特化型最高峰は最近の流行りである深層学習であるディープラーニングである。
ディープラーニングをざっくり説明すると、データから自ら特徴を見つけ出し、カテゴリ分けを行い、それに人間がラベリングを行い、実社会と人工知能の結果を結びつけるというものである。
今までと違うのが自ら特徴を見つけ出すという部分で、人が分かってない特徴も見つけ出す事も可能ということです。
学習手順を大まかに書くと、
大量のデータセット→AIエンジニアが作った機械学習プログラム→結果
２．AIが学習を行う。
AIエンジニアがデータに最適な手法を組み合わせたり、評価関数を作り、求めるパラメータを明確化する。
３．それなりに結果得られるようになったら完成。
人工知能と人と同じく最初は判別しやすいデータを与えて勉強させることが必要です。
ベースを作ってから徐々に判定が難しいデータを与えて調節していく感じがいいように思えます。
AIエンジニアのお仕事
ディープラーニングが登場してから毎週のように進化していっているので、対象のデータをどういったアルゴリズムを使えば最善であるか設計する作業があります。それと人工知能が出した結果が評価する評価関数の導出も必要だったりするので人工知能だからって手放しで全自動というわけではないのが現状である。
人工知能のやるにあたっていきなりディープラーニングをやるよりも、用語や機械学習の扱い方を覚えるためにまずSVMやニューラルネットワークから導入したほうがいいかも。
以下、完全にまとめきれてないのですが、用語集。
特化型AIの種類
・ファジィ集合
・SVM（サポートベクトルマシン）
・（NN）ニューラルネットワーク
NNを更に特化したものたち
CNN、ResNet
RNN
LSTM
オートエンコーダ
・VAE(Variational Autoencoder)
アプリ
・OpenPose 動画で人の関節の動きを可視化する
・Merlin 深層学習ベースの音声合成ツールキットMerlin
・Eliza チャットボット
ライブラリ
・Tensorflow
・Chainer
・その他参考用語集
generative model...生成モデル
maximum likelihood learning...最尤学習
weights...重み
bias...バイアス(偏差)
meta-parameter...超パラメータ
stochastic...確率的
Robust...頑健
binary...2値
deterministic...決定論的
training data...訓練データ
validation data...検証データ
test data...テストデータ
GD(Gradient Descent)...勾配法
SGD(Stochastic Gradient Descent)...確率的勾配法
overfitting...過学習
approximate...近似
standard deviation...標準偏差
momentum...はずみ、運動量、今回の場合はGD中に振動の抑制項として使われる
ravine...峡谷、谷
brute-force...力ずく
weight decay...荷重減衰
mixing rate...混合率(理想分布への収束スピード)
coefficient...係数
partition function...分配関数
sparsity target...スパース化目標
sparsity cost...スパース化コスト
stability...安定性
discriminative...識別の
order of magnitude...10の累乗
eigenvalue...固有値
eigenvector...固有ベクトル
natural image...自然イメージ、多様性のあるイメージ
rectified...修正された
exponential family...指数型分布族
integrate out...積分消去
参考URL
http://machinelearningmastery.com/get-help-with-keras/
http://www.iryounomirai.com/news/study/1078/
0 件のコメント:
コメントを投稿