Recomendados
Más contenido relacionado
La actualidad más candente
La actualidad más candente (20)
Destacado
Destacado (20)
Similar a はてなインターン「機械学習」
Similar a はてなインターン「機械学習」 (20)
Último
Último (8)
はてなインターン「機械学習」
- 1. はてなインターン講義#7 機械学習 2010.08.07 株式会社はてな 倉井龍太郎
- 2. 自己紹介
- 3. id:r_kurain アプリケーションエンジニア はてなブックマーク チーム Myブックマーク 全文検索 iPhone アプリ(ブックマーク、モノリス)
- 4. id:r_kurain 私とはてなとインターン 2008年 8月 インターン はてなダイアリーキーワード検索 2009年4月 入社 2009年8月 インターン講師 全文検索講義 ブックマークチームメンター(検索にランキング導入)
- 5. 講義概要
- 6. 講義概要 機械学習とはなにか はてなでの応用例 実装への前提知識 休憩 確率論復習 ベイジアンフィルタ概説 課題説明
- 7. 機械学習とはなにか
- 9. スパムフィルタ 事前に与える(学習) -> spam メール 判定 -> spam or hum
- 10. 画像認識 http://developers.face.com/examples/tagger-widget/ 事前に与える -> 人の顔 判定 -> 顔 or その他
- 11. Webに近い分野 形態素解析(MeCab ChaSen) 学習:正しい品詞分解例を与えると 判定:未知の例文の品詞 手書き入力 学習:手書き文字の例 判定:未知の手書き入力文字 文書検索 学習:より良い検索の結果順(ranking) 判別:新しい検索結果の表示順
- 12. 機械学習とは 何かを識別する仕組み OK 訓練 データ 学習器 学習 判別 NG 未知 データ
- 13. はてなでの応用例
- 14. Spam blog対応 ワードサラダ “その日を覚えて、彼女は笑った。前の画面では、独 自の小さなテディベアで。すべての涙を笑った。の経 過も、しかし、毎週を殺すためにに困難です後暁飛、 双子のように荒れ地を開くのに時間がなかった。” 本文、コメントともに存在 SEOとかアフェリエイト収入目的か
- 17. はてなブックマーク関連エントリ PFIさん開発 http://preferred.jp/index.html ベイジアンフィルタの一種 chrome OSが公開されたので buildしてみる - kurainの壺
- 18. はてなブックマーク カテゴリ判定 新規エントリーのカテゴリを判別 これだ！
- 19. ここまでまとめ 機械学習は大量のデータを扱える サービスの大規模化に対応 Web のデータは常に変化・増加し続ける はてなブックマークは 2400万エントリ 一歩先のサービスを提供するには必要 基本的には何かを判別するもの
- 20. 具体的手法
- 21. モデル化 自然に存在するものを認識・識別 写真 ブログエントリ 計算可能だろうか？ 四則演算でかけそう？ 計算可能な形に表現を変える モデル化 手法は色々
- 22. モデル化の具体例 Bag of words Model 単語 回数 株式会社 1 株式会社はてなが運 はてな 2 用する、はてなブック 運用 1 マークは、ソーシャル ブックマークサービス ブックマーク 2 の最大手です ソーシャル 1 サービス 1 最大手 1 単語の出現位置は区別しない 単語間の関連性を無視するということ
- 23. 計算可能になったら 計算で識別すればよい ある単語の出現数に閾値を付ける N次元のベクトルと考えて、幾何学的距離をとる コサイン類似度 単語 docA docB 類似度の閾値で判別 株式会社 1 0 はてな 2 3 運用 1 1 ブックマー 2 0 ク ソーシャ 1 3 ル サービス 1 0 最大手 1 0
- 24. 識別方法は色々 教師付き学習 (supervised learning) 識別の正解例を与える e.g. spam メールの集合を与える 具体的な手法 SVM ベイジアンフィルタ 決定木 ID3
- 25. 識別方法その2 教師なし学習 正解例を与えない 集合を与えると適当にグループに分ける(クラスタリング) いくつに分けるかは、指定するものも、しないものも。 具体的実装 K-means K-Nearest Neighbor
- 26. ここまでまとめ 訓練 データ 学習手法は色々 前処理 OK モデル化 学習器 データ 学習 判別 NG 未知 モデル化 データ データ 前処理
- 27. ヒューリスティックス 識別は機械学習だけか？ ルールを記述していくことでもできる Spamメール判定 本文に http://... が 2 回以上でてくる Reply_to, from が実際に送ってきたサーバーと違う 特定の単語を含む Viagra, 人妻, etc... 経験則(ヒューリスティックス)で書く
- 28. はてなでの例 はてなブックマーク(県別エントリ) http://b.hatena.ne.jp/location
- 29. 地域別エントリの実装 住所名、駅名データから地域名データベースを 地域名 –> 県 滝川 –> 北海道 基本方針 地域名の出現回数で、エントリーを判別 滝川、音威子府、増毛 -> 北海道のエントリ 除外ルール 人名は地域名としてカウントしない 滝川クリステル -> not 北海道 Wikipedia 便利!
- 30. ヒューリスティックスの利点 ルールの特徴によっては非常に有効 単純 強固 書きやすい 例外条件を書きまくるだけで精度が上がる 機械学習より直感的に制御可能 実装も簡単 目的に合わせて使い分けるべき
- 31. 休憩 5分
- 32. 実装編
- 33. 実際に作ってみよう はてなブックマークのエントリ分類器 タグ情報を評価のための要素とする タグでエントリの特徴をモデル化 実サービスは 8 カテゴリ 今回は 1 カテゴリとその他 2値分類器 そのまま課題に アルゴリズムだけ解説
- 34. 使用する学習器 ベイジアンフィルタ Spamフィルタでの利用 Paul Graham “ハッカーと画家” ベイズの定理 実装が簡単 割に強力な性能
- 35. Classification 問題 ドキュメントをクラスに分ける問題 クラス ( C ) ブックマークのカテゴリのようなもの 分類する器のようなもの ドキュメント(d) ブックマークの1エントリ 特徴変数(t_n) N個の 単語の出現数 タグの出現数
- 36. ベイズの定理の前に 確率のおさらい P( A) 事象 A が起きる確率 エントリがクラスCである確率 P( C ) エントリにタグtが付いている確率 P(t) P( B | A) 条件付き確率 事象 A が起きた時に 事象 B が起きる確率 エントリがクラスCであるときに、タグが付いている確率 P( t|C )
- 37. 条件付き確率 求めたい確率は エントリがクラス C であるときに、特徴変数集合 (<t_1,t_2,….>)が付加されている条件付き確率 P( <自民党,民主党,献金,...>|政治 ) 特徴変数集合<t_1,t_2,…>が付いているときに、そのエント リがクラスCである条件付き確率 P(政治|<自民党,民主党,献金,...>) 事後確率 どっちだ？
- 38. 事後確率とベイズの定理 P( B) P( A | B) P( B | A) ベイズの定理 P( A) P(C ) P( t _ 1, t _ 2, t _ 3,.. | C ) P(C | t _ 1, t _ 2, t _ 3,.. ) P( t _ 1, t _ 2, t _ 3,.. ) n P( t _ 1, t _ 2, t _ 3,.. | C ) P(t _ k | C ) 条件付き独立仮定 k 1 n P(C | t _ 1, t _ 2, t _ 3,.. ) P(C ) P(t _ k | C ) k 1
- 39. さらに式変形 n P(C | t _ 1, t _ 2, t _ 3,.. ) P(C ) P(t _ k | C ) k 1 クラス中の _ kの数 t P(t _ k | C ) n クラスC中のt _ jの数 j 1 n log P(C | t _ 1, t _ 2, t _ 3,.. ) log P(C ) log P(t _ k | C ) k 1
- 40. 擬似コード(学習)
- 41. 擬似コード(判定)
- 42. 学習手順 全クラスにたいして 全ての単語(タグ)を抽出する – 語彙の作成 各クラスごとに 全ての単語(タグ)の数 Cct を数える 全てのドキュメントに対して 単語(タグ)の数Cdtを数える 全ての単語に対して P(t _ k | C ) を計算して保存
- 43. ドキュメント判定手順 全てのクラスに対して ドキュメントに含まれる語彙を抽出 クラスの出現確率 P(C) を調べる 出現した語彙t_1..t_j に対して P(t_k|C) を調べる 下記式を計算 n log P(C ) P(t _ k | C ) k 1 値が一番大きいクラスが正しいクラス
- 44. ベイジアンフィルタまとめ ナイーブベイズについて説明しました “条件付き独立仮定”といういい加減な仮定 単語同士はお互いに独立 にもかかわらず良い結果 自分で体験してみてください
- 45. 参考文献 Introduction to Information Retrieval(13章) 集合知プログラミング フリーソフトで作る音声認識システム 情報知識ネットワーク特論（平成１９年度） http://www-ikn.ist.hokudai.ac.jp/ikn-tokuron/ikn- tokuron.html