localizeflow[bot]
5e53e585cd
|
3 months ago | |
|---|---|---|
| .. | ||
| README.md | 3 months ago | |
| assignment.md | 7 months ago | |
README.md
機械学習入門
事前講義クイズ
🎥 上の画像をクリックして、このレッスンを解説する短いビデオをご覧ください。
初心者のための古典的機械学習のコースへようこそ！このトピックが初めての方も、経験豊富なML実務者で特定の分野を復習したい方も、参加していただけて嬉しいです！私たちはあなたのML学習のためのフレンドリーな出発点を作りたいと考えており、あなたのフィードバックを評価、応答し、取り入れていきたいと思っています。
🎥 上の画像をクリックして、MITのジョン・ガッタグによる機械学習の紹介ビデオをご覧ください
機械学習の始め方
このカリキュラムを始める前に、ノートブックをローカルで実行できるようにコンピュータのセットアップが必要です。
- これらのビデオでマシンを設定する。以下のリンクを使って、Pythonのインストール方法とテキストエディタのセットアップについて学んでください。
- Pythonを学ぶ。このコースで使うデータサイエンティストに役立つプログラミング言語Pythonの基本的な理解を持つことが推奨されます。
- Node.jsとJavaScriptを学ぶ。このコースでウェブアプリ構築時にJavaScriptも使用するため、nodeとnpmをインストールし、PythonとJavaScriptの両方の開発にVisual Studio Codeを利用できるようにしてください。
- GitHubアカウントを作成する。GitHubで見つけたので、すでにアカウントを持っているかもしれませんが、まだなら作成して、このカリキュラムをフォークして自由に使ってください。（もしよければスターもお願いします😊）
- Scikit-learnを調べる。このレッスンで参照するMLライブラリ群Scikit-learnに慣れておいてください。
機械学習とは？
「機械学習」という言葉は今最も人気があり、頻繁に使われる用語の1つです。技術に少しでも馴染みがあるなら、この言葉を少なくとも一度は耳にしたことがある可能性が非常に高いです。しかし、機械学習の仕組みは多くの人にとって謎です。初心者にとっては時に圧倒的に感じることもあります。だからこそ、機械学習とは何かを理解し、実践的な例を通じて少しずつ学ぶことが重要です。
流行の波
Google Trendsが示す「機械学習」という用語の最近の流行曲線
謎めいた宇宙
私たちは魅力的な謎に満ちた宇宙に住んでいます。スティーブン・ホーキングやアルバート・アインシュタインなど偉大な科学者たちは、周囲の世界の謎を解き明かす意味のある情報を探すことに一生を捧げました。これは学習という人間の本質であり、人間の子供は成長するにつれて年々新しいことを学び、自分の世界の構造を理解していきます。
子供の脳
子供の脳と感覚は周囲の事実を認識し、徐々に生活の隠れたパターンを学びます。これが子供が学んだパターンを特定する論理的ルールを作る助けになります。人間の脳の学習プロセスは人間をこの世界で最も高度な生物にしています。隠れたパターンを発見しそれをもとに革新することで、一生を通じてより良くなれるのです。この学習能力と進化する力は脳の可塑性という概念に関連しています。表面的には、人間の脳の学習プロセスと機械学習の概念間にはいくつかの動機づけとなる類似点が描けます。
人間の脳
人間の脳は現実世界から物事を認識し、情報を処理し、合理的な意思決定を行い、状況に応じて行動します。これが知的に行動すると呼ばれるものです。知的な行動プロセスの模倣を機械にプログラムすることを人工知能（AI）と呼びます。
用語の説明
用語は混同されがちですが、機械学習(ML)は人工知能の重要なサブセットです。MLは専門的なアルゴリズムを使い、認識したデータから意味のある情報を発見し、隠れたパターンを見つけて合理的な意思決定プロセスを裏付けることに関係しています。
AI、ML、深層学習
AI、ML、深層学習、データサイエンス間の関係を示す図。Jen Looperによるインフォグラフィックで、こちらのグラフィックを参考にしています。
学ぶべき概念
このカリキュラムでは、初心者が知るべき機械学習のコア概念のみを扱います。主要にScikit-learnという、多くの学生が基本を学ぶために使う優れたライブラリを使い、「古典的機械学習」と呼ばれるものをカバーします。人工知能や深層学習のより広範な概念を理解するには、機械学習の強固な基礎知識が不可欠であり、ここで提供したいと思います。
このコースで学べること：
- 機械学習のコア概念
- MLの歴史
- MLと公平性
- 回帰ML技術
- 分類ML技術
- クラスタリングML技術
- 自然言語処理ML技術
- 時系列予測ML技術
- 強化学習
- MLの実世界アプリケーション
扱わない内容
- 深層学習
- ニューラルネットワーク
- AI
より良い学習体験のために、ニューラルネットワーク、多層モデル構築の「深層学習」、AIの複雑さを避けます。これらは別のカリキュラムで扱います。また、データサイエンスに特化した次のカリキュラムも提供予定です。
なぜ機械学習を学ぶのか？
機械学習はシステムの観点で、データから隠れたパターンを学習し、知的な意思決定を支援する自動化システムの構築と定義されます。
この動機付けは、人間の脳が外部世界から認識したデータに基づき特定のことを学習する方法にゆるやかにインスパイアされています。
✅ 企業がハードコードされたルールベースのエンジンを作る代わりに、なぜ機械学習戦略を使いたいと思うのか、一瞬考えてみてください。
なぜデータ品質が重要か
高品質なデータはモデルの性能を向上させます。質の低いノイズの多いデータは、先進的な機械学習アルゴリズムを使っても誤った予測をもたらす可能性があります。
機械学習の応用
機械学習の応用は、現在ほぼあらゆるところに存在し、携帯電話、接続されたデバイス、その他のシステムによって社会中で生成されるデータと同じくらい普及しています。最先端の機械学習アルゴリズムの巨大な可能性を考慮し、研究者たちは多次元かつ多分野にわたる現実世界の問題を大きな成果で解決する能力を探っています。
実用MLの例
機械学習は多くの方法で使えます：
- 患者の医療履歴や報告から病気の可能性を予測するため。
- 天候データを利用して気象イベントを予測するため。
- テキストの感情を理解するため。
- フェイクニュースを検出してプロパガンダの拡散を止めるため。
金融、経済学、地球科学、宇宙探査、生物医学工学、認知科学、さらには人文科学の分野でも、機械学習を活用し、その分野の困難でデータ処理が多い問題を解決しています。
結論
機械学習は現実世界または生成されたデータから意味のある洞察を見つけ出すことでパターン発見プロセスを自動化します。ビジネス、健康、金融の応用などで非常に価値が証明されています。
近い将来、広範な普及のため、どの分野の人にとっても機械学習の基本理解は必須となるでしょう。
🚀 チャレンジ
紙やExcalidrawのようなオンラインアプリを使って、AI、ML、深層学習、データサイエンスの違いについての理解をスケッチしてください。それぞれの技術が得意とする問題のアイデアも加えてみましょう。
事後講義クイズ
復習＆自己学習
クラウドでMLアルゴリズムを使う方法についてもっと学びたい場合は、このラーニングパスを進めてください。
MLの基本について学べるラーニングパスもあります。
課題
免責事項： 本書類は AI 翻訳サービス Co-op Translator を使用して翻訳されています。正確性を期していますが、自動翻訳には誤りや不正確な部分が含まれる可能性があることをご承知おきください。原文の原語版が正式な情報源とみなされるべきです。重要な情報については、専門の人間による翻訳を推奨します。本翻訳の利用により生じたいかなる誤解や解釈違いについても、当方は責任を負いかねます。