※ 株式会社GIGでは毎月社内勉強会を実施しています GIG inc. Good is good. We provide opportunities to the SEKAI by fusing technology and ideas. テクノロジーとクリエイティブでセカイをより良くする。小さなチームからスタートした多くの先人達が、世界をより豊かなモノに変革してきました。通信、UX、デバイス、技術の変化と共に世界はまだまだ加速度的に変わります。 Good is good. いいものはいい。GIGは、関わったユーザーやクライアントが前に進める“きっかけ”をつくりつづけます。 「機械学習の教師あり学習をやってみる」を公開 ■ お問い合せ https://giginc.co.jp/contact/

1. Tech Trend Talk 5
2018年7月25日（水）

2. WIFI
SSID : GIG_GUEST_A
PW : gigguest

4. A.Iと言いたくないけど
A.I.の話 part 3
Masanori Nakashima
2018

5. 中島
中島 正成
▪ Institution for a Global Society株式会社
▪ 執行役員CTO
▪ 人材データの分析・機械学習
▪ 人工知能をつかった評価システム GROW360開発
▪ 英作文採点システム開発
▪ エン・ジャパン株式会社
▪ 株式会社不満買取センターCTO
▪ 自然言語処理によるマーケティングデータ分類
▪ 株式会社メタップス
▪ 取締役CTO
▪ 広告プラットフォームmetapsリワード開発
▪ メタップスアナリティクスプロトタイプ開発
▪ 決済プラットフォームSpikeプロトタイプ開発

6. Overview
▪ 前回のおさらい
▪ 教師なし学習をやってみよう

7. A.I（人工知能）とはなんですか？

8. 人
工
知
能

10. 今日は教師あり学習をやります

11. 物すごく短くいうと、多
くのデータに対してもっ
ともらしい関数を自動的
につくる。
回帰モデル
分類モデル、ツリーモデ
ルとも。ツリー型に条件
分岐して答えを出すため
の分岐条件を自動的につ
くっていく。
判別モデル
手法ではなく枠組み。
統計的にもっともらしい
答えを推定していく手法
。
統計モデリング
脳機能に見られるいく
つかの特性を計算機上
のシミュレーションに
よって表現することを
目指した数学モデル。
ニューラル
ネットワーク
抑えるべき機械学習の言葉の話

12. 回帰モデルの基本の話

13. 判別モデルの進化の話

14. • 回帰
• 線形回帰
• ロジスティック回帰
• SVM
• ツリー
• 決定木
• 回帰木
• ランダムフォレスト
• 勾配ブースティング
• ニューラルネットワーク
• CNN
• RNN
• パーセプトロン
教師あり学習
• 階層型クラスタリング
• 非階層型クラスタリング
• K-means
• トピックモデル
• LDA
• 協調フィルタリング
• 自己組織化マップ
教師なし学習
教師あり学習と教師なし学習

15. これから
▪ 第一回 機械学習の概要
▪ 第二回 環境準備と教師なし学習の実践
▪ 第三回 教師あり学習とプロダクトへの活用
▪ 第四回 スコア予測の事例の実践
▪ 第五回 適切なアルゴリズムの探索
▪ 第六回 自然言語処理の入り口
index

16. 教師あり学習とは
やってみよう分類問題

17. 教師あり学習とは
過去のデータをもとに
予測・分類する

18. 教師あり学
習
とは？
教師あり学習（きょうしありがくしゅう, 英: Supervised
learning）とは、機械学習の手法の一つである。事前に与え
られたデータをいわば「例題（＝先生からの助言）」とみ
なして、それをガイドに学習（＝データへの何らかのフィ
ッティング）を行うところからこの名がある。
予測や分類をするときに使う
提案や予測をするときに用いられます。ときにプロダクトで
も利用される。

19. SVMとは
● SVM
サポートベクターマシン（英: support vector machine, SVM）は、教師あり学習を用いるパターン認識モデルの一
つである。分類や回帰へ適用できる。1963年に Vladimir N. Vapnik, Alexey Ya. Chervonenkis が線形サポートベク
ターマシンを発表し[1]、1992年に Bernhard E. Boser, Isabelle M. Guyon, Vladimir N. Vapnik が非線形へと拡張し
た。
サポートベクターマシンは、現在知られている手法の中でも認識性能が優れた学習モデルの一つである。サポート
ベクターマシンが優れた認識性能を発揮することができる理由は、未学習データに対して高い識別性能を得るため
の工夫があるためである。

20. マージン最大化とサポートベクトル

21. すでにカテゴリ分けした
パラメータ付きデータが
たくさんある
SVMってどんな時に使うの？
SVMで分類器作る
同じパラメータを
もった未分類の
データがきた
SVMで新しいデータに
カテゴリをつける！
カテゴリ分けをしたい時に使います

22. こんなことで使えます
投稿された記事を自動的に分類する 商品を自動的に分類する
人の情報から分類する 人の情報から分類する
パターン認識なので、自動的にデータを分類したい場合に力を発揮します。

23. 環境構築
やってみよう

24. Pythonをいれよう ①
● pyenvはpythonの複数のバージョンをインストールして、用途に応じて切り替えることができるpython
環境管理ツールです。 本日はmacとubuntuのインストール方法だけさらっと説明します。
pyenv をいれるのがおすすめです！
初心者はとりあえずpyenvとanaconda2, anaconda3をいれましょう！
# pyenvのインストール
brew install pyenv
# anacondaのインストール
pyenv install anaconda2-5.0.1
pyenv install anaconda3-5.0.1
# インストール確認
pyenv versions
# anaconda3利用の設定
pyenv global anaconda3-5.0.1
# 必要パッケージのインストール
sudo apt-get install git gcc make openssl libssl-dev libbz2-dev
libreadline-dev libsqlite3-dev
# pyenvのインストール
sudo git clone git://github.com/yyuu/pyenv.git ./pyenv
# .bash_profile
export PYENV_ROOT=$HOME/.pyenv
export PATH=$PYENV_ROOT/bin:$PATH
eval "$(pyenv init -)”
# anacondaのインストール
pyenv install anaconda2-5.0.1
pyenv install anaconda3-5.0.1
# ..あとはmacと同じ

25. Pythonをいれよう ②
gist for mac os
https://bit.ly/2KLwk5E
gist for ubuntu
https://bit.ly/2rZOZ6J

26. jupyter-notebookをいれよう
● jupyterはpythonのcliを気軽に試して保存できる便利なノートブックツールです。
# pyenvのインストール
pip install jupyter
# jupyter notebook起動
jupyter notebook

28. 分析開始
やってみよう

29. ケース
▪ あやめデータセットで学習させて分類してみます。

30. 今日使うデータ
sklearn.datasetsのIrisデータセットを使います
インポートするだけで使えます

31. 新しいnotebookを作ろう
● NewタブからPython3をクリックして新しいノートブックを作ってみましょう。

32. ノートに名前をつけよう
● Untitledのところをクリックするとノートブックの名前を変更して保存できます。

33. Pythonを書き始めよう
● フォームにPythonプログラムを書いて実行しながら結果をみていくことができます。保存もノートブッ
クのダウンロードも共有もできるよ。

34. さっそくデータ読み込み
import matplotlib.pyplot as plt
from sklearn import datasets
from sklearn import svm
from sklearn.svm import SVC
from sklearn import cross_validation
from sklearn.cross_validation import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.grid_search import GridSearchCV
from sklearn import preprocessing
iris = datasets.load_iris()
X = iris.data
Y = iris.target
Pandas, numpy, scikit-learn, matplotlib等必要なライブラリを読み込みます。
今回はscikit-learnのdatasetsに用意されているIrisデータセットをload_iris()で読み込みます。

35. とりあえず実行してみる
● 読み込まれたCSVがデータフレームに取り込まれて表になっています。Pythonでは最後の行の式がOutとして評価されますよ。

36. 実演中。。。

37. データを学習用と検証用にわけて標準化します
X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=0.3, random_state=None )
sc = StandardScaler()
sc.fit(X_train)
X_train_std = sc.transform(X_train)
X_test_std = sc.transform(X_test)
X_train_std

38. 実行してみます

39. 実演中。。。

40. データを使ってトレーニングします
model = SVC()
model.fit(X_train_std, Y_train)
難しいことは考えないでfit関数でトレーニングしてみましょう

41. 実行してみます
● トレーニングが完了します

42. 実演中。。。

43. 正解率を検証してみます
pred_train = model.predict(X_train_std)
accuracy_train = accuracy_score(Y_train, pred_train)
print('正解率： %.2f' % accuracy_train)
pred_test = model.predict(X_test_std)
accuracy_test = accuracy_score(Y_test, pred_test)
print('正解率： %.2f' % accuracy_test)

44. 実行してみます

45. 実演中。。。

46. まとめ
人材データの分類機の話

47. まとめ
● 二次元のデータを分類してみました
● https://bit.ly/2KIRH7A
● 予測は毎回同じになるとは限らない
● 次回は次元削減

48. 宣伝１
https://grow-360.com/
勇者募集中, Go, Python, Vue, Scala

49. 宣伝２ 小学生向け
サマースクールやります！
• 小学１年生〜３年生対象のデータを活用した新しい教育
を模索するサマースクールやります！
• 対象のお子様がいらっしゃる方はぜひご参加を！
• https://any-school.org/
• IT関係のボランティアスタッフ募集！
• デザイン、コーディング
• IoT機器の設定やデータ取得・管理
• データ分析
• その他Webやアプリケーション開発
財団法人エニースクール
勇者求む！