2014年11月度 AITC クラウド・テクノロジー活用部会 勉強会資料 ニューラルネットワーク ことはじめ

1. Copyright ©2014 Advanced IT Consortium to Evaluate, Apply and Drive All Rights Reserved.
ニューラルネットワーク ことはじめ
2014年11月17日
先端IT活用推進コンソーシアム
クラウド・テクノロジー活用部会
勉強会資料
岡村和英(株式会社テクリエ)

2. ニューラル ネットワーク？
2

3. 脳の仕組みを シミュレーションに よって表現した 数学モデル
3

4. 脳の働きを コンピューターで
再現する
4

5. ニューロン と シナプス
5

6. ニューロン(neuron)
6

7. 神経細胞
7

8. 細胞体
(soma)
http://commons.wikimedia.org/wiki/File:Neuron_Hand-tuned.svg
樹状突起 (dendrite)
核
シナプス （synapse）
軸索 (axon)
（細かいところは省略）
8

9. 樹状突起から入力される信号が
ある一定のしきい値を超えると
急激な電位変化が生じる
（ニューロンの発火）
9

10. 軸索から出力された信号が
シナプスを通じて接続された
別のニューロンに伝えられる
10

11. シナプスの信号伝達効率は
それぞれ異なる
11

12. モデル化してみる
12

13. 人工ニューロン
13

14. しきい値 Θ
結合係数wi
入力xi
出力O
ユニット
14

15. 階層型 ネットワーク
15

16. wkj
xi
Ok
wji
入力層
中間層
出力層
16

17. wkj
xi
Ok
wji
前向き演算
入力層
中間層
出力層
17

18. パターン識別程度であれば
３階層で実現可能
18

19. ネットワークに
学習させる
19

20. 結合係数を調整することで
理想の出力を得る
20

21. 全てのユニットの
しきい値は同じ
Θ＝一定
21

22. 発火したニューロンの出力は
入力量に関わらず常に一定
O＝０or１
22

23. しきい値を半分に減らしたい （より敏感に反応）
Wiを２倍にする
（入力感度を高める）
23

24. 出力を２倍にしたい （より強く反応）
Wjiを２倍にする
（出力先の入力感度を高める）
24

25. バックプロパゲーション （誤差逆伝搬法）
25

26. wkj
xi
Ok
wji
後向き演算
入力層
中間層
出力層
26

27. 出力層で得られる誤差が
少なくなるように
結合係数を修正する
27

28. 具体的な計算方法は
ここで説明するには
難しすぎるので割愛
28

29. 複数の教師信号パターンを
繰り返すことで
全体の誤差を最小化できる
29

30. 今回はここまで！
30

31. Copyright ©2014 Advanced IT Consortium to Evaluate, Apply and Drive All Rights Reserved.
http://aitc.jp
https://www.facebook.com/aitc.jp
ハルミン
AITC非公式イメージキャラクター