Deep Learningの軽い紹介 ~機械学習入門(?)~

• 今回は、機会学習入門です。

• 次回は、SURF vs Deep Learning というタイトルで、実際に評価,考察した結果を発表します。

ちょっと機会学習入門

機会学習は怖くない!!• 機会学習は、人間ができる”当たり前の”作業を、機械(コンピューター)にさ

せることを目指す。

人間ならば…顔の”表情”がすぐ解る(分類できる)。ではコンピューターが行うには…?

”機械”はどうつくるの？

人間は新しいことを何度も見て、聞いて、書いて覚えますよね。

コンピューターも、人間が行っていることを真似すれば、 学習できるはず。

少し数学的な視点から…A,B,Cにデータ(0or1)を入力すると、 X(0or1)を出力する”機械”があります。

• •

では、入力(A,B,C)と出力(X)のペアが与えられたときに、 これらの入出力を満たす機械をコンピューターが作るには？？

コンピューターは演算を行う機械です。

方法の一つに、何億回という演算を行い、

入出力の関係を、近似できる関数を作成する • • • • •

というものがあります。

その中に、人工ニューラルネットがあります。• •

脳の仕組みを単純化したものをコンピューター上で演算を繰り返し、学習(入出力関係を満たす関数近似)をします。

従って入出力の関係を用意してあげれば、 コンピューターでも学習ができるはずです。

でも、複雑な問題にはこれだけでは対応できません。

この画像1枚を学習しても、

これらの問題に対応できません。

これすら対応できません。

コンピューターは正確な答えを導く事ができますが、 柔軟な答えを求めるのは厳しいのです。

人間はコンピューターに柔軟性を持たせるため、 長い間戦っています。

一つが”特徴”の問題です。

もう一つが”確率”の問題です。

問題のもつ特徴を、人間が機械に教えて上げる(関数で表現する)ことで

柔軟に問題をとくことが出来ます。 例え画像が反転しても、縮小しても、問題自体は変わりますが、問題の持つ特徴は変わりません。

• • • • • • • • • • • • • •

また、学習(関数近似)の際にも、確率の概念を導入することで 柔軟性をもたせています。

確率的な”学習”はコンピューターが自動的に行います。

しかしながら、 !”特徴”は人間が手動で新たな関数を見つけなければなりませんでした。

そこで登場したのがDeep Learingです。

特徴もコンピューターが学習してくれます。

余談

• ニューラルネットを嫌っている人(?)を見かけます。

• 数学的に正しさを証明出来ないのはちょっと…

• これは、四色定理のコンピューター証明の議論に似ている気がしました。