも理解できるようになるかなぁ。

dansagami

0

アフリカ女性をゴリラとラベリングしたことによりアルゴリズムの難しさを感じた。完全にAIに全てを任せるにはまだ早いのかなと思う

nakashi49

0

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。

kyo1227

0

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。

fu-atoreichi-ma

0

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。

aokitaka-tci

0

機械学習の難しさ、過学習・未学習、次元の呪いなどの概要を学んだ、説明の中での正則化などにつき確認していきたい

kamiyama-shohei

0

過学習や未学習、次元の呪いの概要を理解した。

tnakajima1998

0

過学習や無学習についての理解が深まりました。

mutame

0

難しかったですがしっかりと理解したいと思います。

inagaki_tomomi1

0

復習しながら理解を進めたいと思います。

homma_nanami

0

機械学習は難しいと思いました。

konitan1152

0

実際に学習を行う中で過学習と未学習の知識がうまくいかないときの判断に役に立つ可能性が高い。試行錯誤の削減になり効率的な学習に繋がる。

gobau

0

機械学習モデルを実務で利用するにあたって、モデルが導き出した予測結果を説明出来るようモデルを作成する必要性を感じた。

toshiton

0

過学習の対処の難しさ、次元の呪い、予測結果の説明など機械学習の難しさを把握することができました。AI予測結果の説明を求められることは多いため、今後は、Gloval/Localの視点を変えて、説明ストーリーを組み立ててみようと思います。

mori_1991

0

機械学習の限界を学ぶことができ、その運用には注意が必要である。

myu-tan

0

AI,BIを扱ううえで機械学習の難しさを念頭に置いておく必要があると感じた

warashina12345

0

機械学習の予測の説明の難しさについて学んだ。

nico_niko3

0

誤った予測結果が出たときに、その理由を明確にできるとリスク対応ができるのだと感じた。

makotokoma

0

ありがとうございました。

masa98142

0

機械学習の難しさを理解しました。

aquico52

0

機械学習のチューニングは難しいと感じた。因果関係の説明が難しいということは、評価も改善もいろいろな手法を使いつつ、手探りでやるしかないものなのだと感じた。

asakusajun

0

現役時代には無かった新しい研修を楽しみながら、学習しています。

lamf67

0

おおよその理解ですが、これから努力します

takeshita_ta

0

機械学習の難しさを理解し、適切なデータ選定やモデル選択を行うことで、コールセンターの予測精度や対応効率が向上する可能性がある。また、誤差やバイアスを管理し、実運用での信頼性を高める取り組みが重要である。

takemura-taka

0

AIでは予測結果の説明が難しいことがわかりました。

tnema

0

機械が学習するとしても、現在はまだまだ人間の考えが必要で、問題点も多くあることが分かりました。

ohayoooooooooo

0

社会で使っていくには、何を言っていいのか・悪いのかなどの倫理的な感度を持たせることが必要と思った。事実に基づいた判定だけでは網羅しきれない問題があると思う。

noseman

0

用語が全く分からず理解することが出来なかった。まずは用語を覚えて復習したいと思います。

hirano_rikiya

0

一度に判別する制度を上げすぎるとかえって間違った回答を選んでしまうので、ある程度、大きな括りでアウトプットしてから、フィルターをかけることが必要であると理解しました。

temp954

0

個々の解析法や評価法において特徴には弱点も含まれており、用い方や組み合わせ方で望む結果を得られない恐れがあることも学習していたが、機械学習の難しさではこの内容を理解できていないと得られた結果からミスリードしてしまうこともありそうだと感じました。

t03290512

0

日常業務に取り組活動

ume2011

0

イメージは沸きました。くりかえし動画を視聴し、理解を深めたい。