3-3 機械学習Ⅱ教材本文 - r1monka-itaku.net · 機械学習Ⅱ教材 ......

機械学習Ⅱ教材

■2019年度「専修学校による地域産業中核的人材養成事業」

Society5．0

実現のためのIT技術者養成モデルカリキュラム開発と実証事業

Society5.0実現のためのIT技術者養成モデルカリキュラム開発と実証事業

2019年度「専修学校による地域産業中核的人材養成事業」


2019年度「専修学校による地域産業中核的人材養成事業」

Society5.0 実現のための IT 技術者養成モデルカリキュラム開発と実証事業


目次

第 1 回：機械学習の概要 ��1

第 2 回：単純パーセプトロン �� 10

第 3 回：単純パーセプトロン �� 17

第 4 回：多層パーセプトロン �� 24

第 5 回：ニューラルネットワーク �� 33

第 6 回：活性化関数 �� 47

第 7 回：勾配降下法 �� 57

第 8 回：確率的勾配降下法 �� 63

第 9 回：誤差逆伝播法 �� 70

第 10 回：TensorFlow と Keras �� 81

第 11 回：Keras による多層ニューラルネットワークの実装 �� 85

第 12 回：学習アルゴリズム �� 90

第 13 回：過学習の回避 �� 95

第 14 回：モデルの保存と読み込み �� 100

第 15 回：機械学習Ⅱ総復習 �� 104

1

機械学習の類とパーセプトロン

アジェンダ

● 機械学習とは● 機械学習の手法の分類

教師あり学習教師なし学習半教師あり学習強化学習

● 代表的なアルゴリズム● パーセプトロン

歴史と発展アルゴリズムの概要

1

15

● ールトーの学習アルゴリズムのとプロンとしはPythonPythonのリしー分要なルの習

2 のり

2

● 機械学習の手法はの分類法あり代表的なのはの3 分の● 教師あり学習

教師ー学習しのーしし手法

● 教師なし学習教師ーはーののルール手法

● 半教師あり学習の教師ありーとの教師なしー教師なしーしル

化手法● 強化学習

りしなりりの法し法

4

出典：http://scikit-learn.org/stable/tutorial/machine_learning_map/index.html

ア

分類ロートーンールトー

ールトー

リン K - m e a ns 法

分分

アルゴリズムのは機械学習り

5

ン

1943 ーロンの W. MCCLLOCH W.PITTS

1949 D.Hebb

1958 パーセプトロンの発表1969 教1969 トロン教

1969 パーセプトロンの1969 80 AIの 1 ------

1984

1986

1986

1987 93 AIの ------2006 ートンー

2012 ープーン

の xi i

との発のンパル

の化

展 -

ン


1949 D.Hebb


1969 パーセプトロンの1969 80 AIの 1 ------

1984

1986

1986

1987 93 AIの ------2006 ートンー

2012 ープーン

発のりのは強

展

6

ン


1949 D.Hebb


1969 パーセプトロンの1969 80 AIの 1 ------

1984

1986

1986

1987 93 AIの ------2006 ートンー

2012 ープーン

OR の

NAND の

分な

展 -

パーセプトロンは分なな

ン


1949 D.Hebb


1969 パーセプトロンの1969 80 AIの 1 ------

1984

1986

1986

1987 93 AIの ------2006 ートンー

2012 ープーン

展

プロパーン法とりパーセプトロンの学習となり分な

な

7

ン


1949 D.Hebb


1969 パーセプトロンの1969 80 AIの 1 ------

1984

1986

1986

1987 93 AIの ------2006 ートンー

2012 ープーン展ートンー

ートンーはールトしアルゴリズムのの

のの表

しな学習

ン


1949 D.Hebb


1969 パーセプトロンの1969 80 AIの 1 ------

1984

1986

1986

1987 93 AIの ------2006 ートンー

2012 ープーン

ント ILSVRCントン教の

ループールトと手法 1ののり 25.7% 15.3% と4

しし

展 -

8

ンア

ンプルなパーセプトロンはのし 1 の

X 1

X 2

Y

W 1

W 2

X 1 X 2 ：Y ：出W 1 W 2 ：

X i W i θ1 出 0 出

1 出

ンア

ンプルなパーセプトロンのし

X 1

X 2

Y

W 1

W 2

：X 1 X 2 1 .0：W 1 W 2 0 .5：θ 0 .7

出 Y1 .0 0 .5 1 .0 0 .5 1 .0

0 .7 Y 1 .0

9

2 ン

パーセプトロンのアルゴリズム

アジェンダ

● 1 のりりパーセプトロンの歴史と発展アルゴリズムの概要

● パーセプトロンのアルゴリズム● パーセプトロンの

10

ン


1949 D.Hebb


1969 パーセプトロンの1969 80 AIの 1 ------

1984

1986

1986

1987 93 AIの ------2006 ートンー

2012 ープーン

の xi i

との発のンパル

の化

展 -

ン


1949 D.Hebb


1969 パーセプトロンの1969 80 AIの 1 ------

1984

1986

1986

1987 93 AIの ------2006 ートンー

2012 ープーン

発のりのは強

展

11

ン


1949 D.Hebb


1969 パーセプトロンの1969 80 AIの 1 ------

1984

1986

1986

1987 93 AIの ------2006 ートンー

2012 ープーン

OR の

NAND の

分な

展 -

パーセプトロンは分なな

ン


1949 D.Hebb


1969 パーセプトロンの1969 80 AIの 1 ------

1984

1986

1986

1987 93 AIの ------2006 ートンー

2012 ープーン

展

プロパーン法とりパーセプトロンの学習となり分な

な

12

ン


1949 D.Hebb


1969 パーセプトロンの1969 80 AIの 1 ------

1984

1986

1986

1987 93 AIの ------2006 ートンー

2012 ープーン展ートンー

ートンーはールトしアルゴリズムのの

のの表

しな学習

ン


1949 D.Hebb


1969 パーセプトロンの1969 80 AIの 1 ------

1984

1986

1986

1987 93 AIの ------2006 ートンー

2012 ープーン

ント ILSVRCントン教の

ループールトと手法 1ののり 25.7% 15.3% と4

しし

展 -

13

ンア


X 1

X 2

Y

W 1

W 2

X 1 X 2 ：Y ：出W 1 W 2 ：


1 出

1 ン

X 1

X 2

Y

W 1

W 2

としし

14

ンア


X 1

X 2

Y

W 1

W 2

：X 1 X 2 1 .0：W 1 W 2 0 .5：θ 0 .7

出 Y1 .0 0 .5 1 .0 0 .5 1 .0

0 .7 Y 1 .0

2 ン

X 1

X 2

Y

W 1

W 2

ーロン 2 ののパーセプトロンの p ython し

15

3 ン

X 1

X 2

Y

W 1

W 2

ーロンアルゴリズムし

4 ン

X 1

X 2

Y

W 1

W 2

パーセプトロンの化し

16

3 ン

パーセプトロンの

アジェンダ

● パーセプトロンのアルゴリズムの習● パーセプトロンの● パーセプトロンのアルゴリズム

17

ンア


X 1

X 2

Y

W 1

W 2

X 1 X 2 ：Y ：出W 1 W 2 ：


1 出

ンア


X 1

X 2

Y

W 1

W 2

：X 1 X 2 1 .0：W 1 W 2 0 .5：θ 0 .7

出 Y1 .0 0 .5 1 .0 0 .5 1 .0

0 .7 Y 1 .0

18

ン

とのの2 なパーセプトロン ( S i m p l e p e r c e p tr on) は分ななとーンンーとーアパパート 1 9 6 9 しパーセプトロンな分なとしーし

ン

ンーのは+ × ÷ ののありとは2 のはしのはのと2 ののの A N D O R N A N D 的

X O R りパーセプトロンのしのの類はhttp s : / / j a . w i k i p e d i a . or g / w i k i /

19

ン O R

X 1 とX 2の T R U E = 1 あ X 1 O R X 2 T R U E となと表のと X 1 とX 2の2 のとは4

- 1 0 . 5 の X 2 = - X 1 + 0 . 5 と 4 のの分とり

X1 X2 X1 OR X21 1 11 0 10 1 10 0 0

展 http://hokuts.com/2015/12/04/ml3-mlp/

1 ン

アルゴリズムし

X1 X2 X1 OR X21 1 11 0 10 1 10 0 0


20

ン A N D

X 1 とX 2の T R U E = 1 のの X 1 A N D X 2 T R U E となと表のと

- 1 1 . 2の X 2 = - X 1 + 1 . 2 と 4 のの分とり

X1 X2 X1 AND X21 1 11 0 00 1 00 0 0


2 ン


X1 X2 X1 AND X21 1 11 0 00 1 00 0 0


21

ン N A N D

A N D N A N D となり表のと

X1 X2 X1 NAND X21 1 01 0 10 1 10 0 1


X1 X2 X1 NAND X21 1 01 0 10 1 10 0 1

3 ン



22

ン X O R

X 1 しはX 2の T R U E のの T R U E となり X 1 と X 2 と T R U E のは F A L S E とな的 X O R となり表のと

的は分とのとのはパーセプトロン( S i m p l e p e r c e p tr on) は分ななととし

X1 X2 X1 XOR X21 1 01 0 10 1 10 0 0

展http://tuz.hatenablog.com/entry/2017/06/29/194801

23

4 ン

パーセプトロンのの

アジェンダ

● パーセプトロンのとパーセプトロンの● パーセプトロン的の

24

ンア


X 1

X 2

Y

W 1

W 2

X 1 X 2 ：Y ：出W 1 W 2 ：


1 出

ンア


X 1

X 2

Y

W 1

W 2

：X 1 X 2 1 .0：W 1 W 2 0 .5：θ 0 .7

出 Y1 .0 0 .5 1 .0 0 .5 1 .0

0 .7 Y 1 .0

25

ン


ン

ンーのは+ × ÷ ののありとは2 のはしのはのと2 ののの A N D O R N A N D 的

X O R りパーセプトロンのしのの類はhttp s : / / j a . w i k i p e d i a . or g / w i k i /

26

ン O R

X 1 とX 2の T R U E = 1 あ X 1 O R X 2 T R U E となと表のと X 1 とX 2の2 のとは4

- 1 0 . 5 の X 2 = - X 1 + 0 . 5 と 4 のの分とり

X1 X2 X1 OR X21 1 11 0 10 1 10 0 0


ン A N D

X 1 とX 2の T R U E = 1 のの X 1 A N D X 2 T R U E となと表のと

- 1 1 . 2の X 2 = - X 1 + 1 . 2 と 4 のの分とり

X1 X2 X1 AND X21 1 11 0 00 1 00 0 0


27

ン N A N D

A N D N A N D となり表のと

X1 X2 X1 NAND X21 1 01 0 10 1 10 0 1


ン X O R



X1 X2 X1 XOR X21 1 01 0 10 1 10 0 0


28

X O R ン

OR NAND AND のXOR(X1, X2) = AND(OR(X1, X2), NAND(X1, X2))

の X1 X2 X1 XOR X21 1 01 0 10 1 10 0 0


X O R ン


OR x1 1 x2 1なの h1 1NAND x1 1 x2 1なの h2 0AND h1 1 h2 0なの y 0

と

の X1 X2 X1 XOR X21 1 01 0 10 1 10 0 0


29

X O R ン



と

の X1 X2 X1 XOR X21 1 01 0 10 1 10 0 0


X O R ン



と

の X1 X2 X1 XOR X21 1 01 0 10 1 10 0 0


30

X O R ン



と

の X1 X2 X1 XOR X21 1 01 0 10 1 10 0 0


X O R ン


はのは3 パーセプトロンあパーセプトロンのし学習と分なとなと

の X1 X2 X1 XOR X21 1 01 0 10 1 10 0 0


1 2 3

31

1 ン

O R A N D A N D パーセプトロンのし

2 ン

O R A N D A N D 的 X O Rパーセプトロンし

32

5

ールトーの類と

アジェンダ

● パーセプトロン 3 パーセプトロンのりり● ールトーとは● 代表的なールトーの

f e e d f or w a r d ne tw or k / ールトー c onv ol u ti ona l ne u r a l ne tw or k ールトー r e c u r r e nt ne u r a l ne tw or k ールトー

● ののールトー

33

ンア


X 1

X 2

Y

W 1

W 2

X 1 X 2 ：Y ：出W 1 W 2 ：


1 出

ンア


X 1

X 2

Y

W 1

W 2

：X 1 X 2 1 .0：W 1 W 2 0 .5：θ 0 .7

出 Y1 .0 0 .5 1 .0 0 .5 1 .0

0 .7 Y 1 .0

34

ン


ン X O R



X1 X2 X1 XOR X21 1 01 0 10 1 10 0 0


35

X O R ン


はのは3 パーセプトロンあパーセプトロンのし学習と分なとなと

の X1 X2 X1 XOR X21 1 01 0 10 1 10 0 0


1 2 3

1 のパーセプトロンは的 X O R と学しのとールトーの表はし的 2 のールトーールトーープーンと

36

f e e d f o r w a r d n e t w o r k/


のー hiは 1 ののー x iと w i しx i の h1 1 は h2i し

x1

x2

x3

x4

h1 1 h2 1

h2 2

h2 3

37


h1 1 h2i はのしし1 . x i✕ w i し u k しの2. u k 化しyk しの

展 https://ja.wikipedia.org/wiki/ 化


ールトーはのなパー要あのし


38


ールトーはのなパーありのーの

ののーの- - - のア

の化の類


c o n v o l u t i o n a l n e u r a l n e t w o r k

39


ロの分ンーンのはとセンーの発とセンーの手法と分しートンのトアアプリーン

なンーーンはし

ンーンの分ンン I m a g e N e t A l e x K r i z he v s k yのーム 20 1 2しし手法ールトー

展 https://deepage.net/deep_learning/2016/11/07/convolutional_neural_network.html


ールトーは機械学習は化要ありンプルなーール化と 25 5 なは 0 と表

ののはなとあり


化

40


機械学習のは学習ー / 要ありールトーはと手法し

1 . のルしのは02. 1 しのしのは33 . のりしプし


ルプ


プのプーリンーしののプーリンし

プーリンールトー教師あり学習し


Maxプーリン

3332

NN

41


ールトーはのなパー要あのし


ールトーはのなパーありプーリンののプーリンルのズとののーのの - - のアのの化の類

42

r e c u r r e n t n e u r a l n e t w o r k


ールトーとしののなり

あのはののとーりと

43


T ののなののなのはの T - 1T - 2 のしななな

のはOK, Noodle.

のはOK, Noodle.

TT - 1T - 2

との

との


の分類ールトーな

44


の分類ールトーのはのな分

機械

トン

の分のはあのはのしなななとーと

45

は代表的なールトーあのールトーりし

の学習ートンールンンルあ G A N な 20 1 8 なールト

機械学習の分はしアアり学習しは w e b トのし

展 https://www.asimovinstitute.org/author/fjodorvanveen/

46

6

化の類と

アジェンダ

● f e e d f or w a r d ne tw or k / ールトーのりり● 化とは● 代表的な化との

47


のー hiは 1 ののー x iと w i しx i の h1 1 は h2i し

x1

x2

x3

x4

h1 1 h2 1

h2 2

h2 3


h1 1 h2i はのしし1 . x i✕ w i し u k しの2. u k 化しyk しの


の学習

48

化はの u k の化の yk し

化としプ R e L U なあり化としトあり

49

しりと的パーセプトロン

50

1

プしし

は分のあとプロパーンールトートー学的となーンのしとの

しし

51

2

しし

R e L U

R e L U とはR e c ti f i e d L i ne a r U ni t 化のし 0 のと 0 なり 1 りとのし

52

3 R e L U

R e L U しし

53

との

4

しし

54

の化とのしールトーななり

とのなトー

h( x ) = c x 化とし 3 とy= h( h( h( x ) ) と表 hはなのc り y= c * c * c * x ( y= a x ) とのなトー表となり

K の分類しは K は 1 ありのと

55

5

トしし

56

7

法の的と類

アジェンダ

● ルののなのルのとの化法

57

ルのは要のトとのと

のとのと

x = 25 はJ は- 1 0 なりx = 3 0 はJ は+ 5 なり

のはなの 2 し 2 と

x = 25 はJ は1 0 0 なりx = 3 0 はJ は25 なり

展 https://shironeko.hateblo.jp/entry/2016/10/29/173634

のし

のの分の 1 / 2 し

とし 2 と


58

はの分 0 0 な要ありーのはなの

表とのとw 3 りしなーンとルのなとり

ーンのあのと w 4 ととw ルのなりw 2 とと w ルのなり


ーンのの分ののとは w しの

とのとは学習となりとの分し法

法と


59

1

J = x 2 - 4 x + 5 とな x プロムし

2

りなし

60

3

学習しとし

4

学習し発とし

61

学習となとしし学習しとししなしはな学習ートし学習しのなり

学習 0.01 学習 1.0学習 0.4

62

8

法の類と的法

アジェンダ

● 学習法の習● 法の類

法的法

● 的法

63


のとのと

x = 25 はJ は- 1 0 なりx = 3 0 はJ は+ 5 なり


x = 25 はJ は1 0 0 なりx = 3 0 はJ は25 なり


のし


とし 2 と


64







法と


65

1

学習し法のし

法ののしパーしののののありとなパーとののなしとリトあり

的法学習ーンム 1 りししパーし 1 のーなのなり化化りなり学習ンムしーパーしと

リトあり

66

法はの分 0 な 0 なパーしX = - 6 ートし A とあり C の

法のアルゴリズムはA となししA と C と的と

展 https://qiita.com/koshian2/items/028c457880c0ec576e27

A

B

C

2

X = - 6 ートし A とし


A

B

C

67

3

学習ーンム的法しX = - 6 ートし A としX の 2 ートし C とし


A

B

C

4 ンダンン

学習ーのンムしし


A

B

C

68

学習ーのンムーし学習とり習4 のンムしのーとし学習手法学習と


A

B

C

習3パー -6とし

習4パー -6 6 ンムし 1.9 ート

69

9

ールトーパーの化

アジェンダ

● の習● 法とは

ールトーのパー

70


のとのと

x = 25 はJ は- 1 0 なりx = 3 0 はJ は+ 5 なり


x = 25 はJ は1 0 0 なりx = 3 0 はJ は25 なり


71

のし


とし 2 と






72



法と


73

プロパーンの的な学習 1 のンプルなールトー化はのしのは分とな

法の学習はし化しパーはのり

- w 1k とア b 1 b 2

- w 2k とア b

展 https://www.yukisako.xyz/entry/backpropagation

の手学習し

74

化しパーはのり- w 1

k とア b 1 b 2- w 2

k とア b

J = E ( w 1k , b 1 , b 2, w 2

k , b ) ととパーはのとなり


2 あ z ( x , y) = x 2+ y2 の分はのなり

1 のは x 化とz し2 のは y 化とz し

ののの 1 の分と分と

75

の分は y u の u x のあと y x 分はのし

z u の u ( x , y) のあ z x しはz y 分はのし

教は化とししのは分とな法の学習

はのし

分とのなり

76

- w 2k

W 2k の法はの

要あり

E w 2k 分しはの

しの分の y

w 2k 分し


- ア b

b の法はの要あり

E ア b 分しはのし

の分の y アb 分し


77

W 1k の法はの

要あり

E w 1k 分しはの

しE w 1

k 分は -のw 2

k 要あり w 2k し

w 1k 要あの逆伝播と表

- w 1k


b k の法はの要あり

E ア b k 分しはのし

アの - のw 2k

要あり

- ア b k


78

ールトー学習とはとアし J = E ( w 1k , b 1 , b 2, w 2

k , b ) しと

はのりし要あり

は化の 1 のンプルなールトーし化はのしし

のり化しールトー法の学習な w e b トしののあはし

20 1 9 T e ns or F l ow のパーのk e r a s な法リしのなのリとなールトーと

79

1

1 ト2 のンプルなールト法し


80

10 T e n s o r F l o w K e r a s

リしールトーの発

アジェンダ

● T e ns or F l ow とは● K e r a s とは● 発手

81

T e n s o r F l o w

G oog l e 発しープンーし機械学習のトアリのとhttp s : / / g i thu b . c om / te ns or f l ow / te ns or f l ow

T e ns or F l ow は G oog l e のの G oog l e B r a i n ーム発し発的は学習的とパーンしールトー

とムのの要と

T e n s o r F l o w

H P http s : / / w w w . te ns or f l ow . or g / ントールのートリアルな

82

K e r a s

K e r a s は Python ープンーールトーリ http s : / / k e r a s . i o/ M X N e tD e e p l e a r ni ng 4 j T e ns or F l ow C N T K T he a noのしープールトーな

ールあと的な発はG oog l e ンアのF r a nç oi s C hol l e t

T e n s o r F l o w K e r a s

T e ns or F l ow とK e r a s となールトー的と

アンン

パー化のー

83


ンし発し機械学習リの p i l l owントールし

ール化 j u p yte r の要

$ pip( conda) install tensorf low keras pillow py dot h5 py

2

T e ns or F l ow とK e r a s ントールとし

84

11 K e r a s

リしールトーの

アジェンダ

● の法● の法● 学習の法

85

ントしはa d d ( ) とと

ントの

add の

ーのトのとのし

ントの

add の

784 のー 32 の

のは10

86

化し

ントの

add の

の化はReLU

の化はト

しととのと

87

トーのーのは201のは64 化はReLU2の 64 化はReLUのは1 化は

は2 分類のし

学習のの

1

2 のールトーし学習/ し

88

2

I r i s ーアーしールトーしI r i s ー http s : / / e n. w i k i p e d i a . or g / w i k i / I r i s _ f l ow e r _ d a ta _ s e t とは機械学習のーセトのと

3

のしししと

89

12 ア

学習の

アジェンダ

● と的の分● 学習ーとトーの分● 的のone hot v e c tor 化● 学習と

90

ーセトはと的とな機械学習ルの的とししのとしの

アー

とののーあの類のとし

あの類的とし

1

アーと的分し

アー

とののーあの類のとし

あの類的とし

91

ルのとはーセト 4 分要あり学習ールしトールのし

ーセト

学習ー

トー

学習ー

トー

学習ー的

トー的

2

アーセト学習ーとトー分し

ーセト

学習ー

トー

学習ー

トー

学習ー的

トー的

92

o n e h o t v e c t o r

アーの的はの s e tone / v e r s i c ol or / v i r g i ni c a のとな

1 の的の 3 のone hot v e c tor し機械学習し

3 o n e h o t v e c t o r

アーの的 one hot v e c tor し機械学習し

93

的法学習ーンムとと学習ししーセトンムしーセトと的法 1 の学習 1

しーセトし学習と 1 の学習しと

1 の学習とのし 2 の学習と

ーセト

ーセト

ーセト

ーセト

ーセト

4

学習しなとし

94

13

のリン

アジェンダ

● 学習とトの● 学習とのの● 学習の

95

ルの学習のののの tr a i n のとトールししのの te s t の

学習ー

トー

K e r a s

ル学習 f i t v a l i d a ti on_ d a ta とトーし

1 の学習とトーと

96

K e r a s

F i t のり表と

1

ル学習とトののし

学習ー

トー

97

学習ーなトーなと学習と

学習ーししトーのと

ア

のールト化 H i nton 手法ールトー学習あののーののししなの

学習のはのーし学習とりしり学習トーの強的し化学習と

展 http://sonickun.hatenablog.com/entry/2016/07/18/191656

98

2 ア

ロプアトしし

展 http://sonickun.hatenablog.com/entry/2016/07/18/191656

化アルゴリズムし

化化

ーの化化パーパーの

U R Lhttp s : / / w w w . he l l oc yb e r ne ti c s . te c h/ e ntr y/ 20 1 6 / 1 1 / 1 3 / 0 3 5 4 4 3http s : / / q i i ta . c om / j i ny20 0 1 / i te m s / 1 d 3 f 2d 0 3 7 0 b 26 8 9 d 2d a 7http s : / / w w w . he l l oc yb e r ne ti c s . te c h/ e ntr y/ 20 1 8 / 0 2/ 1 0 / 0 8 4 8 4 0 # リー

99

14

K e r a s

アジェンダ

● K e r a s ルの● K e r a s ルの● ルの学習

100

学習ーのールトーなルの学習はの学習はルと要となり

ルのパーの学習パーンのパーンは学習のルしと要なり

K e r a s

K e r a s のm od e l ンンのs a v e し

101

1 K e r a s

ルし学習ルし

ルトしりはル学習とあり

の学習しルのしル学習しのルの

102

K e r a s

l oa d _ m od e l りm od e l ンンしの学習と m od e l ンンのf i t 学習

2 K e r a s

しル学習し

103

15

1

● 機械学習の代表的なアルゴリズムとの概要● 1 9 6 9 M . M i ns k y パーセプトロンのし

104

2 ン

パーセプトロンしーロン 2 ののパーセプトロンの p ython し

3 ン

パーセプトロンアルゴリズムしパーセプトロンアルゴリズムしパーセプトロンアルゴリズムし

105

4 ン

O R A N D A N D 的 X O Rパーセプトロンし

5

ールトーはのなパー要あのしールトーはのなパー要あのし

の分類ールトーな

106

6

プしししし

R e L U しししし

トしし

7

J = x 2 - 4 x + 5 とな x プロムしりなし

107

8

的法し化し

9

し法のの習し

108


T e ns or F l ow とK e r a s しT e ns or F l ow な K e r a s リト

11 K e r a s

I r i s ーアーしールトーし

109

12 ア

アーと的分しアーセト学習ーとトー分しアーの的 one hot v e c tor し

学習しなとし

13

ル学習とトののし学習しロプアトしールトーし

110

14

ルし学習ルししル学習し

111

2019 年度「専修学校による地域産業中核的人材養成事業」


■実施委員会

◎ 船山世界日本電子専門学校校長

大川晃一日本電子専門学校エンジニア教育部長

／ケータイ・アプリケーション科科長

種田裕一東北電子専門学校第２教務部長学生サポート室長

勝田雅人トライデントコンピュータ専門学校校長

安田圭織学校法人上田学園上田安子服飾専門学校

平田眞一学校法人第一平田学園理事長

平井利明静岡福祉大学特任教授

木田徳彦株式会社インフォテックサーブ代表取締役

渡辺登合同会社ワタナベ技研代表社員

岡山保美株式会社ユニバーサル・サポート・システムズ取締役

冨田慎一郎株式会社ウチダ人材開発センタ常務取締役

■調査委員会

◎ 大川晃一日本電子専門学校エンジニア教育部長


菊嶋正和株式会社サンライズ・クリエイティブ代表取締役

柴原健次合同会社ヘルシーブレイン代表 CEO

上田あゆ美株式会社ウチダ人材開発センタ

■人材育成委員会

◎ 大川晃一日本電子専門学校エンジニア教育部長


福田竜郎日本電子専門学校 AI システム科

阿保隆徳東北電子専門学校学科主任

小澤慎太郎中央情報大学校高度情報システム学科

神谷裕之名古屋工学院専門学校メディア学部情報学科

北原聡麻生情報ビジネス専門学校校長代行

原田賢一有限会社ワイズマン代表取締役

柴原健次合同会社ヘルシーブレイン代表 CEO

菊嶋正和株式会社サンライズ・クリエイティブ代表取締役

2019 年度「専修学校による地域産業中核的人材養成事業」



令和 2年 2月

学校法人電子学園（日本電子専門学校）〒169-8522 東京都新宿区百人町 1-25-4 TEL 03-3369-9333 FAX 03-3363-7685

●本書の内容を無断で転記､掲載することは禁じます。

3-3 機械学習Ⅱ教材本文 - r1monka-itaku.net · 機械学習Ⅱ教材 ......

Documents

Transcript of 3-3 機械学習Ⅱ教材本文 - r1monka-itaku.net · 機械学習Ⅱ教材 ......

3-3 機械学習Ⅱ教材 本文 - r1monka-itaku.net · 機械学習Ⅱ教材 ......

Documents

Transcript of 3-3 機械学習Ⅱ教材 本文 - r1monka-itaku.net · 機械学習Ⅱ教材 ......

3-3 機械学習Ⅱ教材本文 - r1monka-itaku.net · 機械学習Ⅱ教材 ......

Transcript of 3-3 機械学習Ⅱ教材本文 - r1monka-itaku.net · 機械学習Ⅱ教材 ......