Enviar búsqueda
Cargar
5分で分かる自己組織化マップ
•
Descargar como PPTX, PDF
•
22 recomendaciones
•
43,922 vistas
Daisuke Takai
Seguir
5分では分からなかったorz
Leer menos
Leer más
Denunciar
Compartir
Denunciar
Compartir
1 de 84
Descargar ahora
Recomendados
不均衡データのクラス分類
不均衡データのクラス分類
Shintaro Fukushima
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
Akira Masuda
最適輸送入門
最適輸送入門
joisino
最適輸送の解き方
最適輸送の解き方
joisino
最近のDeep Learning (NLP) 界隈におけるAttention事情
最近のDeep Learning (NLP) 界隈におけるAttention事情
Yuta Kikuchi
幾何を使った統計のはなし
幾何を使った統計のはなし
Toru Imai
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
時系列予測にTransformerを使うのは有効か?
時系列予測にTransformerを使うのは有効か?
Fumihiko Takahashi
Recomendados
不均衡データのクラス分類
不均衡データのクラス分類
Shintaro Fukushima
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
Akira Masuda
最適輸送入門
最適輸送入門
joisino
最適輸送の解き方
最適輸送の解き方
joisino
最近のDeep Learning (NLP) 界隈におけるAttention事情
最近のDeep Learning (NLP) 界隈におけるAttention事情
Yuta Kikuchi
幾何を使った統計のはなし
幾何を使った統計のはなし
Toru Imai
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
時系列予測にTransformerを使うのは有効か?
時系列予測にTransformerを使うのは有効か?
Fumihiko Takahashi
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
joisino
最適輸送の計算アルゴリズムの研究動向
最適輸送の計算アルゴリズムの研究動向
ohken
モデル高速化百選
モデル高速化百選
Yusuke Uchida
最適化超入門
最適化超入門
Takami Sato
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
RyuichiKanoh
Active Learning の基礎と最近の研究
Active Learning の基礎と最近の研究
Fumihiko Takahashi
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
Preferred Networks
Active Learning 入門
Active Learning 入門
Shuyo Nakatani
深層学習の不確実性 - Uncertainty in Deep Neural Networks -
深層学習の不確実性 - Uncertainty in Deep Neural Networks -
tmtm otm
深層学習の数理
深層学習の数理
Taiji Suzuki
Attentionの基礎からTransformerの入門まで
Attentionの基礎からTransformerの入門まで
AGIRobots
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...
西岡 賢一郎
パターン認識と機械学習入門
パターン認識と機械学習入門
Momoko Hayamizu
Curriculum Learning (関東CV勉強会)
Curriculum Learning (関東CV勉強会)
Yoshitaka Ushiku
POMDP下での強化学習の基礎と応用
POMDP下での強化学習の基礎と応用
Yasunori Ozaki
数学で解き明かす深層学習の原理
数学で解き明かす深層学習の原理
Taiji Suzuki
Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料
Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料
Yusuke Uchida
【DL輪読会】時系列予測 Transfomers の精度向上手法
【DL輪読会】時系列予測 Transfomers の精度向上手法
Deep Learning JP
距離とクラスタリング
距離とクラスタリング
大貴 末廣
深層生成モデルと世界モデル
深層生成モデルと世界モデル
Masahiro Suzuki
【勉強会】自己組織化マップ(SOM)
【勉強会】自己組織化マップ(SOM)
Jun Harada
Somの分かり易い解説
Somの分かり易い解説
Daisuke Takai
Más contenido relacionado
La actualidad más candente
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
joisino
最適輸送の計算アルゴリズムの研究動向
最適輸送の計算アルゴリズムの研究動向
ohken
モデル高速化百選
モデル高速化百選
Yusuke Uchida
最適化超入門
最適化超入門
Takami Sato
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
RyuichiKanoh
Active Learning の基礎と最近の研究
Active Learning の基礎と最近の研究
Fumihiko Takahashi
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
Preferred Networks
Active Learning 入門
Active Learning 入門
Shuyo Nakatani
深層学習の不確実性 - Uncertainty in Deep Neural Networks -
深層学習の不確実性 - Uncertainty in Deep Neural Networks -
tmtm otm
深層学習の数理
深層学習の数理
Taiji Suzuki
Attentionの基礎からTransformerの入門まで
Attentionの基礎からTransformerの入門まで
AGIRobots
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...
西岡 賢一郎
パターン認識と機械学習入門
パターン認識と機械学習入門
Momoko Hayamizu
Curriculum Learning (関東CV勉強会)
Curriculum Learning (関東CV勉強会)
Yoshitaka Ushiku
POMDP下での強化学習の基礎と応用
POMDP下での強化学習の基礎と応用
Yasunori Ozaki
数学で解き明かす深層学習の原理
数学で解き明かす深層学習の原理
Taiji Suzuki
Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料
Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料
Yusuke Uchida
【DL輪読会】時系列予測 Transfomers の精度向上手法
【DL輪読会】時系列予測 Transfomers の精度向上手法
Deep Learning JP
距離とクラスタリング
距離とクラスタリング
大貴 末廣
深層生成モデルと世界モデル
深層生成モデルと世界モデル
Masahiro Suzuki
La actualidad más candente
(20)
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
最適輸送の計算アルゴリズムの研究動向
最適輸送の計算アルゴリズムの研究動向
モデル高速化百選
モデル高速化百選
最適化超入門
最適化超入門
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
Active Learning の基礎と最近の研究
Active Learning の基礎と最近の研究
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
Active Learning 入門
Active Learning 入門
深層学習の不確実性 - Uncertainty in Deep Neural Networks -
深層学習の不確実性 - Uncertainty in Deep Neural Networks -
深層学習の数理
深層学習の数理
Attentionの基礎からTransformerの入門まで
Attentionの基礎からTransformerの入門まで
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...
パターン認識と機械学習入門
パターン認識と機械学習入門
Curriculum Learning (関東CV勉強会)
Curriculum Learning (関東CV勉強会)
POMDP下での強化学習の基礎と応用
POMDP下での強化学習の基礎と応用
数学で解き明かす深層学習の原理
数学で解き明かす深層学習の原理
Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料
Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料
【DL輪読会】時系列予測 Transfomers の精度向上手法
【DL輪読会】時系列予測 Transfomers の精度向上手法
距離とクラスタリング
距離とクラスタリング
深層生成モデルと世界モデル
深層生成モデルと世界モデル
Destacado
【勉強会】自己組織化マップ(SOM)
【勉強会】自己組織化マップ(SOM)
Jun Harada
Somの分かり易い解説
Somの分かり易い解説
Daisuke Takai
はじめての自己組織化
はじめての自己組織化
Yoshinori Ueda
neural network introduction yapc asia tokyo
neural network introduction yapc asia tokyo
Daichi Morifuji
2014/5/29 東大相澤山崎研勉強会:パターン認識とニューラルネットワーク,Deep Learningまで
2014/5/29 東大相澤山崎研勉強会:パターン認識とニューラルネットワーク,Deep Learningまで
Hokuto Kagaya
続・わかりやすいパターン認識_3章
続・わかりやすいパターン認識_3章
weda654
Tokyo r 11_self_organizing_map
Tokyo r 11_self_organizing_map
osamu morimoto
PRML上巻勉強会 at 東京大学 資料 第1章前半
PRML上巻勉強会 at 東京大学 資料 第1章前半
Ohsawa Goodfellow
Destacado
(8)
【勉強会】自己組織化マップ(SOM)
【勉強会】自己組織化マップ(SOM)
Somの分かり易い解説
Somの分かり易い解説
はじめての自己組織化
はじめての自己組織化
neural network introduction yapc asia tokyo
neural network introduction yapc asia tokyo
2014/5/29 東大相澤山崎研勉強会:パターン認識とニューラルネットワーク,Deep Learningまで
2014/5/29 東大相澤山崎研勉強会:パターン認識とニューラルネットワーク,Deep Learningまで
続・わかりやすいパターン認識_3章
続・わかりやすいパターン認識_3章
Tokyo r 11_self_organizing_map
Tokyo r 11_self_organizing_map
PRML上巻勉強会 at 東京大学 資料 第1章前半
PRML上巻勉強会 at 東京大学 資料 第1章前半
5分で分かる自己組織化マップ
1.
5分で分かる自己組織化マップ
で~ご
2.
初めての人は 初めまして
3.
そうでない人は お久しぶりです
4.
で~ごです。
5.
自己紹介
6.
自己紹介 OB :
平成16 - 21年 D科
7.
自己紹介 OB :
平成16 - 21年 D科 前回、サブ会場で司会
8.
自己紹介 OB :
平成16 - 21年 D科 前回、サブ会場で司会 Twitter : dego_96
9.
自己紹介 OB :
平成16 - 21年 D科 前回、サブ会場で司会 Twitter : dego_96
10.
自己紹介 OB :
平成16 - 21年 D科 前回、サブ会場で司会 Twitter : dego_96 ← こんなアイコン使ってた ら
11.
自己紹介 OB :
平成16 - 21年 D科 前回、サブ会場で司会 Twitter : dego_96 趣味が一発でわかっていい ← こんなアイコン使ってたら ね!
12.
さっそく自己組織化マップの説
明
13.
に入る前に
14.
何故に自己組織化マップなの
か?
15.
理由 OBとして後輩のためになる話がしたい
16.
理由 OBとして後輩のためになる話がしたい 高専の研究で使ったから
17.
理由 OBとして後輩のためになる話がしたい 高専の研究で使ったから
様々な場面で使える
18.
理由
OBとして後輩のためになる話がしたい 高専の研究で使ったから 様々な場面で使える 理解してみれば思ったよりも簡単
19.
理由
OBとして後輩のためになる話がしたい 高専の研究で使ったから 様々な場面で使える 理解してみれば思ったよりも簡単 しかし、一言では説明できない
20.
理由
OBとして後輩のためになる話がしたい 高専の研究で使ったから 様々な場面で使える 理解してみれば思ったよりも簡単 しかし、一言では説明できない 発表時に説明するとスライドの半分が埋ま る
21.
理由 OBとして後輩のためになる話がしたい 高専の研究で使ったから
様々な場面で使える 理解してみれば思ったよりも簡単 しかし、一言では説明できない 発表時に説明するとスライドの半分が埋ま る 当時D科では担当教官くらいしか詳しくな かった
22.
4年生の後期 研究内容が決まってきたころ
23.
4年生の後期 研究内容が決まってきたころ 何も知らない僕に担当教官が
24.
僕
担当教官 これ使ってみて
25.
僕
担当教官 わかりました。 これ使ってみて 簡単に説明 を・・・
26.
僕
担当教官 わかりました。 これ使ってみて 簡単に説明 を・・・ 読めばわかる よ!
27.
僕
担当教官 わかりました。 これ使ってみて 簡単に説明 を・・・ 読めばわかる よ! 応用って書いて ありますけ ど・・・
28.
僕
担当教官 わかりました。 これ使ってみて 簡単に説明 を・・・ 読めばわかる よ! 応用って書いて ありますけ ど・・・ 読めばわかる よ!
29.
僕
担当教官 わかりました。 これ使ってみて 簡単に説明 を・・・ 読めばわかる よ! 応用って書いて ありますけ ど・・・ 読めばわかる よ! 簡単でいいので せ、説明 を・・・
30.
僕
担当教官 わかりました。 これ使ってみて 簡単に説明 を・・・ 読めばわかる よ! 応用って書いて ありますけ ど・・・ 読めばわかる よ! 簡単でいいので せ、説明 を・・・ 頑張って!!
31.
自己組織化マップとは?
32.
自己組織化マップとは? Self Organizing Map
33.
自己組織化マップとは?
ソ ム Self Organizing Map ⇒ SOM
34.
自己組織化マップとは?
ソ ム Self Organizing Map ⇒ SOM コホネンが提案した、教師なし学習によって、入力 データ群をそのデータ間の関係を保ったまま、任意の 次元へと写像することができる、大脳皮質の視覚野を モデル化した人工ニューラルネットワークの一種であ る。 高専生のレポートで大活躍のWikipedia より
35.
自己組織化マップとは?
ソ ム Self Organizing Map ⇒ SOM コホネンが提案した、教師なし学習によって、入力 データ群をそのデータ間の関係を保ったまま、任意の 次元へと写像することができる、大脳皮質の視覚野を モデル化した人工ニューラルネットワークの一種であ る。 高専生のレポートで大活躍のWikipedia より (?Д?)エッ?! ナニソレオイシイノ??
36.
簡単に言うと
37.
入力データを平面にきれいに並べ
る
38.
入力データを平面にきれいに並べ
る
39.
属
属 属 属 属 属 属 属 属 属 属 属 属 属 属 属 性 性 性 性 性 性 性 性 性 性 性 性 性 性 性 性 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 小 中 大 夜 2 4 髪 有 た 羽 縞 草 名前 さ ぐ き 行 を 蹄 て 根 あ 狩 走 飛 泳 食 ら 本 本 持 が あ 猟 る ぶ ぐ い い 性 足 足 類 り 性 い つ み り ハト 1 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0.5 キツネ 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0.5 メンドリ 1 0 0 0 1 0 0 0 0 1 0.3 0 0 1 1 0.5 ライオン 0 0 0 0 1 0 0 0 0 1 0 0 0 1 1 0.5 ガチョウ 1 0 0 1 1 0 0 0 0 1 0 1 0 1 0 0 ワシ 0 0 0 0 1 0 0 0 0 1 0 1 0 1 0 0 イヌ 0 1 0 0 1 0 0 0 0 1 0 1 0 0 0 0 オオカミ 0 1 0 0.5 0 1 1 0 0 0 0 1 0 0 0 0 シマウマ 0 1 0 0 0 1 1 0 0 0 0 0 1 0 0 0 アヒル 1 1 0 1 0 1 1 0 1 0 0 1 1 0 0 0 ネコ 1 0 0 0.5 0 1 1 0 0 0 0 1 0 0 0 0 フクロウ 1 0 1 0.5 0 1 1 0 0 0 1 1 1 0 0 0 トラ 0 0 1 0 0 1 1 0 1 0 0 1 1 0 0 0 ウマ 0 0 1 0 0 1 1 1 1 0 0 0 1 0 0 1 タカ 1 0 1 0 0 1 1 1 1 0 1 0 1 0 0 1 ウシ 0 0 1 0 0 1 1 1 0 0 0 0 0 0 0 1
40.
属
属 属 属 属 属 属 属 属 属 属 属 属 属 属 属 性 性 性 性 性 性 性 性 性 性 性 性 性 性 性 性 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 小 中 大 夜 2 4 髪 有 た 羽 縞 草 名前 さ ぐ き 行 を 蹄 て 根 あ 狩 走 飛 泳 食 ら 本 本 持 が あ 猟 る ぶ ぐ い い 性 足 足 類 り 性 い つ み り ハト 1 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0.5 キツネ 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0.5 メンドリ 1 0 入力ノード1 (16次 0 0 1 0 0 0 0 1 0.3 0 0 1 1 0.5 ライオン 0 0 0 元) 0 1 0 0 0 0 1 0 0 0 1 1 0.5 ガチョウ 1 0 0 1 1 0 0 0 0 1 0 1 0 1 0 0 ワシ 0 0 0 0 1 0 0 0 0 1 0 1 0 1 0 0 イヌ 0 1 0 0 1 0 0 0 0 1 0 1 0 0 0 0 オオカミ 0 1 0 0.5 0 1 1 0 0 0 0 1 0 0 0 0 シマウマ 0 1 0 0 0 1 1 0 0 0 0 0 1 0 0 0 アヒル 1 1 0 1 0 1 1 0 1 0 0 1 1 0 0 0 ネコ 1 0 0 0.5 0 1 1 0 0 0 0 1 0 0 0 0 フクロウ 1 0 1 0.5 0 1 1 0 0 0 1 1 1 0 0 0 トラ 0 0 1 0 0 1 1 0 1 0 0 1 1 0 0 0 ウマ 0 0 1 0 0 1 1 1 1 0 0 0 1 0 0 1 タカ 1 0 1 0 0 1 1 1 1 0 1 0 1 0 0 1 ウシ 0 0 1 0 0 1 1 1 0 0 0 0 0 0 0 1
41.
属
属 属 属 属 属 属 属 属 属 属 属 属 属 属 属 性 性 性 性 性 性 性 性 性 性 性 性 性 性 性 性 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 小 中 大 夜 2 4 髪 有 た 羽 縞 草 名前 さ ぐ き 行 を 蹄 て 根 あ 狩 走 飛 泳 食 ら 本 本 持 が あ 猟 る ぶ ぐ い い 性 足 足 類 り 性 い つ み り ハト 1 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0.5 キツネ 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0.5 メンドリ 1 0 0 0 1 0 0 0 0 1 0.3 0 0 1 1 0.5 ライオン 0 0 入力ノード2 (16次 0 0 1 0 0 0 0 1 0 0 0 1 1 0.5 ガチョウ ワシ 1 0 0 0 0 0 元) 1 0 1 1 0 0 0 0 0 0 0 0 1 1 0 0 1 1 0 0 1 1 0 0 0 0 イヌ 0 1 0 0 1 0 0 0 0 1 0 1 0 0 0 0 オオカミ 0 1 0 0.5 0 1 1 0 0 0 0 1 0 0 0 0 シマウマ 0 1 0 0 0 1 1 0 0 0 0 0 1 0 0 0 アヒル 1 1 0 1 0 1 1 0 1 0 0 1 1 0 0 0 ネコ 1 0 0 0.5 0 1 1 0 0 0 0 1 0 0 0 0 フクロウ 1 0 1 0.5 0 1 1 0 0 0 1 1 1 0 0 0 トラ 0 0 1 0 0 1 1 0 1 0 0 1 1 0 0 0 ウマ 0 0 1 0 0 1 1 1 1 0 0 0 1 0 0 1 タカ 1 0 1 0 0 1 1 1 1 0 1 0 1 0 0 1 ウシ 0 0 1 0 0 1 1 1 0 0 0 0 0 0 0 1
42.
属
属 属 属 属 属 属 属 属 属 属 属 属 属 属 属 性 性 性 性 性 性 性 性 性 性 性 性 性 性 性 性 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 小 中 大 夜 2 4 髪 有 た 羽 縞 草 名前 さ ぐ き 行 を 蹄 て 根 あ 狩 走 飛 泳 食 ら 本 本 持 が あ 猟 る ぶ ぐ い い 性 足 足 類 り 性 い つ み り ハト 1 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0.5 キツネ 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0.5 メンドリ 1 0 0 0 1 0 0 0 0 1 0.3 0 0 1 1 0.5 ライオン 0 0 0 0 1 0 0 0 0 1 0 0 0 1 1 0.5 ガチョウ 1 0 入力ノード3 (16次 0 1 1 0 0 0 0 1 0 1 0 1 0 0 ワシ イヌ 0 0 0 1 0 0 元) 0 0 1 1 0 0 0 0 0 0 0 0 1 1 0 0 1 1 0 0 1 0 0 0 0 0 オオカミ 0 1 0 0.5 0 1 1 0 0 0 0 1 0 0 0 0 シマウマ 0 1 0 0 0 1 1 0 0 0 0 0 1 0 0 0 アヒル 1 1 0 1 0 1 1 0 1 0 0 1 1 0 0 0 ネコ 1 0 0 0.5 0 1 1 0 0 0 0 1 0 0 0 0 フクロウ 1 0 1 0.5 0 1 1 0 0 0 1 1 1 0 0 0 トラ 0 0 1 0 0 1 1 0 1 0 0 1 1 0 0 0 ウマ 0 0 1 0 0 1 1 1 1 0 0 0 1 0 0 1 タカ 1 0 1 0 0 1 1 1 1 0 1 0 1 0 0 1 ウシ 0 0 1 0 0 1 1 1 0 0 0 0 0 0 0 1
43.
属
属 属 属 属 属 属 属 属 属 属 属 属 属 属 属 性 性 性 性 性 性 性 性 性 性 性 性 性 性 性 性 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 小 中 大 夜 2 4 髪 有 た 羽 縞 草 名前 さ ぐ き 行 を 蹄 て 根 あ 狩 走 飛 泳 食 ら 本 本 持 が あ 猟 る ぶ ぐ い い 性 足 足 類 り 性 い つ み り ハト 1 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0.5 キツネ 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0.5 メンドリ 1 0 0 0 1 0 0 0 0 1 0.3 0 0 1 1 0.5 ライオン 0 0 0 0 1 0 0 0 0 1 0 0 0 1 1 0.5 ガチョウ 1 0 0 1 1 0 0 0 0 1 0 1 0 1 0 0 ワシ 0 0 0 0 1 0 0 0 0 1 0 1 0 1 0 0 イヌ 0 1 0 0 1 0 0 0 0 1 0 1 0 0 0 0 オオカミ 0 1 0 0.5 0 1 1 0 0 0 0 1 0 0 0 0 シマウマ 0 1 0 0 0 1 1 0 0 0 0 0 1 0 0 0 アヒル 1 1 0 1 0 1 1 0 1 0 0 1 1 0 0 0 ネコ 1 0 0 0.5 0 1 1 0 0 0 0 1 0 0 0 0 フクロウ 1 0 1 0.5 0 1 1 0 0 0 1 1 1 0 0 0 トラ 0 0 1 0 0 1 1 0 1 0 0 1 1 0 0 0 ウマ 0 0 1 0 0 1 1 1 1 0 0 0 1 0 0 1 タカ 1 0 1 0 0 1 1 1 1 0 1 0 1 0 0 1 ウシ 0 0 1 0 0 1 1 1 0 0 0 0 0 0 0 1
44.
属
属 属 属 属 属 属 属 属 属 属 属 属 属 属 属 性 性 性 性 性 性 性 性 性 性 性 性 性 性 性 性 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 小 中 大 夜 2 4 髪 有 た 羽 縞 草 名前 さ ぐ き 行 を 蹄 て 根 あ 狩 走 飛 泳 食 ら 本 本 持 が あ 猟 る ぶ ぐ い い 性 足 足 類 り 性 い つ み り ハト 1 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0.5 キツネ 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0.5 メンドリ 1 0 0 0 1 0 0 0 0 1 0.3 0 0 1 1 0.5 ライオン 0 0 0 0 1 0 0 0 0 1 0 0 0 1 1 0.5 ガチョウ 1 0 0 1 1 0 0 0 0 1 0 1 0 1 0 0 ワシ 0 0 0 0 1 0 0 0 0 1 0 1 0 1 0 0 イヌ 0 1 0 0 1 0 0 0 0 1 0 1 0 0 0 0 オオカミ 0 1 0 0.5 0 1 1 0 0 0 0 1 0 0 0 0 シマウマ 0 1 0 0 0 1 1 0 0 0 0 0 1 0 0 0 アヒル 1 1 0 1 0 1 1 0 1 0 0 1 1 0 0 0 ネコ 1 0 0 0.5 0 1 1 0 0 0 0 1 0 0 0 0 フクロウ 1 0 1 0.5 0 1 1 0 0 0 1 1 1 0 0 0 トラ 0 0 1 0 0 1 1 0 1 0 0 1 1 0 0 0 ウマ 0 0 1 0 0 1 1 1 1 0 0 0 1 0 0 1 タカ 1 0 1 0 0 1 1 1 1 0 1 0 1 0 0 1 ウシ 0 0 1 0 0 1 1 1 0 0 0 0 0 0 0 1
45.
属
属 属 属 属 属 属 属 属 属 属 属 属 属 属 属 性 性 性 性 性 性 性 性 性 性 性 性 性 性 性 性 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 小 中 大 夜 2 4 髪 有 た 羽 縞 草 名前 さ ぐ き 行 を 蹄 て 根 あ 狩 走 飛 泳 食 ら 本 本 持 が あ 猟 る ぶ ぐ い い 性 足 足 類 り 性 い つ み り ハト 1 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0.5 キツネ 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0.5 メンドリ 1 0 0 0 1 0 0 0 0 1 0.3 0 0 1 1 0.5 ライオン 0 0 0 0 1 0 0 0 0 1 0 0 0 1 1 0.5 ガチョウ 1 0 0 1 1 0 0 0 0 1 0 1 0 1 0 0 ワシ 0 0 0 0 1 0 0 0 0 1 0 1 0 1 0 0 イヌ 0 1 0 0 1 0 0 0 0 1 0 1 0 0 0 0 オオカミ 0 1 0 0.5 0 1 1 0 0 0 0 1 0 0 0 0 シマウマ 0 1 0 0 0 1 1 0 0 0 0 0 1 0 0 0 アヒル 1 1 0 1 0 1 1 0 1 0 0 1 1 0 0 0 ネコ 1 0 0 0.5 0 1 1 0 0 0 0 1 0 0 0 0 フクロウ 1 0 1 0.5 0 1 1 0 0 0 1 1 1 0 0 0 トラ 0 0 1 0 0 1 1 0 1 0 0 1 1 0 0 0 ウマ 0 0 1 0 0 1 1 1 1 0 0 0 1 0 0 1 タカ 1 0 1 0 0 1 1 1 1 0 1 0 1 0 0 1 ウシ 0 0 1 0 0 1 1 1 0 0 0 0 0 0 0 1
46.
属
属 属 属 属 属 属 属 属 属 属 属 属 属 属 属 性 性 性 性 性 性 性 性 性 性 性 性 性 性 性 性 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 小 中 大 夜 2 4 髪 有 た 羽 縞 草 名前 さ ぐ き 行 を 蹄 て 根 あ 狩 走 飛 泳 食 ら 本 本 持 が あ 猟 る ぶ ぐ い い 性 足 足 類 り 性 い つ み り ハト 1 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0.5 キツネ 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0.5 メンドリ 1 0 0 0 1 0 0 0 0 1 0.3 0 0 1 1 0.5 ライオン 0 0 0 0 1 0 0 0 0 1 0 0 0 1 1 0.5 ガチョウ 1 0 0 1 1 0 0 0 0 1 0 1 0 1 0 0 ワシ 0 0 0 0 1 0 0 0 0 1 0 1 0 1 0 0 イヌ 0 1 0 0 1 0 0 0 0 1 0 1 0 0 0 0 オオカミ 0 1 0 0.5 0 1 1 0 0 0 0 1 0 0 0 0 シマウマ 0 1 0 0 0 1 1 0 0 0 0 0 1 0 0 0 アヒル 1 1 0 1 0 1 1 0 1 0 0 1 1 0 0 0 ネコ 1 0 0 0.5 0 1 1 0 0 0 0 1 0 0 0 0 フクロウ 1 0 1 0.5 0 1 1 0 0 0 1 1 1 0 0 0 トラ 0 0 1 0 0 1 1 0 1 0 0 1 1 0 0 0 ウマ 0 0 1 0 0 1 1 1 1 0 0 0 1 0 0 1 タカ 1 0 1 0 0 1 1 1 1 0 1 0 1 0 0 1 ウシ 0 0 1 0 0 1 1 1 0 0 0 0 0 0 0 1
47.
属
属 属 属 属 属 属 属 属 属 属 属 属 属 属 属 性 性 性 性 性 性 性 性 性 性 性 性 性 性 性 性 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 小 中 大 夜 2 4 髪 有 た 羽 縞 草 名前 さ ぐ き 行 を 蹄 て 根 あ 狩 走 飛 泳 食 ら 本 本 持 が あ 猟 る ぶ ぐ い い 性 足 足 類 り 性 い つ み り ハト 1 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0.5 キツネ 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0.5 メンドリ 1 0 0 0 1 0 0 0 0 1 0.3 0 0 1 1 0.5 ライオン 0 0 0 0 1 0 0 0 0 1 0 0 0 1 1 0.5 ガチョウ 1 0 0 1 1 0 0 0 0 1 0 1 0 1 0 0 ワシ 0 0 0 0 1 0 0 0 0 1 0 1 0 1 0 0 イヌ 0 1 0 0 1 0 0 0 0 1 0 1 0 0 0 0 オオカミ 0 1 0 0.5 0 1 1 0 0 0 0 1 0 0 0 0 シマウマ 0 1 0 0 0 1 1 0 0 0 0 0 1 0 0 0 ※ サンプルなので細かいことは アヒル 1 1 0 1 0 1 1 0 1 0 0 1 1 0 0 0 ネコ 1 0 0 0.5 0 1 1 0 0 0 0 1 0 0 0 0 気にしないでください フクロウ 1 0 1 0.5 0 1 1 0 0 0 1 1 1 0 0 0 トラ 0 0 1 0 0 1 1 0 1 0 0 1 1 0 0 (注)僕は作ってません0 ウマ 0 0 1 0 0 1 1 1 1 0 0 0 1 0 0 1 タカ 1 0 1 0 0 1 1 1 1 0 1 0 1 0 0 1 ウシ 0 0 1 0 0 1 1 1 0 0 0 0 0 0 0 1
48.
入力データを平面にきれいに並べ
る
49.
入力データを平面にきれいに並べ
= る 出力
50.
51.
鳥
52.
草食 肉食
53.
動物の例ではわかりにくいので
54.
色(RGB)の例で説明します
55.
動物
色 16次 元 六角形
56.
動物
色 16次 3次元 元 六角形
57.
動物
色 16次 3次元 元 六角形 四角形
58.
手順 1、入力データを用意する
59.
手順 1、入力データを用意する 2、出力平面を初期化する
60.
手順 1、入力データを用意する 2、出力平面を初期化する 3、きれいに並べる(学習す る)
61.
入力データ ⇒ 画像
1ピクセル(R1、G1、 B1) 2ピクセル(R2、G2、 B2) 3ピクセル(R3、G 3、B3)
62.
入力データ ⇒ 画像
入力ノード 1 入力ノード 2 入力ノード 3
63.
入力データ ⇒ 画像
入力ノード 1 入力ノード 2 入力ノード 3 W 出力 ⇒ 配列 H
64.
入力データ ⇒ 画像
入力ノード 1 入力ノード 2 入力ノード 3 W 出力 ⇒ 配列 自分で決めるもの ・ 縦横のサイ ズ H ・ 初期状態
65.
入力データ ⇒ 画像
入力ノード 1 入力ノード 2 入力ノード 3 W 出力 ⇒ 配列 自分で決めるもの ・ 縦横のサイ ズ H ・ 初期状態
66.
学習処理 入力デー タ
・ 学習アルゴリズム ・ 出力 ・
67.
学習処理 入力デー タ
・ 学習アルゴリズム ・ ①入力ノードを一つ選択 出力 ・
68.
学習処理 入力デー タ
・ 学習アルゴリズム ・ ノード ①入力ノードを一つ選択 出力 ・ ②入力ノードに最も似てい るノード(勝者ノード) を探す
69.
学習処理 入力デー タ
・ 学習アルゴリズム ・ ノード ①入力ノードを一つ選択 出力 ・ ②入力ノードに最も似てい るノード(勝者ノード) を探す ③周囲にあるノードを入力 ノードに近い色にする
70.
学習処理 入力デー タ
・ 学習アルゴリズム ・ ノード ①入力ノードを一つ選択 出力 ・ ②入力ノードに最も似てい るノード(勝者ノード) を探す ③周囲にあるノードを入力 ノードに近い色にする
71.
学習処理 入力デー タ
・ 学習アルゴリズム ・ ①入力ノードを一つ選択 出力 ・ ②入力ノードに最も似てい るノード(勝者ノード) を探す ③周囲にあるノードを入力 ノードに近い色にする ④全ての入力ノードに対し て ①~③を繰り返 す
72.
学習処理 入力デー タ
・ 学習アルゴリズム ・ ①入力ノードを一つ選択 出力 ・ ②入力ノードに最も似てい るノード(勝者ノード) を探す ③周囲にあるノードを入力 ノードに近い色にする ④全ての入力ノードに対し て ①~③を繰り返 す 入力ノード全部やって学習 1回
73.
学習処理 入力デー タ
・ ・ 出力 ・ 注意事項 ※ 学習は何回も繰り返す
74.
学習処理 入力デー タ
・ ・ 出力 ・ 注意事項 ※ 学習は何回も繰り返す ※ 色を近づける割合は異なる 最初はかなり近づける、最後はちょっとだ け
75.
学習処理 入力デー タ
・ ・ 出力 ・ 注意事項 ※ 学習は何回も繰り返す ※ 色を近づける割合は異なる 最初はかなり近づける、最後はちょっとだ け ※ 色を近づける割合は異なる 2 勝者ノードに近いと影響力大
76.
学習処理 入力デー タ
・ ・ 出力 ・ 注意事項 ※ 学習は何回も繰り返す ※ 色を近づける割合は異なる 最初はかなり近づける、最後はちょっとだ け ※ 色を近づける割合は異なる 2 勝者ノードに近いと影響力大 ※ 範囲を徐々に小さくする
77.
学習を繰り返すことで・・・
78.
学習を繰り返すことで・・・
79.
学習を繰り返すことで・・・
完成!!
80.
注意!!
81.
入力ノードが全部現れるとは限りませ ん! ※ 特に入力ノード数 <
出力平面の大きさの時
82.
入力ノードが全部現れるとは限りませ ん! ※ 特に入力ノード数 <
出力平面の大きさの時 39969色 64色
83.
これでもう、みんなSOMを理解し
た
84.
これでもう、みんなSOMを理解し
た
Descargar ahora