Suche senden
Hochladen
5分で分かる自己組織化マップ
•
Als PPTX, PDF herunterladen
•
22 gefällt mir
•
43,924 views
Daisuke Takai
Folgen
5分では分からなかったorz
Weniger lesen
Mehr lesen
Melden
Teilen
Melden
Teilen
1 von 84
Jetzt herunterladen
Empfohlen
【勉強会】自己組織化マップ(SOM)
【勉強会】自己組織化マップ(SOM)
Jun Harada
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
Akira Masuda
トピックモデルの評価指標 Perplexity とは何なのか?
トピックモデルの評価指標 Perplexity とは何なのか?
hoxo_m
深層生成モデルと世界モデル
深層生成モデルと世界モデル
Masahiro Suzuki
[DL輪読会]Life-Long Disentangled Representation Learning with Cross-Domain Laten...
[DL輪読会]Life-Long Disentangled Representation Learning with Cross-Domain Laten...
Deep Learning JP
MICの解説
MICの解説
logics-of-blue
グラフニューラルネットワーク入門
グラフニューラルネットワーク入門
ryosuke-kojima
深層学習の不確実性 - Uncertainty in Deep Neural Networks -
深層学習の不確実性 - Uncertainty in Deep Neural Networks -
tmtm otm
Empfohlen
【勉強会】自己組織化マップ(SOM)
【勉強会】自己組織化マップ(SOM)
Jun Harada
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
Akira Masuda
トピックモデルの評価指標 Perplexity とは何なのか?
トピックモデルの評価指標 Perplexity とは何なのか?
hoxo_m
深層生成モデルと世界モデル
深層生成モデルと世界モデル
Masahiro Suzuki
[DL輪読会]Life-Long Disentangled Representation Learning with Cross-Domain Laten...
[DL輪読会]Life-Long Disentangled Representation Learning with Cross-Domain Laten...
Deep Learning JP
MICの解説
MICの解説
logics-of-blue
グラフニューラルネットワーク入門
グラフニューラルネットワーク入門
ryosuke-kojima
深層学習の不確実性 - Uncertainty in Deep Neural Networks -
深層学習の不確実性 - Uncertainty in Deep Neural Networks -
tmtm otm
深層学習の数理
深層学習の数理
Taiji Suzuki
低ランク性および平滑性を用いたテンソル補完 (Tensor Completion based on Low-rank and Smooth Structu...
低ランク性および平滑性を用いたテンソル補完 (Tensor Completion based on Low-rank and Smooth Structu...
Tatsuya Yokota
4 データ間の距離と類似度
4 データ間の距離と類似度
Seiichi Uchida
[DL輪読会]When Does Label Smoothing Help?
[DL輪読会]When Does Label Smoothing Help?
Deep Learning JP
最適輸送入門
最適輸送入門
joisino
2014 3 13(テンソル分解の基礎)
2014 3 13(テンソル分解の基礎)
Tatsuya Yokota
テンソル多重線形ランクの推定法について(Estimation of Multi-linear Tensor Rank)
テンソル多重線形ランクの推定法について(Estimation of Multi-linear Tensor Rank)
Tatsuya Yokota
変分推論法(変分ベイズ法)(PRML第10章)
変分推論法(変分ベイズ法)(PRML第10章)
Takao Yamanaka
[DL輪読会]Focal Loss for Dense Object Detection
[DL輪読会]Focal Loss for Dense Object Detection
Deep Learning JP
Recent Advances on Transfer Learning and Related Topics Ver.2
Recent Advances on Transfer Learning and Related Topics Ver.2
Kota Matsui
最近のDeep Learning (NLP) 界隈におけるAttention事情
最近のDeep Learning (NLP) 界隈におけるAttention事情
Yuta Kikuchi
[DL輪読会]Recent Advances in Autoencoder-Based Representation Learning
[DL輪読会]Recent Advances in Autoencoder-Based Representation Learning
Deep Learning JP
[DL輪読会]相互情報量最大化による表現学習
[DL輪読会]相互情報量最大化による表現学習
Deep Learning JP
今さら聞けないカーネル法とサポートベクターマシン
今さら聞けないカーネル法とサポートベクターマシン
Shinya Shimizu
強化学習における好奇心
強化学習における好奇心
Shota Imai
機械学習モデルのハイパパラメータ最適化
機械学習モデルのハイパパラメータ最適化
gree_tech
論文の図表レイアウト例
論文の図表レイアウト例
Sunao Hara
GAN(と強化学習との関係)
GAN(と強化学習との関係)
Masahiro Suzuki
統計的学習理論チュートリアル: 基礎から応用まで (Ibis2012)
統計的学習理論チュートリアル: 基礎から応用まで (Ibis2012)
Taiji Suzuki
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会
Kenyu Uehara
Somの分かり易い解説
Somの分かり易い解説
Daisuke Takai
はじめての自己組織化
はじめての自己組織化
Yoshinori Ueda
Weitere ähnliche Inhalte
Was ist angesagt?
深層学習の数理
深層学習の数理
Taiji Suzuki
低ランク性および平滑性を用いたテンソル補完 (Tensor Completion based on Low-rank and Smooth Structu...
低ランク性および平滑性を用いたテンソル補完 (Tensor Completion based on Low-rank and Smooth Structu...
Tatsuya Yokota
4 データ間の距離と類似度
4 データ間の距離と類似度
Seiichi Uchida
[DL輪読会]When Does Label Smoothing Help?
[DL輪読会]When Does Label Smoothing Help?
Deep Learning JP
最適輸送入門
最適輸送入門
joisino
2014 3 13(テンソル分解の基礎)
2014 3 13(テンソル分解の基礎)
Tatsuya Yokota
テンソル多重線形ランクの推定法について(Estimation of Multi-linear Tensor Rank)
テンソル多重線形ランクの推定法について(Estimation of Multi-linear Tensor Rank)
Tatsuya Yokota
変分推論法(変分ベイズ法)(PRML第10章)
変分推論法(変分ベイズ法)(PRML第10章)
Takao Yamanaka
[DL輪読会]Focal Loss for Dense Object Detection
[DL輪読会]Focal Loss for Dense Object Detection
Deep Learning JP
Recent Advances on Transfer Learning and Related Topics Ver.2
Recent Advances on Transfer Learning and Related Topics Ver.2
Kota Matsui
最近のDeep Learning (NLP) 界隈におけるAttention事情
最近のDeep Learning (NLP) 界隈におけるAttention事情
Yuta Kikuchi
[DL輪読会]Recent Advances in Autoencoder-Based Representation Learning
[DL輪読会]Recent Advances in Autoencoder-Based Representation Learning
Deep Learning JP
[DL輪読会]相互情報量最大化による表現学習
[DL輪読会]相互情報量最大化による表現学習
Deep Learning JP
今さら聞けないカーネル法とサポートベクターマシン
今さら聞けないカーネル法とサポートベクターマシン
Shinya Shimizu
強化学習における好奇心
強化学習における好奇心
Shota Imai
機械学習モデルのハイパパラメータ最適化
機械学習モデルのハイパパラメータ最適化
gree_tech
論文の図表レイアウト例
論文の図表レイアウト例
Sunao Hara
GAN(と強化学習との関係)
GAN(と強化学習との関係)
Masahiro Suzuki
統計的学習理論チュートリアル: 基礎から応用まで (Ibis2012)
統計的学習理論チュートリアル: 基礎から応用まで (Ibis2012)
Taiji Suzuki
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会
Kenyu Uehara
Was ist angesagt?
(20)
深層学習の数理
深層学習の数理
低ランク性および平滑性を用いたテンソル補完 (Tensor Completion based on Low-rank and Smooth Structu...
低ランク性および平滑性を用いたテンソル補完 (Tensor Completion based on Low-rank and Smooth Structu...
4 データ間の距離と類似度
4 データ間の距離と類似度
[DL輪読会]When Does Label Smoothing Help?
[DL輪読会]When Does Label Smoothing Help?
最適輸送入門
最適輸送入門
2014 3 13(テンソル分解の基礎)
2014 3 13(テンソル分解の基礎)
テンソル多重線形ランクの推定法について(Estimation of Multi-linear Tensor Rank)
テンソル多重線形ランクの推定法について(Estimation of Multi-linear Tensor Rank)
変分推論法(変分ベイズ法)(PRML第10章)
変分推論法(変分ベイズ法)(PRML第10章)
[DL輪読会]Focal Loss for Dense Object Detection
[DL輪読会]Focal Loss for Dense Object Detection
Recent Advances on Transfer Learning and Related Topics Ver.2
Recent Advances on Transfer Learning and Related Topics Ver.2
最近のDeep Learning (NLP) 界隈におけるAttention事情
最近のDeep Learning (NLP) 界隈におけるAttention事情
[DL輪読会]Recent Advances in Autoencoder-Based Representation Learning
[DL輪読会]Recent Advances in Autoencoder-Based Representation Learning
[DL輪読会]相互情報量最大化による表現学習
[DL輪読会]相互情報量最大化による表現学習
今さら聞けないカーネル法とサポートベクターマシン
今さら聞けないカーネル法とサポートベクターマシン
強化学習における好奇心
強化学習における好奇心
機械学習モデルのハイパパラメータ最適化
機械学習モデルのハイパパラメータ最適化
論文の図表レイアウト例
論文の図表レイアウト例
GAN(と強化学習との関係)
GAN(と強化学習との関係)
統計的学習理論チュートリアル: 基礎から応用まで (Ibis2012)
統計的学習理論チュートリアル: 基礎から応用まで (Ibis2012)
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会
Andere mochten auch
Somの分かり易い解説
Somの分かり易い解説
Daisuke Takai
はじめての自己組織化
はじめての自己組織化
Yoshinori Ueda
neural network introduction yapc asia tokyo
neural network introduction yapc asia tokyo
Daichi Morifuji
2014/5/29 東大相澤山崎研勉強会:パターン認識とニューラルネットワーク,Deep Learningまで
2014/5/29 東大相澤山崎研勉強会:パターン認識とニューラルネットワーク,Deep Learningまで
Hokuto Kagaya
続・わかりやすいパターン認識_3章
続・わかりやすいパターン認識_3章
weda654
Tokyo r 11_self_organizing_map
Tokyo r 11_self_organizing_map
osamu morimoto
PRML上巻勉強会 at 東京大学 資料 第1章前半
PRML上巻勉強会 at 東京大学 資料 第1章前半
Ohsawa Goodfellow
Andere mochten auch
(7)
Somの分かり易い解説
Somの分かり易い解説
はじめての自己組織化
はじめての自己組織化
neural network introduction yapc asia tokyo
neural network introduction yapc asia tokyo
2014/5/29 東大相澤山崎研勉強会:パターン認識とニューラルネットワーク,Deep Learningまで
2014/5/29 東大相澤山崎研勉強会:パターン認識とニューラルネットワーク,Deep Learningまで
続・わかりやすいパターン認識_3章
続・わかりやすいパターン認識_3章
Tokyo r 11_self_organizing_map
Tokyo r 11_self_organizing_map
PRML上巻勉強会 at 東京大学 資料 第1章前半
PRML上巻勉強会 at 東京大学 資料 第1章前半
5分で分かる自己組織化マップ
1.
5分で分かる自己組織化マップ
で~ご
2.
初めての人は 初めまして
3.
そうでない人は お久しぶりです
4.
で~ごです。
5.
自己紹介
6.
自己紹介 OB :
平成16 - 21年 D科
7.
自己紹介 OB :
平成16 - 21年 D科 前回、サブ会場で司会
8.
自己紹介 OB :
平成16 - 21年 D科 前回、サブ会場で司会 Twitter : dego_96
9.
自己紹介 OB :
平成16 - 21年 D科 前回、サブ会場で司会 Twitter : dego_96
10.
自己紹介 OB :
平成16 - 21年 D科 前回、サブ会場で司会 Twitter : dego_96 ← こんなアイコン使ってた ら
11.
自己紹介 OB :
平成16 - 21年 D科 前回、サブ会場で司会 Twitter : dego_96 趣味が一発でわかっていい ← こんなアイコン使ってたら ね!
12.
さっそく自己組織化マップの説
明
13.
に入る前に
14.
何故に自己組織化マップなの
か?
15.
理由 OBとして後輩のためになる話がしたい
16.
理由 OBとして後輩のためになる話がしたい 高専の研究で使ったから
17.
理由 OBとして後輩のためになる話がしたい 高専の研究で使ったから
様々な場面で使える
18.
理由
OBとして後輩のためになる話がしたい 高専の研究で使ったから 様々な場面で使える 理解してみれば思ったよりも簡単
19.
理由
OBとして後輩のためになる話がしたい 高専の研究で使ったから 様々な場面で使える 理解してみれば思ったよりも簡単 しかし、一言では説明できない
20.
理由
OBとして後輩のためになる話がしたい 高専の研究で使ったから 様々な場面で使える 理解してみれば思ったよりも簡単 しかし、一言では説明できない 発表時に説明するとスライドの半分が埋ま る
21.
理由 OBとして後輩のためになる話がしたい 高専の研究で使ったから
様々な場面で使える 理解してみれば思ったよりも簡単 しかし、一言では説明できない 発表時に説明するとスライドの半分が埋ま る 当時D科では担当教官くらいしか詳しくな かった
22.
4年生の後期 研究内容が決まってきたころ
23.
4年生の後期 研究内容が決まってきたころ 何も知らない僕に担当教官が
24.
僕
担当教官 これ使ってみて
25.
僕
担当教官 わかりました。 これ使ってみて 簡単に説明 を・・・
26.
僕
担当教官 わかりました。 これ使ってみて 簡単に説明 を・・・ 読めばわかる よ!
27.
僕
担当教官 わかりました。 これ使ってみて 簡単に説明 を・・・ 読めばわかる よ! 応用って書いて ありますけ ど・・・
28.
僕
担当教官 わかりました。 これ使ってみて 簡単に説明 を・・・ 読めばわかる よ! 応用って書いて ありますけ ど・・・ 読めばわかる よ!
29.
僕
担当教官 わかりました。 これ使ってみて 簡単に説明 を・・・ 読めばわかる よ! 応用って書いて ありますけ ど・・・ 読めばわかる よ! 簡単でいいので せ、説明 を・・・
30.
僕
担当教官 わかりました。 これ使ってみて 簡単に説明 を・・・ 読めばわかる よ! 応用って書いて ありますけ ど・・・ 読めばわかる よ! 簡単でいいので せ、説明 を・・・ 頑張って!!
31.
自己組織化マップとは?
32.
自己組織化マップとは? Self Organizing Map
33.
自己組織化マップとは?
ソ ム Self Organizing Map ⇒ SOM
34.
自己組織化マップとは?
ソ ム Self Organizing Map ⇒ SOM コホネンが提案した、教師なし学習によって、入力 データ群をそのデータ間の関係を保ったまま、任意の 次元へと写像することができる、大脳皮質の視覚野を モデル化した人工ニューラルネットワークの一種であ る。 高専生のレポートで大活躍のWikipedia より
35.
自己組織化マップとは?
ソ ム Self Organizing Map ⇒ SOM コホネンが提案した、教師なし学習によって、入力 データ群をそのデータ間の関係を保ったまま、任意の 次元へと写像することができる、大脳皮質の視覚野を モデル化した人工ニューラルネットワークの一種であ る。 高専生のレポートで大活躍のWikipedia より (?Д?)エッ?! ナニソレオイシイノ??
36.
簡単に言うと
37.
入力データを平面にきれいに並べ
る
38.
入力データを平面にきれいに並べ
る
39.
属
属 属 属 属 属 属 属 属 属 属 属 属 属 属 属 性 性 性 性 性 性 性 性 性 性 性 性 性 性 性 性 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 小 中 大 夜 2 4 髪 有 た 羽 縞 草 名前 さ ぐ き 行 を 蹄 て 根 あ 狩 走 飛 泳 食 ら 本 本 持 が あ 猟 る ぶ ぐ い い 性 足 足 類 り 性 い つ み り ハト 1 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0.5 キツネ 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0.5 メンドリ 1 0 0 0 1 0 0 0 0 1 0.3 0 0 1 1 0.5 ライオン 0 0 0 0 1 0 0 0 0 1 0 0 0 1 1 0.5 ガチョウ 1 0 0 1 1 0 0 0 0 1 0 1 0 1 0 0 ワシ 0 0 0 0 1 0 0 0 0 1 0 1 0 1 0 0 イヌ 0 1 0 0 1 0 0 0 0 1 0 1 0 0 0 0 オオカミ 0 1 0 0.5 0 1 1 0 0 0 0 1 0 0 0 0 シマウマ 0 1 0 0 0 1 1 0 0 0 0 0 1 0 0 0 アヒル 1 1 0 1 0 1 1 0 1 0 0 1 1 0 0 0 ネコ 1 0 0 0.5 0 1 1 0 0 0 0 1 0 0 0 0 フクロウ 1 0 1 0.5 0 1 1 0 0 0 1 1 1 0 0 0 トラ 0 0 1 0 0 1 1 0 1 0 0 1 1 0 0 0 ウマ 0 0 1 0 0 1 1 1 1 0 0 0 1 0 0 1 タカ 1 0 1 0 0 1 1 1 1 0 1 0 1 0 0 1 ウシ 0 0 1 0 0 1 1 1 0 0 0 0 0 0 0 1
40.
属
属 属 属 属 属 属 属 属 属 属 属 属 属 属 属 性 性 性 性 性 性 性 性 性 性 性 性 性 性 性 性 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 小 中 大 夜 2 4 髪 有 た 羽 縞 草 名前 さ ぐ き 行 を 蹄 て 根 あ 狩 走 飛 泳 食 ら 本 本 持 が あ 猟 る ぶ ぐ い い 性 足 足 類 り 性 い つ み り ハト 1 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0.5 キツネ 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0.5 メンドリ 1 0 入力ノード1 (16次 0 0 1 0 0 0 0 1 0.3 0 0 1 1 0.5 ライオン 0 0 0 元) 0 1 0 0 0 0 1 0 0 0 1 1 0.5 ガチョウ 1 0 0 1 1 0 0 0 0 1 0 1 0 1 0 0 ワシ 0 0 0 0 1 0 0 0 0 1 0 1 0 1 0 0 イヌ 0 1 0 0 1 0 0 0 0 1 0 1 0 0 0 0 オオカミ 0 1 0 0.5 0 1 1 0 0 0 0 1 0 0 0 0 シマウマ 0 1 0 0 0 1 1 0 0 0 0 0 1 0 0 0 アヒル 1 1 0 1 0 1 1 0 1 0 0 1 1 0 0 0 ネコ 1 0 0 0.5 0 1 1 0 0 0 0 1 0 0 0 0 フクロウ 1 0 1 0.5 0 1 1 0 0 0 1 1 1 0 0 0 トラ 0 0 1 0 0 1 1 0 1 0 0 1 1 0 0 0 ウマ 0 0 1 0 0 1 1 1 1 0 0 0 1 0 0 1 タカ 1 0 1 0 0 1 1 1 1 0 1 0 1 0 0 1 ウシ 0 0 1 0 0 1 1 1 0 0 0 0 0 0 0 1
41.
属
属 属 属 属 属 属 属 属 属 属 属 属 属 属 属 性 性 性 性 性 性 性 性 性 性 性 性 性 性 性 性 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 小 中 大 夜 2 4 髪 有 た 羽 縞 草 名前 さ ぐ き 行 を 蹄 て 根 あ 狩 走 飛 泳 食 ら 本 本 持 が あ 猟 る ぶ ぐ い い 性 足 足 類 り 性 い つ み り ハト 1 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0.5 キツネ 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0.5 メンドリ 1 0 0 0 1 0 0 0 0 1 0.3 0 0 1 1 0.5 ライオン 0 0 入力ノード2 (16次 0 0 1 0 0 0 0 1 0 0 0 1 1 0.5 ガチョウ ワシ 1 0 0 0 0 0 元) 1 0 1 1 0 0 0 0 0 0 0 0 1 1 0 0 1 1 0 0 1 1 0 0 0 0 イヌ 0 1 0 0 1 0 0 0 0 1 0 1 0 0 0 0 オオカミ 0 1 0 0.5 0 1 1 0 0 0 0 1 0 0 0 0 シマウマ 0 1 0 0 0 1 1 0 0 0 0 0 1 0 0 0 アヒル 1 1 0 1 0 1 1 0 1 0 0 1 1 0 0 0 ネコ 1 0 0 0.5 0 1 1 0 0 0 0 1 0 0 0 0 フクロウ 1 0 1 0.5 0 1 1 0 0 0 1 1 1 0 0 0 トラ 0 0 1 0 0 1 1 0 1 0 0 1 1 0 0 0 ウマ 0 0 1 0 0 1 1 1 1 0 0 0 1 0 0 1 タカ 1 0 1 0 0 1 1 1 1 0 1 0 1 0 0 1 ウシ 0 0 1 0 0 1 1 1 0 0 0 0 0 0 0 1
42.
属
属 属 属 属 属 属 属 属 属 属 属 属 属 属 属 性 性 性 性 性 性 性 性 性 性 性 性 性 性 性 性 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 小 中 大 夜 2 4 髪 有 た 羽 縞 草 名前 さ ぐ き 行 を 蹄 て 根 あ 狩 走 飛 泳 食 ら 本 本 持 が あ 猟 る ぶ ぐ い い 性 足 足 類 り 性 い つ み り ハト 1 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0.5 キツネ 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0.5 メンドリ 1 0 0 0 1 0 0 0 0 1 0.3 0 0 1 1 0.5 ライオン 0 0 0 0 1 0 0 0 0 1 0 0 0 1 1 0.5 ガチョウ 1 0 入力ノード3 (16次 0 1 1 0 0 0 0 1 0 1 0 1 0 0 ワシ イヌ 0 0 0 1 0 0 元) 0 0 1 1 0 0 0 0 0 0 0 0 1 1 0 0 1 1 0 0 1 0 0 0 0 0 オオカミ 0 1 0 0.5 0 1 1 0 0 0 0 1 0 0 0 0 シマウマ 0 1 0 0 0 1 1 0 0 0 0 0 1 0 0 0 アヒル 1 1 0 1 0 1 1 0 1 0 0 1 1 0 0 0 ネコ 1 0 0 0.5 0 1 1 0 0 0 0 1 0 0 0 0 フクロウ 1 0 1 0.5 0 1 1 0 0 0 1 1 1 0 0 0 トラ 0 0 1 0 0 1 1 0 1 0 0 1 1 0 0 0 ウマ 0 0 1 0 0 1 1 1 1 0 0 0 1 0 0 1 タカ 1 0 1 0 0 1 1 1 1 0 1 0 1 0 0 1 ウシ 0 0 1 0 0 1 1 1 0 0 0 0 0 0 0 1
43.
属
属 属 属 属 属 属 属 属 属 属 属 属 属 属 属 性 性 性 性 性 性 性 性 性 性 性 性 性 性 性 性 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 小 中 大 夜 2 4 髪 有 た 羽 縞 草 名前 さ ぐ き 行 を 蹄 て 根 あ 狩 走 飛 泳 食 ら 本 本 持 が あ 猟 る ぶ ぐ い い 性 足 足 類 り 性 い つ み り ハト 1 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0.5 キツネ 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0.5 メンドリ 1 0 0 0 1 0 0 0 0 1 0.3 0 0 1 1 0.5 ライオン 0 0 0 0 1 0 0 0 0 1 0 0 0 1 1 0.5 ガチョウ 1 0 0 1 1 0 0 0 0 1 0 1 0 1 0 0 ワシ 0 0 0 0 1 0 0 0 0 1 0 1 0 1 0 0 イヌ 0 1 0 0 1 0 0 0 0 1 0 1 0 0 0 0 オオカミ 0 1 0 0.5 0 1 1 0 0 0 0 1 0 0 0 0 シマウマ 0 1 0 0 0 1 1 0 0 0 0 0 1 0 0 0 アヒル 1 1 0 1 0 1 1 0 1 0 0 1 1 0 0 0 ネコ 1 0 0 0.5 0 1 1 0 0 0 0 1 0 0 0 0 フクロウ 1 0 1 0.5 0 1 1 0 0 0 1 1 1 0 0 0 トラ 0 0 1 0 0 1 1 0 1 0 0 1 1 0 0 0 ウマ 0 0 1 0 0 1 1 1 1 0 0 0 1 0 0 1 タカ 1 0 1 0 0 1 1 1 1 0 1 0 1 0 0 1 ウシ 0 0 1 0 0 1 1 1 0 0 0 0 0 0 0 1
44.
属
属 属 属 属 属 属 属 属 属 属 属 属 属 属 属 性 性 性 性 性 性 性 性 性 性 性 性 性 性 性 性 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 小 中 大 夜 2 4 髪 有 た 羽 縞 草 名前 さ ぐ き 行 を 蹄 て 根 あ 狩 走 飛 泳 食 ら 本 本 持 が あ 猟 る ぶ ぐ い い 性 足 足 類 り 性 い つ み り ハト 1 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0.5 キツネ 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0.5 メンドリ 1 0 0 0 1 0 0 0 0 1 0.3 0 0 1 1 0.5 ライオン 0 0 0 0 1 0 0 0 0 1 0 0 0 1 1 0.5 ガチョウ 1 0 0 1 1 0 0 0 0 1 0 1 0 1 0 0 ワシ 0 0 0 0 1 0 0 0 0 1 0 1 0 1 0 0 イヌ 0 1 0 0 1 0 0 0 0 1 0 1 0 0 0 0 オオカミ 0 1 0 0.5 0 1 1 0 0 0 0 1 0 0 0 0 シマウマ 0 1 0 0 0 1 1 0 0 0 0 0 1 0 0 0 アヒル 1 1 0 1 0 1 1 0 1 0 0 1 1 0 0 0 ネコ 1 0 0 0.5 0 1 1 0 0 0 0 1 0 0 0 0 フクロウ 1 0 1 0.5 0 1 1 0 0 0 1 1 1 0 0 0 トラ 0 0 1 0 0 1 1 0 1 0 0 1 1 0 0 0 ウマ 0 0 1 0 0 1 1 1 1 0 0 0 1 0 0 1 タカ 1 0 1 0 0 1 1 1 1 0 1 0 1 0 0 1 ウシ 0 0 1 0 0 1 1 1 0 0 0 0 0 0 0 1
45.
属
属 属 属 属 属 属 属 属 属 属 属 属 属 属 属 性 性 性 性 性 性 性 性 性 性 性 性 性 性 性 性 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 小 中 大 夜 2 4 髪 有 た 羽 縞 草 名前 さ ぐ き 行 を 蹄 て 根 あ 狩 走 飛 泳 食 ら 本 本 持 が あ 猟 る ぶ ぐ い い 性 足 足 類 り 性 い つ み り ハト 1 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0.5 キツネ 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0.5 メンドリ 1 0 0 0 1 0 0 0 0 1 0.3 0 0 1 1 0.5 ライオン 0 0 0 0 1 0 0 0 0 1 0 0 0 1 1 0.5 ガチョウ 1 0 0 1 1 0 0 0 0 1 0 1 0 1 0 0 ワシ 0 0 0 0 1 0 0 0 0 1 0 1 0 1 0 0 イヌ 0 1 0 0 1 0 0 0 0 1 0 1 0 0 0 0 オオカミ 0 1 0 0.5 0 1 1 0 0 0 0 1 0 0 0 0 シマウマ 0 1 0 0 0 1 1 0 0 0 0 0 1 0 0 0 アヒル 1 1 0 1 0 1 1 0 1 0 0 1 1 0 0 0 ネコ 1 0 0 0.5 0 1 1 0 0 0 0 1 0 0 0 0 フクロウ 1 0 1 0.5 0 1 1 0 0 0 1 1 1 0 0 0 トラ 0 0 1 0 0 1 1 0 1 0 0 1 1 0 0 0 ウマ 0 0 1 0 0 1 1 1 1 0 0 0 1 0 0 1 タカ 1 0 1 0 0 1 1 1 1 0 1 0 1 0 0 1 ウシ 0 0 1 0 0 1 1 1 0 0 0 0 0 0 0 1
46.
属
属 属 属 属 属 属 属 属 属 属 属 属 属 属 属 性 性 性 性 性 性 性 性 性 性 性 性 性 性 性 性 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 小 中 大 夜 2 4 髪 有 た 羽 縞 草 名前 さ ぐ き 行 を 蹄 て 根 あ 狩 走 飛 泳 食 ら 本 本 持 が あ 猟 る ぶ ぐ い い 性 足 足 類 り 性 い つ み り ハト 1 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0.5 キツネ 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0.5 メンドリ 1 0 0 0 1 0 0 0 0 1 0.3 0 0 1 1 0.5 ライオン 0 0 0 0 1 0 0 0 0 1 0 0 0 1 1 0.5 ガチョウ 1 0 0 1 1 0 0 0 0 1 0 1 0 1 0 0 ワシ 0 0 0 0 1 0 0 0 0 1 0 1 0 1 0 0 イヌ 0 1 0 0 1 0 0 0 0 1 0 1 0 0 0 0 オオカミ 0 1 0 0.5 0 1 1 0 0 0 0 1 0 0 0 0 シマウマ 0 1 0 0 0 1 1 0 0 0 0 0 1 0 0 0 アヒル 1 1 0 1 0 1 1 0 1 0 0 1 1 0 0 0 ネコ 1 0 0 0.5 0 1 1 0 0 0 0 1 0 0 0 0 フクロウ 1 0 1 0.5 0 1 1 0 0 0 1 1 1 0 0 0 トラ 0 0 1 0 0 1 1 0 1 0 0 1 1 0 0 0 ウマ 0 0 1 0 0 1 1 1 1 0 0 0 1 0 0 1 タカ 1 0 1 0 0 1 1 1 1 0 1 0 1 0 0 1 ウシ 0 0 1 0 0 1 1 1 0 0 0 0 0 0 0 1
47.
属
属 属 属 属 属 属 属 属 属 属 属 属 属 属 属 性 性 性 性 性 性 性 性 性 性 性 性 性 性 性 性 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 小 中 大 夜 2 4 髪 有 た 羽 縞 草 名前 さ ぐ き 行 を 蹄 て 根 あ 狩 走 飛 泳 食 ら 本 本 持 が あ 猟 る ぶ ぐ い い 性 足 足 類 り 性 い つ み り ハト 1 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0.5 キツネ 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0.5 メンドリ 1 0 0 0 1 0 0 0 0 1 0.3 0 0 1 1 0.5 ライオン 0 0 0 0 1 0 0 0 0 1 0 0 0 1 1 0.5 ガチョウ 1 0 0 1 1 0 0 0 0 1 0 1 0 1 0 0 ワシ 0 0 0 0 1 0 0 0 0 1 0 1 0 1 0 0 イヌ 0 1 0 0 1 0 0 0 0 1 0 1 0 0 0 0 オオカミ 0 1 0 0.5 0 1 1 0 0 0 0 1 0 0 0 0 シマウマ 0 1 0 0 0 1 1 0 0 0 0 0 1 0 0 0 ※ サンプルなので細かいことは アヒル 1 1 0 1 0 1 1 0 1 0 0 1 1 0 0 0 ネコ 1 0 0 0.5 0 1 1 0 0 0 0 1 0 0 0 0 気にしないでください フクロウ 1 0 1 0.5 0 1 1 0 0 0 1 1 1 0 0 0 トラ 0 0 1 0 0 1 1 0 1 0 0 1 1 0 0 (注)僕は作ってません0 ウマ 0 0 1 0 0 1 1 1 1 0 0 0 1 0 0 1 タカ 1 0 1 0 0 1 1 1 1 0 1 0 1 0 0 1 ウシ 0 0 1 0 0 1 1 1 0 0 0 0 0 0 0 1
48.
入力データを平面にきれいに並べ
る
49.
入力データを平面にきれいに並べ
= る 出力
50.
51.
鳥
52.
草食 肉食
53.
動物の例ではわかりにくいので
54.
色(RGB)の例で説明します
55.
動物
色 16次 元 六角形
56.
動物
色 16次 3次元 元 六角形
57.
動物
色 16次 3次元 元 六角形 四角形
58.
手順 1、入力データを用意する
59.
手順 1、入力データを用意する 2、出力平面を初期化する
60.
手順 1、入力データを用意する 2、出力平面を初期化する 3、きれいに並べる(学習す る)
61.
入力データ ⇒ 画像
1ピクセル(R1、G1、 B1) 2ピクセル(R2、G2、 B2) 3ピクセル(R3、G 3、B3)
62.
入力データ ⇒ 画像
入力ノード 1 入力ノード 2 入力ノード 3
63.
入力データ ⇒ 画像
入力ノード 1 入力ノード 2 入力ノード 3 W 出力 ⇒ 配列 H
64.
入力データ ⇒ 画像
入力ノード 1 入力ノード 2 入力ノード 3 W 出力 ⇒ 配列 自分で決めるもの ・ 縦横のサイ ズ H ・ 初期状態
65.
入力データ ⇒ 画像
入力ノード 1 入力ノード 2 入力ノード 3 W 出力 ⇒ 配列 自分で決めるもの ・ 縦横のサイ ズ H ・ 初期状態
66.
学習処理 入力デー タ
・ 学習アルゴリズム ・ 出力 ・
67.
学習処理 入力デー タ
・ 学習アルゴリズム ・ ①入力ノードを一つ選択 出力 ・
68.
学習処理 入力デー タ
・ 学習アルゴリズム ・ ノード ①入力ノードを一つ選択 出力 ・ ②入力ノードに最も似てい るノード(勝者ノード) を探す
69.
学習処理 入力デー タ
・ 学習アルゴリズム ・ ノード ①入力ノードを一つ選択 出力 ・ ②入力ノードに最も似てい るノード(勝者ノード) を探す ③周囲にあるノードを入力 ノードに近い色にする
70.
学習処理 入力デー タ
・ 学習アルゴリズム ・ ノード ①入力ノードを一つ選択 出力 ・ ②入力ノードに最も似てい るノード(勝者ノード) を探す ③周囲にあるノードを入力 ノードに近い色にする
71.
学習処理 入力デー タ
・ 学習アルゴリズム ・ ①入力ノードを一つ選択 出力 ・ ②入力ノードに最も似てい るノード(勝者ノード) を探す ③周囲にあるノードを入力 ノードに近い色にする ④全ての入力ノードに対し て ①~③を繰り返 す
72.
学習処理 入力デー タ
・ 学習アルゴリズム ・ ①入力ノードを一つ選択 出力 ・ ②入力ノードに最も似てい るノード(勝者ノード) を探す ③周囲にあるノードを入力 ノードに近い色にする ④全ての入力ノードに対し て ①~③を繰り返 す 入力ノード全部やって学習 1回
73.
学習処理 入力デー タ
・ ・ 出力 ・ 注意事項 ※ 学習は何回も繰り返す
74.
学習処理 入力デー タ
・ ・ 出力 ・ 注意事項 ※ 学習は何回も繰り返す ※ 色を近づける割合は異なる 最初はかなり近づける、最後はちょっとだ け
75.
学習処理 入力デー タ
・ ・ 出力 ・ 注意事項 ※ 学習は何回も繰り返す ※ 色を近づける割合は異なる 最初はかなり近づける、最後はちょっとだ け ※ 色を近づける割合は異なる 2 勝者ノードに近いと影響力大
76.
学習処理 入力デー タ
・ ・ 出力 ・ 注意事項 ※ 学習は何回も繰り返す ※ 色を近づける割合は異なる 最初はかなり近づける、最後はちょっとだ け ※ 色を近づける割合は異なる 2 勝者ノードに近いと影響力大 ※ 範囲を徐々に小さくする
77.
学習を繰り返すことで・・・
78.
学習を繰り返すことで・・・
79.
学習を繰り返すことで・・・
完成!!
80.
注意!!
81.
入力ノードが全部現れるとは限りませ ん! ※ 特に入力ノード数 <
出力平面の大きさの時
82.
入力ノードが全部現れるとは限りませ ん! ※ 特に入力ノード数 <
出力平面の大きさの時 39969色 64色
83.
これでもう、みんなSOMを理解し
た
84.
これでもう、みんなSOMを理解し
た
Jetzt herunterladen