機械学習①教師あり学習の基礎／データサイエンス入門

pinguino

販売・サービス・事務

機械学習②から⑪まで学んできたところで突然①に戻った。最初に①から学ぶ方がはるかに理解しやすいはずだ。このカリキュラムの組み方は疑問だし、変更してほしい。

chang_shin

販売・サービス・事務

概要はなんとなーくわかった。具体性が少ないので頭に記憶が残りにくい。

w_axl

メーカー技術・研究・開発

時間的は丁度良いので　少しづつ振返りながら学習していきたいです

pomu77

IT・WEB・エンジニア

教師あり学習、教師なし学習、強化学習の違い、教師あり学習でできることの回帰、分類について理解できました。

saito_koji

IT・WEB・エンジニア

AI知識の導入としてよかったです。

mtaya

マーケティング

営業部の得たデータから業種などの項目を頼りに、トレンド・市場動向などを分析して将来のニーズを予測、提案型営業につなげる

oyobe_y

営業

AI活用には、内容に応じて学習や強化が必要であると再認識した

fu-atoreichi-ma

その他

機械学習には教師あり学習 、教師なし学習、強化学習がある。 一般的にほとんどが教師あり学習。機械学習は学習フェーズから入る、学習フェーズが終わると運用フェーズに移行。学習フェーズでは過去のデータを用いて機械学習を行い、データタスクに対応した判断ルールが得られる。 運用フェーズでは新しいデータが入る。新しいデータをルールに照らし合わせて 予測する。
機械学習で何を解くのか、ビジネスバリューをもたらすのか 、本当に機械学習で解く必要がある課題なのかの事前確認要。学習フェーズのモデルのチューニングも工数アップとなるため、どこまで対応するかチェック要。ROI観点から機械学習を進める上で言語ライブラリーツールを使用する場合、プログラミング言語は世界標準Pythonを選択すべし。機械学習のライブラリーとしては Scikit-learnとかKerasとかTensorFlowを適用すればよい。AIや機械学習は 教師あり学習になる。具体的なタスクとしては株価予測、画像分類、音声認識。教師なし学習は教師を用いずに学習を行う方法。タスクは例えば顧客クラスタリング(クグルーピング)。 顧客をグルーピング。正解データを使わず類似顧客をグルーピング。似たもの同士を集めて結果を活用するのがクラスタリング。画像からの特徴抽出やセンサーデータを用いた異常検知など。強化学習は試行錯誤を行いながら 最適なコードの取り方を学んでいく方法。 教師あり学習と教師なし学習は最初から多くのデータを用意して学習をスタートさせる。教科学習の場合は基本的に学習用データがない状態で 学習をスタートさせることが多い。教師あり学習を用いてできるのは 回帰と分類。回帰は数値の予測。分類はカテゴリーの予測。データ解析には様々な手法があるが、課題に適した学習方法を適用すること。コストパフォーマンスに考慮して最適解を導きたい。

yoshikazu-1103

営業

教師あり教師なしなど、概要の理解はできたと思います。
これからは、もう少し深掘りが必要だと思います。

hi-std

IT・WEB・エンジニア

教師あり学習の概要について学べた。

inyourmind

建設・土木　関連職

「機械学習のプログラミングはPythonが世界標準だ」と言い切っているのは初めて聞きました。これからはやはりPythonに軸を置こうと思います。

kazumi_100pot

金融・不動産　関連職

機械学習の基礎的な知識を復習することができました。回帰については、沢山勉強していきたいです。

kenjiro_fujita

コンサルタント

機会学習を利用するにも課題を定め、価値を具体的にし、投資効果を考えることが重要だと理解した。

samsamissamu

金融・不動産　関連職

教師あり学習の一般的な手法について理解することができた。

chikako_k

IT・WEB・エンジニア

教師あり学習と、無し学習で、画像についてが、どちらになるのか、よく理解できませんでした。

koichi_seya

その他

機械学習の概要が学べた。さらに深く学びたい。

iso_ken

専門職

いままで、漠然と理解していた機械学習の分類が明確になった。

ni-shi-me

営業

DS検定で学んだ内容の復習に役立った。

grateful

専門職

機械学習を学びました。

kamiyama-shohei

その他

教師あり学習の手法を理解できた

takahashi_mi

販売・サービス・事務

日常で活用するのはハードルが高いですが、まずこの程度のことを理解できるようになりたいと思います。

konbass8

金融・不動産　関連職

教師あり学習に、回帰と分類があること、その内容について理解できた。

k_yuna

販売・サービス・事務

大変勉強になりました。

yuki_nagato

その他

身近な事例でも検討してみたい

user-name01

販売・サービス・事務

AI,機械学習、深層学習の包括関係がわかった。

sawa-jun

建設・土木　関連職

機械学習の基礎を学ぶことができました

sales_supdoctor

金融・不動産　関連職

教師ありの学習について、機械学習の流れを学習のフェーズと運用のフェーズに分けてそれぞれの業務フェーズを考慮するのに役立つ。また、機械学習のPython紹介から各種ライブラリーの活用も興味深い。教師あり学習の２分類（回帰と分類）は実務で使えそう

7031

経営・経営企画

ＡＩを何の業務に適用するのかを、見極めるところに知識や技術が必要かと思う。

yasgoh

販売・サービス・事務

教師あり学習は画像分類や音声認識等で用いられる方法である。
回帰は目的変数が実数となり、分類は目的変数がカテゴリーを表す離散値となる点が異なる。

yokoishida

コンサルタント

ぼんやりとした知識がクリアになりつつあります。

mikity1994

経理・財務

回帰と分類について今までよくわかっていなかったので、整理することができた

david_wp

メーカー技術・研究・開発

AIの概要を分かりやすく紹介していただき、ありがとうございます。社内で同僚などにAIについて説明するときに役に立つと思います。

vegitaberu

人事・労務・法務

基本的には、機械学習について、理解できている内容が多かったように思っていますが、復習、確認ができました。この後、より高度になっていくに従い、AI、機械学習で行われていることについて、理解が深まればいいと思っています。

kitano_wataru

IT・WEB・エンジニア

ビジネス観点での機械学習システム作成の重要点も紹介しており、直感的にわかりやすかった。

36271

営業

データサイエンティスト検定などは難しそうではあるが興味は出たような気がします。
活用できれば幅が広がるような気がしました。

kyo1227

営業

身近な具体的な例に当てはめてみるとより理解が進むと思うので、身近な事例でも検討してみたい。

sakurai_shingo

人事・労務・法務

業務で活用できそう。

fukashi_uehara

メーカー技術・研究・開発

機械学習の基本的な概要がイメージ出来ました。画像認識技術の応用を考えているのですが、参考になりそうです。

konitan1152

人事・労務・法務

機械学習のうち教師あり学習が実際に使われているＡＩの大半を占めるとの説明があった。このことからまず教師あり学習を中心に学習して実用対象を検討したい。

4ktake

人事・労務・法務

これまで何となく聞いていた言葉が理解できるようになった

kazuwata

専門職

学習ありデータは回帰と分類ができる。

isobe2615p

その他

人口知能を支える、学習方法に関する構造（位置関係）が分かり易かった。

cs1960

販売・サービス・事務

大変勉強になりました。

take515

メーカー技術・研究・開発

機械学習の学習、運用フローの概要について学んだ。

matute

IT・WEB・エンジニア

機械学習の種類が理解できた。機械学習を進めるにあたり教師ありの回帰か分類化かもしくは教師なしか、それとも強化学習かなど準備できるデータや目的によって使い分けできると思う。

stani

専門職

AIの学習に教師ありは解答があることと同意義と理解した。

yasu_1234

メーカー技術・研究・開発

AIの基礎的な内容を復習することができた。

ken222

営業

教師あり学習は回帰と分類に分けられることを覚えておきたい。

hfkd156036

金融・不動産　関連職

教師あり学習の一般的な内容が理解できた。

tsukamotoya

営業

DXテストの前に学習しておけばよかったです。後悔しております。

shiba_momochan

営業

なかなか馴染みにくい内容であった。

shin_yako

販売・サービス・事務

参考になりました。実務で活用を検討します

ta-mo-

IT・WEB・エンジニア

業務に今後どのように機械学習を使用するか、使用しないか、どこまで深ぼるかを
機械学習の基礎として、データサイエンティスト部分の理解ができた

toshi-iwai

経理・財務

機械学習の教師あり学習で教師の意味がわからなかったので理解出来ました。難しいので復習したいと思います。

madogiwazoku

その他

素人には難しいです。難しくてはげそうです。鼻血もでそうです。

tsukanakah

メーカー技術・研究・開発

自分がやろうとしている機械学習がどの種類に属するのか意識して最適な対応を取る

naoki_sasano

メーカー技術・研究・開発

機械学習の種類（教師あり、教師なし、強化学習）とその開発、評価フローについて理解した。機械学習のプログラムに使用する各ライブラリについては知っていたが、科学計算ライブラリはどのように使用するのか、後ほど調べようと思った。

mamoru-yasuda

営業

基本的なことを理解できました

ks070341

その他

どのような業務自動化が教師あり学習に適しているのかをイメージできた。

y-arano

メーカー技術・研究・開発

機械学習の概要をしっかりと学ぶことができました。

makidayo

IT・WEB・エンジニア

機械学習について、再度ここで説明頂きより理解が深まった。

h-kozawa

メーカー技術・研究・開発

履修済みである機械学習廻りの復習機会となりました。

e_co

販売・サービス・事務

バラバラに得た知識の整理ができました。
人が作為的に使用しないように気をつけて利用する必要があると感じた。

saito0722

その他

需要予測に活用する。学生が望んでいるもの中年、シニアが望んでいるのは何かなど

t_htn

経営・経営企画

教師あり学習の基礎が理解できた。
データを分類や回帰するデータ処理に活用し、
適切な判断をできるようにしたいと思う。

takashi_tsujii

販売・サービス・事務

売上予測に利用できないか検討してみたいと思う

vz3000

IT・WEB・エンジニア

機械学習の基礎的な知識を学習することができた。また、教師あり学習の概要を理解することができた。

takumi_1453

経営・経営企画

➀人工知能の定義　by　ジョン・マッカーシー
人工知能：知的なコンピュータプログラムを作る科学と技術
知能：実際の目標を達成する能力の計算的な部分
②用語の整理
機械学習⇒人工知能を実現する技術領域のひとつ
深層学習⇒機械学習の方法論のひとつ
人工知能（AI）
⇒機械学習⇒深層学習、SVM、線形回帰、クラスタ分析、決定木、etc
⇒エキスパートシステム
⇒探索アルゴリズム　等
③機械学習の定義　by　アーサー・リー・サミュエル
コンピュータプログラムが、あるタスクにおいて用意されたデータを使い、性能の評価値を向上させること
④タスクとは
問題設定のこと
⑤機械学習の全体像
学習フェーズ：過去のデータ⇒機械学習⇒判断ルール
運用フェーズ：新たなデータ⇒判断ルール⇒予測結果
⑥開発・運用フロー
学習フェーズ：過去データ入手⇒基礎集計・グラフ化⇒データの前処理⇒特徴量の設計・抽出⇒モデルの検討・評価・チューニング⇒モデルの決定
運用フェーズ：（学習済みモデルをデプロイ（本番環境に配置））⇒新しいデータを入手⇒予測⇒結果の評価⇒モデルの更新
⑦ビジネス観点
➊課題定義：どれほどのビジネスバリューをもたらすか？機械学習で解く必要があるか？
❷ROI観点でどこまでチューニングすべきか：50%⇒51%の改善より90%⇒91％nのほうがより工数がかかる
⑧主要ツール・ライブラリ
プログラミング言語：python
ライブラリ：
　機械学習：scikit-learn、Keras、TensorFlow
　ベクトル・行列計算に特化：NumPy
　計算可視化：matplotlib
　データ処理：pandas
　科学計算：SciPy
⑨学習方法の違い
教師あり学習：正解ラベルが付与されたデータを用いる（株価予測、画像分類、音声認識）
教師なし学習：正解ラベルを用いずに学習（顧客のクラスタリング、画像特徴抽出、センサー異常検知）
強化学習：試行錯誤により最適行動を学習、学習用データが無い状態で学習（囲碁AI、歩行ロボット）
⑩教師あり学習の基礎
入力⇒正しい出力（教師）＝学習用データ⇒モデルは出力を教師に近づけるように学習
データの教師ラベル付け作業＝アノテーション
できること⇒回帰と分類
★回帰：数値を予測、yは実数
★分類：カテゴリを予測（2カテゴリ、二値分類）、yはc個のカテゴリ・離散値

mainichi365

IT・WEB・エンジニア

ＡＩを何の業務に適用するのかを、見極めるところに知識や技術が必要かと思う。

test_test___

メーカー技術・研究・開発

概要は理解できた。具体的にどう使われているのか知りたい

dansagami

金融・不動産　関連職

いまいち理解できなかった

512177

資材・購買・物流

AIは飛躍的に事業を改善する価値がありそうだ

k_k_ai

メーカー技術・研究・開発

機械学習の種類についてざっくりと理解することができました。

yoshikouc

販売・サービス・事務

業務で活用するためには、多角的でないといけない。

iwc_co

建設・土木　関連職

教師あり学習では、いかに多くのサンプリングデータを学習させるかで、結果の成果が変わってくるが、コストとのバランスを考慮しないといけない。

watanabe-tat

専門職

製造工程の外観検査に教師あり学習を活用したい。また教師あり学習データを作成するアノテーション作業を効率化するため、教師なし学習で分類して、ラベル付けして、教師あり学習する手法も取り入れたい。

masato_86

専門職

内容がよくわかりました。

hhmorimoto

メーカー技術・研究・開発

機械学習を活用した課題解決はこれから重要になってくると思います
具体的な活用については、これから検討して行こうと思います

i_mura888

金融・不動産　関連職

機械学習を利用して業務を行う際に役立ちます。

k-akira

営業

機械学習、深層学習、人工知能の概要理解ができた

kuro-a

IT・WEB・エンジニア

自分で機械学習とは？説明しろといわれたときに、体系的にいえるようになったと感じる

s-ma

経営・経営企画

機械学習の基本的な手法を学んだ

shirojpn

メーカー技術・研究・開発

別のコースで学習した「教師有り学習」の概要を復習する事が出来た。
「深層学習」という言葉が聴きなれないと一瞬感じたが　ディープラーニングの事だと気づき
カタカナ記述の方が身近になっていることを感じた。一方、漢字表記の方が更に中身を簡潔に表しているのを感じた。

whamu

その他

機械学習は教師あり学習、教師なし学習、強化学習などがある。ほとんどのaiは教師あり学習を採用している。

ozawa_h

IT・WEB・エンジニア

GLOBISでこのようなコースは期待していませんでした。一般のビジネスユーザには難しいように思えます。
大学のコンピュータサイエンス風のコースで論理の説明が多いので楽しく学習させて頂いています。

michiyomichiyo

その他

おおざっぱにはなるが何となく理解した。

temp_at

IT・WEB・エンジニア

内容はわかりやすかったが、ラーニングパスのもう少し前の方にあるべきかなと思った。

toshiazeo

営業

非常に難しい内容でした。現状の仕事での活用範囲は少ないものの基礎知識として有用です。

yasupii

その他

機械学習には、教師あり、教師なし、教科学習の３つがあることを知りました。今時点では、「なんとなく分かった」ような感じです。今後は、その具体例を使いながら、その違いをもう少し深く理解したいと思います。

70sp1208

その他

教師あり学習という言葉はよく聞くが、よくわからなかった。今回の動画を視聴してよく理解できた。また、回帰と分類の意味も理解できた。引き続き、ＡＩの基礎について学習していきたい。