Empfohlen
Weitere ähnliche Inhalte
Was ist angesagt?
Was ist angesagt? (20)
Ähnlich wie 20180110 AI&ロボット勉強会 Deeplearning4J と時系列データの異常検知について
Ähnlich wie 20180110 AI&ロボット勉強会 Deeplearning4J と時系列データの異常検知について (20)
Mehr von Kazuki Motohashi
Kürzlich hochgeladen
Kürzlich hochgeladen (8)
20180110 AI&ロボット勉強会 Deeplearning4J と時系列データの異常検知について
- 3. ■ （人工）ニューラルネットワーク 脳機能に見られるいくつかの特性を計算機上のシミュレーションによって 表現することを目指した数学モデル (ニューラルネットワーク - Wikipedia) 3 図出典： http://www.lab.kochi-tech.ac.jp/future/1110/okasaka/neural.htm 人工ニューロン（パーセプトロン）
- 4. ■ ディープニューラルネットワーク ネットワークをディープにすることで より多くの、高次の特徴量を抽出 4 図出典： http://dl.ndl.go.jp/info:ndljp/pid/10952149入力層 中間層 （隠れ層） 出力層 (Shallow) Neural Network 【中間層が１層】 Deep Neural Network 【中間層が２層以上】 図出典： GumGum
- 5. ■ ディープラーニングは機械学習のあくまで一分野 しばしば機械学習は自然からヒントを得ている ● 進化論 ○ 遺伝、自然淘汰 ● 物理学 ○ アニーリング ● 群知能 ○ 蟻コロニー ● 免疫 ○ クローン選択説 ● 神経科学 ○ ニューラルネットワーク 5 図出典： Deep Learning: A Practitioner’s Approach
- 6. ■ なぜいまディープラーニングか 計算機の発達、GPGPU (General Purpose Graphic Processing Unit) の台頭 扱えるデータ量の爆増 学習のための様々な工夫の発明 (ReLU, Dropout, Batch Normalization, etc) ⇨ ディープラーニングの本領発揮、人間を超えるパフォーマンスも 6 ニューラルネットは パラメータが多く、表現力が高い 学習が遅い・難しい （過学習、勾配の消失）
- 7. ■ ニューラルネットの学習 ＊ 入力 x と（正しい）出力 y の “マッピング” を学習 ニューラルネットワーク = 関数近似器 7 図出典： https://www.slideshare.net/AkinoriAbe1/ss-69510936 出力の誤差 パラメータの変分
- 8. ■ ディープラーニングの得意分野 入力 ⇨ 出力 の マッピング は得意 ● 物体認識（画像 ⇨ 種類） ● 音声認識（音 ⇨ 単語） ● ゲーム（画面 ⇨ ボタン操作） ● 次元圧縮（高次元 ⇨ 低次元） それ以外は実際そうでもない ● 会話（フレーズ ⇨ 適切な「回答」って？） ＊ 一問一答ならできる、チャットボット 8 ナチュラルな会話には感情のモデル化が必要でしょう https://musyoku.github.io/2016/03/16/deep-reinforcem ent-learning-with-double-q-learning/ http://tech-blog.abeja.asia/entry/object-detection-summar y 出典：いらすとや
- 10. ■ ディープラーニング開発フレームワーク Q: Tensorflow, Keras, Pytorch, Chainer, Caffe2, .. どれを使えばいいの？ 10 ニューラルネットの 構築・学習・利用 のためのモジュール群 出典： https://dev.classmethod.jp/machine-learning/introduction-keras-deeplearning/
- 11. ■ ディープラーニング開発フレームワーク 11 出典： https://dev.classmethod.jp/machine-learning/introduction-keras-deeplearning/ ニューラルネットの 構築・学習・利用 のためのモジュール群 Q: Tensorflow, Keras, Pytorch, Chainer, Caffe2, .. どれを使えばいいの？ A: 好きなやつ (Python わかるなら個人的には Keras, Pytorch, Chainer) cf) 比較表 https://docs.chainer.org/en/stable/comparison.html
- 12. ■ Open Neural Network Exchange ニューラルネットのモデルの統一フォーマット Microsoft と Facebook によるオープンソースプロジェクト 「あるAIフレームワークで構築した学習モデルを異なる機械学習システムに簡単に切り 替えることを目的としている」http://www.itmedia.co.jp/news/articles/1709/08/news051.html 12 相互 import /export
- 13. ■ ディープラーニング開発工程 いわゆる研究開発用開発フレームワーク (Tensorflow など) が活躍するのは 開発工程の一部 (まあそこが肝だけど) 運用を意識したフレームワーク選び ⇨ Deeplearning4J の提案 13 図出典： https://www.abeja.asia/news/
- 14. ■ Deeplearning4J (DL4J) Java/Scala で書ける商用ディープラーニング開発ソフトウェア群 cf) Reddit 「Amazon のシステムは 99% Java で動いている」 https://www.reddit.com/r/java/comments/7cyhjc/what_do_you_mainly_use_java_for/dptr5fg/ [[ DataVec (ETL), ND4J (線形代数), SKIL (デプロイ）]] Skymind社による商用サポートあり Apache Spark にネイティブに対応 ⇨ Hadoop クラスタを用いた並列化 14 プログラミング 人口ランキング (TIOBE)
- 15. ■ アジェンダ 社会性フィルタにより削除 ディープラーニングとは Deeplearning4J (DL4J) DL4J を用いた異常検知 15
- 16. ■ 時系列データの異常検知 【正常・異常のラベル付きデータの場合】 通常の分類問題に帰結 【ラベルなしデータの場合】 基本的にこちらが対象 方針：正常データを学習しておき、「正常」からの逸脱をみる 以降の説明で用いるニューラルネットワーク*： LSTM (時系列データを扱うためにメモリセルを導入したモデル） + Variational Autoencoder（正常データの復元；できなければ異常） 16 図出典： https://qiita.com/kenmatsu4/items/68e48a00aaebf338bedc * 引用元： IBM - developerWorks 深層学習を利用して異常を検出するコグニティブ IoT ソリューションを開発する https://www.ibm.com/developerworks/jp/iot/library/iot-deep-learning-anomaly-detection-3/index.html
- 17. ■ LSTM (Long-Short Term Memory) ある時刻 t の入力だけでなく、時刻 t - 1 の入力も考慮する どの時刻のデータを重視するかは入力・忘却・出力ゲートにより制御 17 図出典： https://www.slideshare.net/AndrePemmelaar/deep-lst-msandrnnsjulia 図出典： 深層学習 - 岡谷貴之
- 18. ■ Variational Auto Encoder 「入力 = 出力」になるようにエンコード・デコード処理を学習するモデル ● 正常データを入力すれば正常データが復元される ● 異常データはうまく復元できない (Reconstruction Error 大) 18 図出典： https://www.slideshare.net/ssusere55c63/variational-autoencoder-64515581
- 19. ■ DL4J (Scala) を用いたニューラルネット実装 1. ニューラルネットの configuration オブジェクトを作成 ＋ 学習におけるグローバルパラメータの設定 19 引用元： IBM - developerWorks 深層学習を利用して異常を検出するコグニティブ IoT ソリューションを開発する https://www.ibm.com/developerworks/jp/iot/library/iot-deep-learning-anomaly-detection-3/index.html 2. まず、0層目に LSTM (designed by Alex Graves) を載せる
- 20. ■ DL4J (Scala) を用いたニューラルネット実装 20 引用元： IBM - developerWorks 深層学習を利用して異常を検出するコグニティブ IoT ソリューションを開発する https://www.ibm.com/developerworks/jp/iot/library/iot-deep-learning-anomaly-detection-3/index.html 3. LSTM 層の出力を入力とした Variational Autoencoder を載せる 4. 最後に、出力層を載せ、config を MultiLayerNetwork に食わせれば完了
- 21. ■ Apache Spark を用いた並列化 21 MultiLayerNetwork オブジェクトの代わりに、 分散学習のため、各ワーカーにおける訓練結果の平均を取る機構を加えて、 SparkDl4jMultiLayer に食わせればOK fit メソッドに訓練データセットを食わせて学習（ここでは1000回 iteration） 引用元： IBM - developerWorks 深層学習を利用して異常を検出するコグニティブ IoT ソリューションを開発する https://www.ibm.com/developerworks/jp/iot/library/iot-deep-learning-anomaly-detection-3/index.html
- 22. ■ IBM developerWorks 引用元の IBM developerWorks チュートリアルは非常に参考になる https://www.ibm.com/developerworks/jp/learn/analytics/ ベアリングの振動観測のための加速度計センサーを例に、 1. Node-RED を用いた擬似 IoT データ作成 2. Watson IoT Platform サービスを MQTT メッセージ・ブローカーとして利用 3. ニューラルネットワークの構築・訓練 4. センサーで受信したデータに対する応答確認 https://www.ibm.com/developerworks/jp/iot/library/iot-deep-learning-anomaly-detection-3/index.html IoT x Deep Learning システム開発の一連の流れを学べる ApacheSystemML, Tensorflow (TensorSpark) を用いた例もあり 22
- 23. ■ まとめ ● 社会性フィルタにより削除 ● ニューラルネットワークは入力と出力のマッピングを行う関数近似器 ● Deeplearning4J (DL4J) は Java/Scala で書ける商用ディープラーニング 開発ソフトウェア群 ○ Skymind 社による商用サポートあり ○ 他フレームワークで構築したモデルをインポート可能 ● DL4J + LSTM + Variational Autoencoder で時系列データの異常検知 ○ Apache Spark とネイティブに連携して並列コンピューティング 23
- 24. ■ きっと参考になると思う文献 ● 仕事ではじめる機械学習 ○ 有賀康顕、中山心太、西林孝 ○ 従来の機械学習を仕事に活用するためのノウハウ ● Deep Learning: A Practitioner’s Approach ○ Josh Patterson, Adam Gibson ○ プログラミング実務家向けの深層学習 w/ DL4J 活用指南書 ● 異常検知と変化検知 ○ 井手剛、杉山将 ○ 従来の機械学習を用いた異常・変化検知手法の解説本 ● 深層学習を利用して異常を検出するコグニティブ IoT ソリューションを開発する ○ Romeo Kienzler ○ 深層学習を用いた IoT データ解析手法の解説 24
- 25. Backup 25