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。