Suche senden
Hochladen
パターン認識にとっかかる
•
2 gefällt mir
•
3,581 views
Jun Saeki
Folgen
AITCの2015年1月度クラウドテクノロジー活用部会で使ったもの
Weniger lesen
Mehr lesen
Technologie
Melden
Teilen
Melden
Teilen
1 von 31
Jetzt herunterladen
Downloaden Sie, um offline zu lesen
Empfohlen
【DL輪読会】High-Resolution Image Synthesis with Latent Diffusion Models
【DL輪読会】High-Resolution Image Synthesis with Latent Diffusion Models
Deep Learning JP
最適化超入門
最適化超入門
Takami Sato
初めてのグラフカット
初めてのグラフカット
Tsubasa Hirakawa
近年のHierarchical Vision Transformer
近年のHierarchical Vision Transformer
Yusuke Uchida
【DL輪読会】A Time Series is Worth 64 Words: Long-term Forecasting with Transformers
【DL輪読会】A Time Series is Worth 64 Words: Long-term Forecasting with Transformers
Deep Learning JP
DSIRNLP#1 ランキング学習ことはじめ
DSIRNLP#1 ランキング学習ことはじめ
sleepy_yoshi
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
Preferred Networks
【DL輪読会】Mastering Diverse Domains through World Models
【DL輪読会】Mastering Diverse Domains through World Models
Deep Learning JP
Empfohlen
【DL輪読会】High-Resolution Image Synthesis with Latent Diffusion Models
【DL輪読会】High-Resolution Image Synthesis with Latent Diffusion Models
Deep Learning JP
最適化超入門
最適化超入門
Takami Sato
初めてのグラフカット
初めてのグラフカット
Tsubasa Hirakawa
近年のHierarchical Vision Transformer
近年のHierarchical Vision Transformer
Yusuke Uchida
【DL輪読会】A Time Series is Worth 64 Words: Long-term Forecasting with Transformers
【DL輪読会】A Time Series is Worth 64 Words: Long-term Forecasting with Transformers
Deep Learning JP
DSIRNLP#1 ランキング学習ことはじめ
DSIRNLP#1 ランキング学習ことはじめ
sleepy_yoshi
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
Preferred Networks
【DL輪読会】Mastering Diverse Domains through World Models
【DL輪読会】Mastering Diverse Domains through World Models
Deep Learning JP
Halide による画像処理プログラミング入門
Halide による画像処理プログラミング入門
Fixstars Corporation
[DL Hacks]Semantic Instance Segmentation with a Discriminative Loss Function
[DL Hacks]Semantic Instance Segmentation with a Discriminative Loss Function
Deep Learning JP
【DL輪読会】HRDA: Context-Aware High-Resolution Domain-Adaptive Semantic Segmentat...
【DL輪読会】HRDA: Context-Aware High-Resolution Domain-Adaptive Semantic Segmentat...
Deep Learning JP
【メタサーベイ】数式ドリブン教師あり学習
【メタサーベイ】数式ドリブン教師あり学習
cvpaper. challenge
【DL輪読会】DayDreamer: World Models for Physical Robot Learning
【DL輪読会】DayDreamer: World Models for Physical Robot Learning
Deep Learning JP
組合せ最適化入門:線形計画から整数計画まで
組合せ最適化入門:線形計画から整数計画まで
Shunji Umetani
推薦アルゴリズムの今までとこれから
推薦アルゴリズムの今までとこれから
cyberagent
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
backbone としての timm 入門
backbone としての timm 入門
Takuji Tahara
【DL輪読会】Efficiently Modeling Long Sequences with Structured State Spaces
【DL輪読会】Efficiently Modeling Long Sequences with Structured State Spaces
Deep Learning JP
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII
[DL輪読会]EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks
[DL輪読会]EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks
Deep Learning JP
Tensorflow Liteの量子化アーキテクチャ
Tensorflow Liteの量子化アーキテクチャ
HitoshiSHINABE1
分散学習のあれこれ~データパラレルからモデルパラレルまで~
分散学習のあれこれ~データパラレルからモデルパラレルまで~
Hideki Tsunashima
[DL輪読会]Model soups: averaging weights of multiple fine-tuned models improves ...
[DL輪読会]Model soups: averaging weights of multiple fine-tuned models improves ...
Deep Learning JP
TensorFlow Liteを使った組み込みディープラーニング開発
TensorFlow Liteを使った組み込みディープラーニング開発
Makoto Koike
動作認識の最前線:手法,タスク,データセット
動作認識の最前線:手法,タスク,データセット
Toru Tamaki
線形計画法入門
線形計画法入門
Shunji Umetani
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門
hoxo_m
Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recog...
Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recog...
yukihiro domae
機械学習技術の紹介
機械学習技術の紹介
Takahiro Kubo
Pythonで機械学習入門以前
Pythonで機械学習入門以前
Kimikazu Kato
Weitere ähnliche Inhalte
Was ist angesagt?
Halide による画像処理プログラミング入門
Halide による画像処理プログラミング入門
Fixstars Corporation
[DL Hacks]Semantic Instance Segmentation with a Discriminative Loss Function
[DL Hacks]Semantic Instance Segmentation with a Discriminative Loss Function
Deep Learning JP
【DL輪読会】HRDA: Context-Aware High-Resolution Domain-Adaptive Semantic Segmentat...
【DL輪読会】HRDA: Context-Aware High-Resolution Domain-Adaptive Semantic Segmentat...
Deep Learning JP
【メタサーベイ】数式ドリブン教師あり学習
【メタサーベイ】数式ドリブン教師あり学習
cvpaper. challenge
【DL輪読会】DayDreamer: World Models for Physical Robot Learning
【DL輪読会】DayDreamer: World Models for Physical Robot Learning
Deep Learning JP
組合せ最適化入門:線形計画から整数計画まで
組合せ最適化入門:線形計画から整数計画まで
Shunji Umetani
推薦アルゴリズムの今までとこれから
推薦アルゴリズムの今までとこれから
cyberagent
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
backbone としての timm 入門
backbone としての timm 入門
Takuji Tahara
【DL輪読会】Efficiently Modeling Long Sequences with Structured State Spaces
【DL輪読会】Efficiently Modeling Long Sequences with Structured State Spaces
Deep Learning JP
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII
[DL輪読会]EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks
[DL輪読会]EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks
Deep Learning JP
Tensorflow Liteの量子化アーキテクチャ
Tensorflow Liteの量子化アーキテクチャ
HitoshiSHINABE1
分散学習のあれこれ~データパラレルからモデルパラレルまで~
分散学習のあれこれ~データパラレルからモデルパラレルまで~
Hideki Tsunashima
[DL輪読会]Model soups: averaging weights of multiple fine-tuned models improves ...
[DL輪読会]Model soups: averaging weights of multiple fine-tuned models improves ...
Deep Learning JP
TensorFlow Liteを使った組み込みディープラーニング開発
TensorFlow Liteを使った組み込みディープラーニング開発
Makoto Koike
動作認識の最前線:手法,タスク,データセット
動作認識の最前線:手法,タスク,データセット
Toru Tamaki
線形計画法入門
線形計画法入門
Shunji Umetani
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門
hoxo_m
Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recog...
Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recog...
yukihiro domae
Was ist angesagt?
(20)
Halide による画像処理プログラミング入門
Halide による画像処理プログラミング入門
[DL Hacks]Semantic Instance Segmentation with a Discriminative Loss Function
[DL Hacks]Semantic Instance Segmentation with a Discriminative Loss Function
【DL輪読会】HRDA: Context-Aware High-Resolution Domain-Adaptive Semantic Segmentat...
【DL輪読会】HRDA: Context-Aware High-Resolution Domain-Adaptive Semantic Segmentat...
【メタサーベイ】数式ドリブン教師あり学習
【メタサーベイ】数式ドリブン教師あり学習
【DL輪読会】DayDreamer: World Models for Physical Robot Learning
【DL輪読会】DayDreamer: World Models for Physical Robot Learning
組合せ最適化入門:線形計画から整数計画まで
組合せ最適化入門:線形計画から整数計画まで
推薦アルゴリズムの今までとこれから
推薦アルゴリズムの今までとこれから
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
backbone としての timm 入門
backbone としての timm 入門
【DL輪読会】Efficiently Modeling Long Sequences with Structured State Spaces
【DL輪読会】Efficiently Modeling Long Sequences with Structured State Spaces
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
[DL輪読会]EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks
[DL輪読会]EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks
Tensorflow Liteの量子化アーキテクチャ
Tensorflow Liteの量子化アーキテクチャ
分散学習のあれこれ~データパラレルからモデルパラレルまで~
分散学習のあれこれ~データパラレルからモデルパラレルまで~
[DL輪読会]Model soups: averaging weights of multiple fine-tuned models improves ...
[DL輪読会]Model soups: averaging weights of multiple fine-tuned models improves ...
TensorFlow Liteを使った組み込みディープラーニング開発
TensorFlow Liteを使った組み込みディープラーニング開発
動作認識の最前線:手法,タスク,データセット
動作認識の最前線:手法,タスク,データセット
線形計画法入門
線形計画法入門
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門
Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recog...
Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recog...
Andere mochten auch
機械学習技術の紹介
機械学習技術の紹介
Takahiro Kubo
Pythonで機械学習入門以前
Pythonで機械学習入門以前
Kimikazu Kato
ルールベースから機械学習への道 公開用
ルールベースから機械学習への道 公開用
nishio
実戦投入する機械学習
実戦投入する機械学習
Takahiro Kubo
トピックモデルを用いた 潜在ファッション嗜好の推定
トピックモデルを用いた 潜在ファッション嗜好の推定
Takashi Kaneda
はじめてでもわかるベイズ分類器 -基礎からMahout実装まで-
はじめてでもわかるベイズ分類器 -基礎からMahout実装まで-
Naoki Yanai
Pythonを使った機械学習の学習
Pythonを使った機械学習の学習
Kimikazu Kato
パターン認識 第10章 決定木
パターン認識 第10章 決定木
Miyoshi Yuya
Pythonとdeep learningで手書き文字認識
Pythonとdeep learningで手書き文字認識
Ken Morishita
今日から使える! みんなのクラスタリング超入門
今日から使える! みんなのクラスタリング超入門
toilet_lunch
Simple perceptron by TJO
Simple perceptron by TJO
Takashi J OZAKI
バンディットアルゴリズム入門と実践
バンディットアルゴリズム入門と実践
智之 村上
決定木学習
決定木学習
Mitsuo Shimohata
SVMについて
SVMについて
mknh1122
機会学習ハッカソン:ランダムフォレスト
機会学習ハッカソン:ランダムフォレスト
Teppei Baba
Tokyo.R 41 サポートベクターマシンで眼鏡っ娘分類システム構築
Tokyo.R 41 サポートベクターマシンで眼鏡っ娘分類システム構築
Tatsuya Tojima
画像認識モデルを作るための鉄板レシピ
画像認識モデルを作るための鉄板レシピ
Takahiro Kubo
「はじめてでもわかる RandomForest 入門-集団学習による分類・予測 -」 -第7回データマイニング+WEB勉強会@東京
「はじめてでもわかる RandomForest 入門-集団学習による分類・予測 -」 -第7回データマイニング+WEB勉強会@東京
Koichi Hamada
ロジスティック回帰の考え方・使い方 - TokyoR #33
ロジスティック回帰の考え方・使い方 - TokyoR #33
horihorio
scikit-learnを用いた機械学習チュートリアル
scikit-learnを用いた機械学習チュートリアル
敦志 金谷
Andere mochten auch
(20)
機械学習技術の紹介
機械学習技術の紹介
Pythonで機械学習入門以前
Pythonで機械学習入門以前
ルールベースから機械学習への道 公開用
ルールベースから機械学習への道 公開用
実戦投入する機械学習
実戦投入する機械学習
トピックモデルを用いた 潜在ファッション嗜好の推定
トピックモデルを用いた 潜在ファッション嗜好の推定
はじめてでもわかるベイズ分類器 -基礎からMahout実装まで-
はじめてでもわかるベイズ分類器 -基礎からMahout実装まで-
Pythonを使った機械学習の学習
Pythonを使った機械学習の学習
パターン認識 第10章 決定木
パターン認識 第10章 決定木
Pythonとdeep learningで手書き文字認識
Pythonとdeep learningで手書き文字認識
今日から使える! みんなのクラスタリング超入門
今日から使える! みんなのクラスタリング超入門
Simple perceptron by TJO
Simple perceptron by TJO
バンディットアルゴリズム入門と実践
バンディットアルゴリズム入門と実践
決定木学習
決定木学習
SVMについて
SVMについて
機会学習ハッカソン:ランダムフォレスト
機会学習ハッカソン:ランダムフォレスト
Tokyo.R 41 サポートベクターマシンで眼鏡っ娘分類システム構築
Tokyo.R 41 サポートベクターマシンで眼鏡っ娘分類システム構築
画像認識モデルを作るための鉄板レシピ
画像認識モデルを作るための鉄板レシピ
「はじめてでもわかる RandomForest 入門-集団学習による分類・予測 -」 -第7回データマイニング+WEB勉強会@東京
「はじめてでもわかる RandomForest 入門-集団学習による分類・予測 -」 -第7回データマイニング+WEB勉強会@東京
ロジスティック回帰の考え方・使い方 - TokyoR #33
ロジスティック回帰の考え方・使い方 - TokyoR #33
scikit-learnを用いた機械学習チュートリアル
scikit-learnを用いた機械学習チュートリアル
Kürzlich hochgeladen
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
CRI Japan, Inc.
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
新人研修 後半 2024/04/26の勉強会で発表されたものです。
新人研修 後半 2024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NTT DATA Technology & Innovation
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
Hiroshi Tomioka
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
CRI Japan, Inc.
Kürzlich hochgeladen
(7)
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
新人研修 後半 2024/04/26の勉強会で発表されたものです。
新人研修 後半 2024/04/26の勉強会で発表されたものです。
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
パターン認識にとっかかる
1.
パターン認識にとっかかる
2.
今日話すこと ● パターン認識の概要的な話 ● さすがに全部は無理なので、学習とか識別関数の触りまで ●
もっというと単純パーセプトロンまで ● 自分たちでやろうとした時に「感覚的」に把握する足がかりく らい ※イメージがつかめること重視で 本来数学的な裏付けとしての数式が沢山ありますが、 ほとんど端折っています(^_^;)
3.
今日話さないこと ● 実装レベルの話 ● 踏み込んだ詳細な内容 ※この部会は実装メインだと思ってるので、今日の話より先は もし機会があれば(って自分がそこまで理解してないですが)
4.
そもそもパターン認識とは? 人間や動物の実世界に対する知覚の再現 ● 視覚 ● 聴覚 ●
嗅覚 ● 味覚 ● 触覚 ・・・・etc.
5.
もう少しコンピュータ的には 画像、音、匂いなどの観測された情報(パターン) を、機械(コンピュータ)にとって実行可能なやり方 で、あらかじめ定められた複数の概念(クラス)のう ち、いずれかに当てはめる処理のこと
6.
だいたいの処理構成 5 入力パターン 前処理 特徴抽出 識別演算 識別辞書 識別部 出力
7.
特徴の話題 どんな特徴を抽出するかは識別精度に密接に関 連するけど、どんな特徴を選べばよいのかの決定 打的方法はない(らしい) 『次元の呪い』問題もある
8.
先によく聞く用語を整理 【特徴ベクトル】 あるパターンを表すのに必要な本質的な特徴 をパラメータとし、それらを要素として持つ ベクトル
9.
先によく聞く用語を整理 【特徴空間】 特徴ベクトルによって張られる空間 パターンは特徴空間上の1点として表される
10.
先によく聞く用語を整理 【クラスタ】 特徴空間上での同一クラスに識別される パターンのまとまり
11.
先によく聞く用語を整理 【プロトタイプ】 クラスタの代表となるようなパターン
12.
先によく聞く用語を整理 【決定境界】 クラス間を分離する特徴空間上の境界
13.
最も単純なパターンの識別 全パターンについて、そのクラス名とともに構成 された識別辞書を作成し参照する 辞書作成そのものに膨大な時間がかかってしまい 現実的ではない
14.
一つの解 プロトタイプを利用した最近傍法 特徴空間上で入力パターンと最も近い プロトタイプが属するクラスを識別結果とする ※イメージ プロトタイプ 入力パターン プロトタイプと入力パターンが だいたい近い
15.
(k-)NN法 引用:Wikipedia 「k近傍法」 http://ja.wikipedia.org/wiki/K%E8%BF%91%E5%82%8D%E6%B3%95 入力パターンに近いk個のプロトタイプの中で 最も多数を占めたもののクラスに識別する kがつかないNN法は1-NN法
16.
プロトタイプをどこに置く? 一番単純な方法 →クラスの分布の重心に一致させる 決定境界 NN法での決定境界は2つのプロトタ イプから等距離の線(垂直2等分線)
17.
そんなに単純には・・・ お行儀よく重心におけるばかりではないし、直感的 に「ここ!!」とおける2次元空間ではなく、多次元 だとさらに大変 ずらしてやる必要がある
18.
学習を導入していく ここでの学習の意味 プロトタイプを自動的に正しい位置で定める =学習に用いるパターン(学習パターン)を 全て正しく識別できるクラス境界面を見つける 先ほどの図で境界をずらして行くのが学習 ※統計的パターン認識の場合
19.
ということでパーセプトロン ちょっと間をすっ飛ばし気味ですが・・・ パーセプトロンとは? もともとは視覚と脳の機能を、学習機能を 持つシンプルなネットワークでモデル化した もの 今は線形識別器の基本で出てくるやつと 言ったほうが通りがよいかも
20.
本題の前にとりあえず諸々前提 【識別関数法】 各クラスに関数を適用し入力パターンの 属するクラスを判定する方法 【識別関数】 クラス判定するための関数 【線形識別関数】 特に線形の識別関数※パーセプトロンはこれ
21.
本題の前にとりあえず諸々前提 NNから2クラス分類の場合 【識別関数】※導出は飛ばしてます・・・ 導出飛ばしてるのでばくっと説明すると、入力パターンxと各プロトタイプ piとの差を距離 として一つずつ計算し、最も距離が小さいものを取れるよう、最小二乗法を適用した上 で、式展開したものから計算時に考えなくてもよいものをのけて、さらに計算上計算しや すいように定数倍して、さらにマイナスをかけて符号を逆転して最大化問題にしたもの 識別関数が誤識別した時に学習を行う
22.
「重み」の導入 識別に誤りがなくなるよう決定境界をどれだけ回転 させたり移動したりするかを定める(プロトタイプを 移動させる)もの なんで「重み」→もともとニューロンの結合度合い だから?
23.
「重み」をプロトタイプで表現 先ほどの識別関数から重みベクトルを表す とあるプロトタイプ バイア ス 重みベクトルはプロトタイプとバイアスを合わせたもの
24.
「重み」と「バイアス」の意味 仮に2次元平面上で単純なy=ax+bのような式を考えた場合 傾きに当たるaが重みで切片bがバイアス 重みの変化→回転 バイアスの変化→移動
25.
学習規則 1.重みベクトルwの初期値を適当に設定する 2.学習パターン全体の集合から一つパターンを選ぶ 3.識別関数 で正しく識別できなかった場合のみ 重みベクトルを修正 4.2,3の処理を全パターンに対して繰り返す 5.全パターン正しく識別できたら終了、誤りがある場合は2か ら 繰り返し
26.
更新式 分かりやすく2クラス分類とすると yは更新前の判定結果で2値分類であれば、正負(単純に1,-1でラベルするのでよ い)で出るようにしておき、学習係数ρとパターン要素を掛けあわせて元の重みを更 新する 誤った時の判定結果の符号に引っ張られて座標上は回転していく 学習係数は1回の学習の程度なので、小さすぎると時間がかかり、大きすぎるとなか なかフィットしない 多値分類への拡張は割愛しますが、↑が分かっていればあ まり難しくない、はず
27.
手計算できるレベルの更新だと いい例が思いつかなかったので、 銀座で働くデータサイエンティストさんのスライドを 参照してみます http://www.slideshare.net/takashijozaki1/simple-perceptron-by-tjo
28.
パーセプトロンの収束定理 学習パターンの集合が線形分離可能(超平面で分 けられる)のであれば、有限回の更新の繰り返しで 全てのパターンについて識別可能 逆に線形識別不可なパターンを対象とすると単純 なパーセプトロンは収束しないので使えない ※区分線形識別やら色々ありますが、今回はパス
29.
ここからより先は? 最近は諸々いろんな手法があります 教師あり学習だけでなく教師なし学習の手法も流 行りです 基本を線形識別器で掴んで、その先は諸々調べて いくとよいのではないかと
30.
まとめ ● パターン認識は人間や動物の知覚を機械で再現しようとす る試み ● 特徴を抽出し、その特徴から識別を行っていく ●
識別を効率的に精度よく行えるようにするために学習が導 入される ● 基本的な線形分類とその応用から捉えると踏み込み易い ● あとは実装してみるのみ?
31.
参考・参照 ● 『はじめてのパターン認識』 平井有三(著)
森北出版 2014 ● 『わかりやすいパターン認識』 石井健一郎他(著) オーム社 1998 ● 『フリーソフトで作る音声認識システム』 荒木雅弘(著) 森北出版 2007 ● あんちべさんブログ「テキストマイニングのための機械学習超入門 二夜目 パー セプトロン」 http://antibayesian.hateblo.jp/entry/20111125/1322202138
Jetzt herunterladen