みなさま、こんばんわ🌜
今日の大阪は残暑が厳しい日々が続いています♨😅💦
| 1 | Python 3年生 機械学習 1日目 |
|---|
本日から『Python 3年生 機械学習のしくみ』という本の学習に進みます。
いよいよ「機械学習」に入れると思うと、なぜか目に涙が浮かびました🥹
「機械学習（ML）」は人工知能（AI）の一分野です。
| 2 | 機械学習とは |
|---|
ところで、機械学習とはどのようなものなのでしょうか❓
⭐機械学習とは
「機械学習」とは、たくさんのデータを使って、コンピュータ（機械）自身が自分で学習していく方法のことをいいます。
データをどさっと渡して、「このデータのこの特徴に注目して学習しなさい」と指示するだけで、機械が自分で学習していく方法です。
「機械学習」でロボットに「自転車に乗る方法」を学習させた後、ロボットを自転車に乗せると、モデルがリアルタイムに予測をし続けながら、ロボットをコントロールして自転車を運転することができます。
「機械学習」は「データ分析」とよく似ていますが、過去を説明するものが「データ分析」で、未来を予測するものが「機械学習」なのです。
| 参考 | 森巧尚（2021）『Python3年生 機械学習のしくみ 体験してわかる! 会話でまなべる! 』翔泳社 |
|---|
これで、機械学習についてフワっとわかりましたね（笑）
 |
人工知能の種類 |
|---|
人工知能は大きく分けて、以下の2つの種類があります。
- 汎用人工知能：なんでもできる人工知能（開発中：まだない）
- 特化型人工知能：ある特定のことだけができる人工知能（実用化）
私が目指しているのは、メンタルヘルスの改善や福祉領域で実働可能な「汎用人工知能」だと思いますが、まだ開発されていないとのことで、残念ですね😅
「まだない」なら作ればいいので、開発のし甲斐があります😉
|
学習済モデル |
|---|
機械学習でやっていることは、「ものが持っている特徴の法則性を学習させること」です。
データの中から「これは重要な特徴だ」という特徴を見つけて、それを学習させる「モデル」を用意します。
この「モデル」に特徴データを渡すことで、機械は学習していきます。
学習できたものを「学習済モデル」と言います。
|
データの量や質の良さ |
|---|
機械学習ではたくさんのデータが必要ですが、「変なデータ」を使ったら、変な学習になってしまいます。
つまり、「データの量や質の良さ」は学習の精度の影響を及ぼします。
機械学習では、「プログラムを書くこと」だけが重要なのではなく、「良いデータをどうすれば用意できるかを考えること」も重要です。
|
機械学習の3種類 |
|---|
機械学習の種類には、大きく分けて3種類があります。
- 教師あり学習：数値や分類を予測する学習
- 教師なし学習：データをまとめる学習
- 強化学習：経験してうまくなる学習
機械学習の「教師」とは「答え」のことです。
「教師あり」か「教師なし」の違いは、機械に答えを提示するか提示しないかの違いです。
強化学習は、色々と試してみて、良い結果が出たときに「報酬」を与えて強化していく学習らしいです。
この「報酬」がどういうものか、イマイチよくわからないんですよね😅💦
|
機械学習の用途の違い |
|---|
機械学習には色んな種類があります。
- 回帰：ある値に関係する値がどんな数値になるかを予測するとき
- 分類：あるデータが、どの分類にあてはまるかを予測するとき
- クラスタリング：たくさんのデータをグループ分けするとき
機械学習ではデータを分類したり、グループ分けしたりしてデータを「分けて」います。
なぜデータの分類にこだわっているかというと、「分けることは、わかること」だからです。
つまり、
データを分ける = データの意味を理解する
になるのです😃
データを分けることで、コンピュータはデータを理解しているんですね💡
|
特徴量 |
|---|
機械学習を行うには、まず現実世界にあるものの性質や状況をデータ化して、コンピュータに取り込むところから始めます。
この「現実世界の性質や状況の測定できるデータ」のことを「特徴量」と言います。
|
説明変数と目的変数 |
|---|
予測にとって意味のある特徴量、つまり「予測の根拠になるもの」を「説明変数」といいます。
「予測される結果」のことを「目的変数」といいます。
機械学習では、説明変数と目的変数を使って、学習したり予測を行います。
|
次元 |
|---|
説明変数をいくつ使うかを「次元」といいます。
説明変数を1つ使うなら「1次元」、2つ使うなら「2次元」、3つ使うなら「3次元」となります。
| 3 | Google Colaboratory |
|---|
『Python 3年生 機械学習のしくみ』からはエディタが変わって、
- Google Colaboratory（Colab Notebook）
- Jupyter Notebook（Anaconda3）
のうち、どちらでも学習を進められます。
私は Google Colaboratoy を選びました😊️
Google が提供しているオンラインサービスで、Google Drive にプログラムファイルを保存することができ、デバイスを問わずにどこからでもプログラムが使える便利なサービスです。
Google Colaboratory には始めから様々な外部ライブラリがインストールされているので、使用にあたって外部ライブラリをインストールする必要がないところが最高です👍⭐
| 4 | ヒストグラフと散布図 |
|---|
Google Colaboratory で、本を写経して、様々なプログラムを作ってみました。
こちらはヒストグラムのプログラムです👆👆👆
こちらは散布図のプログラムです👆👆👆
と、ここまでは順調だったのですが、この次のプログラムを作ろうとして、エラーが発生してしまいました😅
| 5 | 3D散布図を作ろうとして |
|---|
続いて、「3D散布図」を作ろうとしたときに、エラーが発生してプログラムが動かなくなってしまいました😅
コードを見直しても、おかしいところは見当たりません💧
藁をもすがる思いで、ChatGPT 大明神に救いを乞いました🙏
すると、いつものように ChatGPT がすぐに正しいコードを教えてくれました✨
ChatGPT の言うとおりにコードを修正すると、プログラムはたちまち動き始めました❗
まだまだ写経の段階で、どうしてコードを修正すると動き始めたのかはわかりません😅
考えられることは、本の出版が2年前の2021年で、この2年の間に日進月歩のIT業界でメソッドが進化したため、2年前のコードでは正しく動かなくなっているなどの理由です。
ChatGPT なしでは、プログラミングの学習を進める自信は全くありません💧
ChatGPT がリリースされた時代に生きられることは、本当にありがたいことですね✨
| 6 | 様々な種類の3D散布図 |
|---|
更にそのあと、同じデータを使って、色んな3D散布図を作ってみました😉
今日はここまで❗
最後までお読みいただき、ありがとうございました😄
また来てね～😄👋