「.NET 開発基盤部会 Wiki」は、「Open棟梁Project」,「OSSコンソーシアム .NET開発基盤部会」によって運営されています。
目次 †
概要 †
学習フェーズでは、信号は逆方向に伝播する。
- 実際のニューラルネットワークの重みパラメタは、
- 数千、数万になるため、手動での設定は不可能。
- 更に層を深めた深層学習(deep learning)では数億にも登る。
- 重みパラメタの自動獲得のため、損失関数という指標を導入する。
- 損失関数を基準に??その値が最小になるように重みパラメタを探す。
- このような値を探し出すためには、勾配法という手法を用いる。
学習はデータ駆動 †
- MNISTデータセットの分類処理を行うアルゴリズムを考え出すのは困難。
しかし、機械にデータを学習させる機械学習を用いれば分類処理が実現可能。
人間が(暗黙的な学習によって、)これらを判別することはできる。
従って、人間の脳も、一部は、このようなデータ駆動で動いているのかもしれない。
- このように、アルゴリズムを捻り出すのではなく、データを有効活用して解決する方法に、
画像から特徴量を抽出し、特徴量のパターンを機械学習の技術で学習するという方法がある。
特徴量 †
- 入力された学習データから特徴量と呼ばれる数値を抽出する。
- 学習データにどのような特徴があるかを数値化したもの。
- 特徴量の抽出は人間が設計し実装する必要がある。
- 抽出した特徴量を元に機械はパターン・経験則をモデルを使って学習する。
- 特徴量選択
- 入力画像データから、本質的なデータを抽出できるように設計された変換器を指す。
- 画像データの特徴量は通常、ベクトルを使用して表される。
- SIFT, SURF, HOGなどによって画像データをベクトル化する。
機械学習 †
ベクトル化された画像データを機械学習のSVMやKNNなどの識別器で学習させる。