Empfohlen
Weitere ähnliche Inhalte
Ähnlich wie G検定傾向と対策2018
Ähnlich wie G検定傾向と対策2018 (20)
Kürzlich hochgeladen
Kürzlich hochgeladen (7)
G検定傾向と対策2018
- 1. Python guild #3 HIDE FUKANO データサイエンス入門シリーズ 傾向と対策 JDLA Deep Learning for GENERAL 2018
- 2. 自己紹介 深野 嗣 （Hide Fukano） @hidefkn 経営コンサル （’15/04~） G’sACADEMY(dev7期), StartupLeadershipProgram →退職 フロントエンドエンジニア （’17/09~） DataScienceBOOTCAMP(2期) データサイエンティスト, 個人事業主 （’18/03~） 設立登記, D-STUDIO(理事)
- 3. 自己紹介 深野 嗣 （Hide Fukano） @hidefkn 経営コンサル （’15/04~） G’sACADEMY(dev7期), StartupLeadershipProgram フロントエンドエンジニア （’17/09~） DataScienceBOOTCAMP(2期) データサイエンティスト, 個人事業主 （’18/03~） 設立登記, D-STUDIO(理事)
- 4. 経営コンサル （’15/04~） G’sACADEMY(dev7期), StartupLeadershipProgram フロントエンドエンジニア （’17/09~） DataScienceBOOTCAMP(2期) データサイエンティスト, 個人事業主 （’18/03~） 設立登記, D-STUDIO(理事) 自己紹介 深野 嗣 （Hide Fukano） @hidefkn プログラミング1年 データサイエンス半年
- 6. JDLAとは 一般社団法人 日本ディープラーニング協会 Japan Deep Learning Association 本協会は、ディープラーニングを中心とする技術による日本の産業 競争力の向上を目指します。 画像引用元URL: http://www.jdla.org/
- 13. 受験の動機まとめ 1. データ分析, AIアルゴリズム開発業務を行う上で、客観的なスキルセットを用 意することによって、クライアント企業に信頼してもらいたい 2. エンジニアリングスキルが強いデータサイエンティストと差別化をはかると しても、知識レベルは一定の品質を担保したかった 3. 最近話題になって、人材の母集団自体少ないのにもかかわらず、育成するス タンスのある企業は少なく、実務年数以外の信頼の担保を獲得したい 受験するか…
- 14. 合格した結果…
- 16. 合格してよかったこと 1. 手法選択の根拠に自信が持てるようになった 2. モデル構築までのプロセスを頭の中で描ける ようになった（分析の進め方の効率化） 3. サービス開発において、DB設計を精緻に考え られるようになった
- 17. 実務と検定との距離感について思うこと 1. あくまでも知識の整理として有用 2. 実装力の担保ならE検定※（とはいえ… 3. DeepLearningを使うPJに出会える環境にいるか 4. 分析視点ではまず説明性の高い手法がオススメ 5. 分析と実装に自信がつくことだけでも十分かも
- 18. Python guild #2 HIDE FUKANO データサイエンス入門シリーズ 傾向と対策 JDLA Deep Learning for GENERAL これだけG検定
- 19. 注意事項と前提 1. あくまでも20日間で合格するための手法 2. DLの本質を学びたいなら松尾研へGO！ 3. 関数の意味は理解できる 4. 実装力は別問題 5. 少しは機械学習には触れたことがある
- 22. やっぱりDeepLearningは手法の一つでしかない 人工知能 機械学習 定量化したい 人間の機能 目 → 画像認識 耳 → 音声認識 口 → 自然言語処理 感覚の定量化において 触覚・味覚・嗅覚・体性感覚は研究中？ とにかく素人がすぐに実装はできない 線形回帰 ロジスティック回帰 決定木, DT SVM 深層学習（DL） 学習とは = 分けること 分けることができるから判断できる 事前に判断できる =予測できる
- 23. 概念よりも先に学習とは何かを先に学ぶ 人工知能 機械学習 定量化したい 人間の機能 目 → 画像認識 耳 → 音声認識 口 → 自然言語処理 線形回帰 ロジスティック回帰 決定木, DT SVM 深層学習（DL） 人工知能とは何か？よりも 先に学習とは何かを知る
- 24. 人工知能の研究の歴史だけ追っていく 人工知能 機械学習 定量化したい 人間の機能 目→ 画像認識 耳 → 音声認識 口 → 自然言語処理 線形回帰 ロジスティック回帰 決定木, DT SVM 深層学習（DL） 人工知能とは何か？ 研究の歴史から理解する
- 25. 研究の歴史を追うようにDLを理解していく 人工知能 機械学習 定量化したい 人間の機能 目 → 画像認識 耳 → 音声認識 口 → 自然言語処理 線形回帰 ロジスティック回帰 決定木, DT SVM 深層学習（DL） CNN（畳み込みニューラルネット）と RNN（再帰型ニューラルネット）への理解が 具体的に深まっていく
- 26. 指定図書+αで最短合格を実現する
- 30. これだけデータサイエンス 1. 教師あり学習と教師なし学習、強化学習の違いを 手法+脳みその部位でヒトに伝えらえるか？ 2. データクレンジング・正規化する理由を理解でき ているか？ 3. 手法ごとの得意・不得意が大まかに理解できてい るか？分類と回帰の使いどころは？
- 31. これだけデータサイエンス 1. 教師あり学習 主に小脳が担う。学習者に対し、教示者が明示的に正例を提示したり、学習者の誤りを指摘 することで、学習者が正しい解を得ることを助ける 2. 教師なし学習 主に大脳皮質が担う。統計的性質や、ある種の拘束条件により入力パターンを分類したり、 抽象化したりする学習。 3. 強化学習 主に、大脳基底核が担う。最終結果もしくは途中経過に対して、どの程度よかったかを示す 「報酬信号」に基づき、これらの報酬をなるべく大きくするように探索する
- 32. これだけデータサイエンス 1. 教師あり学習 誤差逆伝播法※というアルゴリズムを理解しつつ、決定木（Decision Tree）などを… 2. 教師なし学習 主成分分析、自己組織化マップなどの次元圧縮（Dimensionality Compression）手法 3. 強化学習 DQN(Deep Q-Network もしくは Deep Q-Learning Network), DDQN, A3C(Asynchronous Advantage Actor-Critic)
- 33. これだけ人工知能の歴史 1. ブレークスルーイベントで歴史を3分類 2. ブーム終焉の理由が、手法の課題理解につながる 3. 日本が世界に勝つためには「身体性」の獲得 → 要はロボットへの実装
- 34. これだけ人工知能の歴史 第1次AIブーム「探索・推論の時代」（1940年） → トイ・プロブレムは解けても、現実の問題は解けない 第2次AIブーム「知識の時代」（1980年半ば〜） → 学習できるが、めっちゃ時間かかるやん（永遠…） 第3次AIブーム「機械学習と特徴表現学習の時代」 →文字認識などのパターン認識分野で基盤技術が蓄積, データ が増加 → コンピュータが自ら特徴量を作り出す
- 35. これだけディープラーニング 1. 画像 1. 畳み込みニューラルネット（CNN） 2. 自然言語（テキスト）+ 音声 1. 再帰型ニューラルネット（RNN） 3. そのほか（歴史、総論） 1. 順伝播型、自己符号化器、隠れマルコフ、etc…
- 39. 実装に向けて もし、あなたが機械学習（あるいはDL）を使いたいなら… （私が、機械学習とwebアプリを絡める上で最近重要だなって思っていること） 1. 何を予測したいか？よりも先に、何を分類したいか？ 2. 社会で「分ける精度」が低い場面から見つけよう 1. 男女の分け方を機械学習で予測する必要があるのか？ 3. データがあるか？あるいは、入手しやすいか？ 1. 提供者は、あなたにデータを提供するメリットがあるか？ 1. 買いたいものを先読みしてくれるなら、買い物履歴は教えてもいい？
- 40. Python guild #3 HIDE FUKANO データサイエンス入門シリーズ 傾向と対策 JDLA Deep Learning for GENERAL おわり