機械学習 無料ラボ

教師あり学習。もしこの用語を初めて耳にするか、または読むなら、その意味が全く分からないかもしれません。心配しないでください。この実験では、教師あり学習について包括的な理解を得ることができます。そして、実験の次の章では、教師あり学習を使ってデータ予測を行う方法を学びます。

線形回帰は比較的単純でありながら重要な機械学習手法です。線形性の原理とその解決方法を理解することは、線形回帰を扱うための基本要件の一つです。また、線形回帰は教師あり学習回帰の礎石でもあります。この実験を通じて、機械学習のいくつかの重要な考え方を理解していただければ幸いです。

線形回帰の章では、ボストンの住宅価格の例を挙げてコードの実装について詳細に説明しました。このチャレンジでは、線形回帰から学んだ関連知識を使って北京の住宅価格を予測する必要があります。

ロジスティック回帰は、機械学習における非常に基本的な分類手法です。単純さと効率性のおかげで、このアルゴリズムは実際のシナリオで広く使用されています。このコースでは、ロジスティック回帰の原理とそのアルゴリズムの実装を探求し、scikit - learn を使ってロジスティック回帰分類予測モデルを構築します。

分類予測の中で、確率論に基づくアルゴリズムは少ない。ナイーブベイズはその一つである。ナイーブベイジアンアルゴリズムは実装が簡単で、予測分類の効率が非常に高い。一般的に、ナイーブベイズは非常に一般的なアルゴリズムである。本章では主に、ベイズの定理とパラメータ推定からナイーブベイズアルゴリズムの原理を説明し、データと組み合わせて実装する。最後に、実際の応用例を提示する。

我々は 3 つの方法を用いて線形回帰を実装しました。このチャレンジでは、TensorFlow を使って多項式回帰フィッティングを完了し、フィッティング曲線を描画する必要があります。

線形回帰は、機械学習における最も単純な問題です。同時に、線形回帰は人工ニューラルネットワークと密接に関連しています。この実験コースでは、TensorFlow 2 が提供する API を使用して線形回帰を実装します。

我々は、線形回帰を例にとって TensorFlow 2 の新しい変更点と新機能を示しました。実際、TensorFlow のような深層学習フレームワークのより重要な役割は、人工ニューラルネットワークを構築することです。そこで、この実験では TensorFlow 2 を使って単純なフィードフォワードニューラルネットワークを構築します。

ディープラーニングの一連のプロセスは、モデルのトレーニング、モデルの評価、モデルの保存、およびモデルの展開の 4 つのステップで構成されています。実際、これまでに説明したすべての内容は、最初の 2 つのステップに焦点が当てられています。この実験コースでは、TensorFlow 2 でモデルを保存および復元する方法を学びます。

このコースの前の 2 週間で、教師あり学習が何か、そしてさまざまな教師あり学習方法がどのようなものかを学びました。次の週には、教師なし学習を完全に理解し、教師なし学習を使ってデータクラスタリングを行う方法を学びます。

私たちは TensorFlow の使い方を紹介しました。テンソル、セッション、計算グラフの概念に慣れているはずです。このチャレンジでは、TensorFlow を使って多層ニューラルネットワーク構造を構築しようとします。心配しないでください。ここでは深層ニューラルネットワークは関係ありません。重点は TensorFlow の使い方を慣れることにあります。

我々は、教師付き学習における回帰と分類に一般的に使用されるアルゴリズムに慣れ親しんできました。次に、あなた方に非教師付き学習：クラスタリングを学ぶように導きます。この実験では、まず最も一般的に使用される重心ベースのクラスタリング手法を説明し、その後、最も代表的な K-Means アルゴリズムとその家族の他のメンバーを詳細に紹介します。

私たちは、TensorFlow を使ってニューラルネットワークを構築する方法を学び、低レベルの API と TensorFlow の Keras をどのように使うかを示しました。このチャレンジコースでは、浅層ニューラルネットワークの構築を独立して完了する必要があります。

我々は既に TensorFlow を使って線形回帰を実装し、浅層ニューラルネットワークを構築する方法を学んできました。この実験コースでは、より深いニューラルネットワークの構築に焦点を当て、古典的な畳み込みニューラルネットワーク構造である VGG を例にとって、Fashion-MNIST 分類タスクを達成します。また、このコースでは、事前学習済みモデルを使った転移学習の方法も学びます。

この章から、私たちはディープラーニングの旅に出ます。ディープラーニングの鍵は、深層ニューラルネットワークの構築にあります。ゼロから独自の深層ニューラルネットワークを構築する場合、そのプロセスは非常に複雑になります。したがって、ディープラーニングモデルをより便利に実装するために、いくつかの一般的なフレームワークの使い方を学ぶ必要があります。現在、ディープラーニングコミュニティでは、TensorFlow、Keras、PyTorch などがより人気のあるフレームワークで、それぞれ独自の特徴があります。Google のサポートと大規模な開発者コミュニティの活性化のおかげで、TensorFlow は信頼できるプラットフォームで、頻繁に更新されています。TensorFlow の使い方を学ぶことは、便利にディープラーニングモデルを構築するのに役立ちます。