ORの手法(深層学習1)
社会情報特講Ⅲ
先週のベスト感想（講義で分った事）
• エクセルを使うと、自分で計算するよりも断ベスト感想（講義・課題で難しかった事）
• 制約式の作り方がよく分からないです。 • 目的関数、制約式の理解の後にエクセルでうまく 表になおすのに時間を要した。 • 課題③のような表がいくつかに分かれる問題の最 適解を求めること(変数?指定範囲は?) • 課題3だけやり方に工夫が必要だったので時間が かかった。 • Excelって便利なソフトだと思いました。先週のベスト感想（その他何でも
1）
• 最近暑すぎてダウンしています。 • 全英オープンも終わりが近づいてきてさみしいで す。 • 暑いですね・・・ • 内容が分からず置いてかれた人を立ち直らせる 方法を教えていただきたいです笑 • perfume私も好きです！ • perfume 僕も好きです。先週のベスト感想（その他何でも
2）
• 丁寧に教えてくださったので、課題3の理解がス ムーズにできました。ありがとうございました。 • 今季も大谷のニ刀流を期待していたけれど投手は 厳しそうで残念です。 • ゼミは授業評価アンケートをテキストマイニングで 分析して研究を行っています。 • オールスター楽しみです。 • 大谷に投手として復活してもらいたい。ニューラルネットとの違い
• ニューラルネットは脳をモデル化しシミュレーショ ンより再現する数学モデルを指し、パターン認識 などで用いる多層パーセプトロンを指す。 • 深層学習ではニューラルネットの構造上「入力層」 と「出力層」の間の「隠れ層」と呼ぶ中間層の数を 増やす。隠れ層により何段階の認識を繰り返し、 色、形状、質感、全体像など複数の特徴を抽出し より正確な識別を実現する。深層学習とは
• 深層学習は機械学習の一種でニューラルネットを 用いた人工知能技術の総称である。 • 色々な画像認識コンペティションで優勝するなど 近年話題を集めている。 • 深層学習は特定手法を指すのではなくニューラ ルネットの一種の多層パーセプトロンの最新手法 全般を指す。人工知能とは
• なぜ今AIなのか。 • 最近世界各国で人工知能を活用したサービスや研 究が話題になることが増えてきた。 • 大企業は人工知能研究所を立ち上げグローバル 規模でのAI研究を開始している。 • 人工知能にはどんな技術が用いられそれが普及 することでどんなことが可能になるのか。ニューラルネットの進歩
1
• 人工知能が数年で注目される背景にニューラル ネット技術革命がある。 • ニューラルネットとは脳を構成するニューロン(神経 細胞)のネットを人工的に再現する。 • ニューロン(神経細胞)の巨大ネットで構成される脳。 • 神経細胞は種類毎に集まり層を作ることにより高 度情報処理を実現する。 • 脳の仕組みを模倣し複雑な情報処理を可能にし 様々な問題解決を行うのがニューラルネットである。ニューラルネットの進歩
2
• ニューラルネットの得意分野 – 音声画像から意味ある情報を選別するパターン 認識 – 大量データから相関関係やパターンを探す深層 学習 • 脳モデルであるニューラルネットを適用しコンピュー タには困難な作業が徐々に可能になった。 • 研究開発は以前から行われたが21世紀に入り脳科 学の研究成果がAI開発へと本格応用され状況が大 きく変化した。自ら学習する
AI深層学習1
• ニューラルネットは音声画像認識能力を高めた。 • 人間は猫写真を見て「これは猫だ」と認識するの に時間はかからない。 • コンピュータは異なり、猫写真の認識には撮影画 像を文字画像数字に分解しそれぞれ解析する。 • ニューラルネットは入力中間出力層の3層に分か れ、入力層から情報は中間層、出力層を通り出力 する。自ら学習する
AI深層学習2
• ニューラルネットでは中間層の数を増やし複数段 階で認識を繰り返し、形状や色、質感の複数特徴 を抽出する。 • 入力と出力層間が多層になり階層が深くなり抽象 的な物も判別できる。 • 非常に深い階層になるので深層学習と呼ぶ。自ら学習する
AI深層学習3
• YouTube動画から無作為抽出の1000万枚の画像 を読み込み1000台コンピュータで3日間学習結果、 猫写真に反応する人工ニューロンが生じた。 • コンピュータは猫画像の入力時に反応するニュー ロンを選びそのニューロン反応を観察し画像が猫 か否か精度よく識別した。 • コンピュータは猫の識別ニューロンが最も反応する 画像として自ら猫の画像を描く。 • 人から猫画像を教えられずにコンピュータが膨大 データにアクセスし自ら学習し猫画像を認識する。画像認識やリアルタイム翻訳
1
• 深層学習はIT企業で研究開発が進む。 • コンピュータが画像音声認識技術や人の言葉理解 の自然言語処理への応用が期待される。 • パターン認識技術はFacebookソーシャルネットに 画像投稿で誰かを認識、料理写真の投稿でどんな 料理か材料かがの自動認識が可能になる。 • マイクロソフト社研究部門が進める人工知能研究 ではスマートフォンで犬を写真撮影し犬の正しい犬 種を答えるデモを披露した。画像認識やリアルタイム翻訳
2
• リアルタイム翻訳技術はマイクロソフト社が提供す るインターネット電話Skypeに使われる。 • 英語、スペイン語、フランス語、ドイツ語、イタリア 語、中国語に対応。 • 音声入力内容をテキスト変換翻訳し、また音声に 変換する作業を行う。 • リモートコミュニケーションが増えリアルタイム翻訳 技術はニーズが高い。ビッグデータ
IoT時代の深層学習
• 認識精度はデータ量が増える程大幅に高まる。 • SNSの情報発信が増えIoTデバイスで様々な物が インターネットに接続され今まで計測されない領域 のデータも取得可能になった。 • データ量が膨大なビッグデータ時代では人工知能 の認識技術の精度は益々高まる。 • 人工知能アルゴリズム精度の向上のために研究室 だけでなく実際のビジネスでの利用が重要である。人工知能によるカスタマーサポート
• 自然対話が可能ならばカスタマーサポート業務も 人工知能が担える。 • ソフトバンクモバイル顧客の電話対応業務の採用 が決まる。 • ソフトバンク社で人工知能ワトソンを用いた業務支 援システムの提供を2015年から行う。 • 保険大手のMS＆ADのコールセンターで音声分析 にワトソンを導入する。 • 人工知能接客は人のバイアスがなく情報が最適化 されたサービス提供が期待される。人工知能によるヘルスケア
• ウェアラブルデバイス登場により今まで収集できな いバイタルデータ収集が可能になる。 • 人工知能によるダイエット始め健康関連のアドバイ ス提供サービスは複数存在する。 • 人工知能を通じデータ分析し高精度アドバイスを個 人最適化し行う。 • IBMは自然言語処理技術を用い複雑医療情報の 処理の分析解釈方法をワトソンに教えた。人工知能によるリテール
• 三越伊勢丹が深層学習技術を用いた実店舗の解 析を行い入店したカスタマーがどんな動きで購買に 至るかを解析する。 • 性別年齢推定で顧客の店舗内行動を取得しデータ をリアルタイム管理分析が可能になる。 • 実店舗はオンラインと異なり顧客行動のデータ化 解析が難しい領域である。 • 画像解析や機械学習の技術を用いオンライン同様 オフラインの顧客行動の解析が可能になった。人工知能によるモビリティ
• Googleや世界各国の自動車メーカーが開発を進 めることも話題になる自動運転車にも人工知能が 用いられる。 • Amazonはドローンを利用した配送システムの開発 に着手しており人工知能技術は配送や物流システ ム変化をもたらす。 • 人工知能が運転手であればリアルタイムに情報を 収集し最適なコースを選び収集情報を解析し精度 を向上させる。人工知能によるスマートホーム
• 家の空間は膨大情報があるが今までほぼデータ化 されなかった。 • IoTの潮流に合わせスマートフォンアプリや遠隔地 から鍵の開け閉め可能なスマートロック、インター ネット接続するスマートカメラ、室温調整デバイスや 家の消費電力管理するデバイス等スマートホーム を実現するプロダクトが数多く登場した。 • 人工知能が家の状態を最適に管理し消費電力のコ ントロールも実施するなど将来は家の管理人が人 工知能になる。きゃりーぱみゅぱみゅ
プロフィール
•1993年1月29日東京都生まれ｡ •高卒の2011年夏にワーナーミュージックか ら中田プロジュースのミニアルバム｢もしもし 原宿｣でメジャーデビュー｡ •デビュー5周年の2016年自身初のベストア ルバム発売や3度目ワールドユアー開催な どの企画を展開｡ •可愛い容姿から想像つかない自由奔放で オリジナリティ溢れる表現でファンを魅了｡ •アーティスト活動とファッション面での活動を 掛け合わせた『HARAJUKU』のアイコンとし ての存在が全世界から注目を集める｡ちょっと気になるアイドル
きゃりーぱみゅぱみゅ
ヒット曲
ヒット曲(人気順) •2017年 1月 原宿いやほい •2013年 3月 にんじゃりばんばん •2013年 1月 キミに100パーセント •2012年 1月つけまつける •2015年 3月 もんだいガール •2012年10月ファッションモンスター •2017年 5月 良すた •2016年 4月 最&高 •2013年11月もったいないとらんど •2013年 5月インベーダーインベーダーきゃりーぱみゅぱみゅ
魅力ランキング
1位 個性的なファッションとメイク 4311票 2位 とにかく可愛い！ 2176票 3位 インパクトがある名前 1808票 4位 好きな道を進んでいるところ 1341票 5位 曲がユニーク 718票 6位 謙虚に話すところ 349票 7位 声がいい 170票 8位 笑顔がステキ 95票 9位 ダンスがうまい 42票 10位 歌がうまい 40票深層学習の応用
【
1】 AIと吉本の若手芸人が大喜利対決
• AIの未来を切ると意気込むお笑いの本職ニュー ヨークの二人。 • 一つのお題に5秒で60の回答を出すAI「大喜利 β君」が大喜利勝負を行い5対3で勝利しニュー ヨークは敗北。 • ニューヨークはAIができない顔芸を磨くと言う。 • 千原ジュニアはＡＩのお笑いレベルに危機感をも ち次回の自ライブに出てくれる？」と懇願。深層学習の応用
【
2】 深層学習で荒い写真を高画質化
• 左写真は一番左が16×16ドット。 • その右通常バイキュービックで64 ×64ドットに引き伸ばし。 • その右が深層学習で出力。 • 一番右が元の写真。 • 結果はかなりオリジナルに近い品質 を得た。4．
深層学習の応用
【
3】 深層学習を使い気象画像から天気予報
• 前日17時の日本付近の気象画像から翌日の晴 雨を深層学習で予測する。 • 気象画像をトリミングし日本付近のデータにする。 • 学習データを2015年の1年間、テストデータを 2016/1/1から7/31の7ヶ月間。 • 晴の予測で正解は83%と高く、雨の予測で正解 は54%と低かった。深層学習の応用
【
4】 人工知能による完全自動運転車の開発
• フォードはハンドルやアクセルのない完全自動運 転車の生産を発表。 • 自動運転車は対向車や歩行者建物を深層学習に より画像認識、自動運転は４レベルに分かれる。 • レベル４では坂道勾配やカーブの正確な角度の情報 を盛り込む立体地図を搭載 • レベル３はすべての操作をシステムが行い緊急時の みドライバーが対応する。 • レベル２は現在一部実現し、ハンドルを切り加速する 複数操作を同時に実現。深層学習の応用
【
5】 人工知能を活用した新観光サービス展開
• 楽天会長が観光の人工知能事業を本格的展開。 • 旅行者と旅行先や交通手段をチャット相談で受け るサービス。 • 新サービスは旅行者に世界中の観光業社や自治 体パンフレットを配布し、旅の途中や計画中の利 用を見込む。 • 人工知能でユーザの過去購買履歴や嗜好の違い よりトップページを個人毎に変える。深層学習の応用
【
6】 ネコを追い払う人工知能
• 深層学習によりネコを認識し、庭でフンをするネ コを追い払うシステム。 • 多くのネコ画像を深層学習で認識。 • システムがネコを発見すると、自動的にスプリン クラーが回り水が嫌いなネコを追い払う。 • システム稼働で何度か水を浴びると今度はネコ が学習しその後庭に近づかない。深層学習の得意分野
(パターン認識)
• パターン認識は自然情報処理の一つで画像音声 などの雑多な情報を含むデータの中から一定の 規則や意味を持つ対象を選別する処理である。 • パターン認識には音声認識、文字認識、全文検 索システムの技術などを含む。 • クラス分類問題研究が人工知能研究と融合し ニューラルネット等機械学習により大量データか ら識別する手法が主流になった。パターン認識の手法
(最近傍法)
• パターンの特徴量を数値化しベクトルとする。
未知パターンをいくつかの既知パターンとの
ベクトル間距離を計算し、最も近い既知パ
ターンのカテゴリーとする。
• 既知パターンをA(x1,y1),B(x2,y2),C(x3,y3)
とし、未知パターンを
Z(x,y)とすると、Zと
A,B,C間の距離abcは、
• a=(x1-x)+(y1-y)b=(x2-x)+()c=()+()
• ニューラルネット～C は単語の集合、事例は
パターン認識例題
1(最近傍法)
• 表に風邪を引いた人A,B,Cと平常の人D,E,Fの体 温と咳の回数(1日)を示す。 • 風邪が不明の人G(体温 38.5咳15回)と人H(体温 36.8咳10回)が風邪を引 いているか平常化かを最 近傍法を用いて推定して 下さい。 表 風邪と平常者の体温と咳回数パターン認識問題解法
(最近傍法)
【選手G】 GとAの距離： GとBの距離： GとCの距離： GとDの距離： GとEの距離： GとFの距離： Gと最小距離者を求め風邪か 平常かを判断 【選手H】 HとAの距離： HとBの距離： HとCの距離： HとDの距離： HとEの距離： HとFの距離： Hと最小距離者を求め風邪か 平常かを判断パターン認識例題
1(ニューラルネット)
• 表に風邪を引いた人A,B,Cと平常の人D,E,Fの体 温と咳の回数(1日)を示す。 • 体温x、咳回数yとすると、ニューラルネット学習の 結果z=-1.3x+5.8y+1.1が正で風邪、負で平常を判 別できる。 • 風邪者A,B,Cと平常者D,E, Fの症状を確認しその後症 状不明の人G(体温38.5咳 15回)と人H(体温36.8咳10 回)の症状を推定して下さい。 表 風邪と平常者の体温と咳回数パターン認識問題解法
(ニューラルネット)
【風邪者A,B,Cの確認】
【平常者D,E,Fの確認】
今日の課題
1
• パターン認識問題(最近傍法) • 表1にバスケット選手A,B,Cとラグビー選手D,E,F の身長と体重を示す。 • 種目不明の選手G(身長 175cm体重103kg)と選手 H(身長193cm体重90kg) がどちらのスポーツ選手 かを最近傍法を用いて 推定して下さい。 表1 スポーツ選手の身長と体重パターン認識問題解法
(最近傍法)
【選手G】 GとAの距離： GとBの距離： GとCの距離： GとDの距離： GとEの距離： GとFの距離： Gと最小距離選手を求めバ ス ケット選手か ラグビー選手かを判断 【選手H】 HとAの距離： HとBの距離： HとCの距離： HとDの距離： HとEの距離： HとFの距離： Hと最小距離選手を求めバス ケット選手か ラグビー選手かを判断今日の課題
2
• パターン認識問題(ニューラルネット) • 表2にバスケット選手A,B,Cとラグビー選手D,E,Fの 身長と体重を示す。身長x、体重yとすると、ニュー ラルネット学習の結果z=4x-7.3y+1が正でバスケッ ト選手、負でラグビー選手を判別できる。 • バスケット選手A,B,Cとラグビー 選手D,E,Fの種目を確認しその後 種目不明の選手G(身長175cm体 重103kg)と選手H(身長193cm体 重90kg)の種目を判定して下さい。 表2 スポーツ選手の身長と体重パターン認識問題解法
(ニューラルネット)
【選手A,B,Cの確認】
【選手D,E,Fの確認】
